一种改进的RF-XGBoost集成方法，用于GNSS-IR雪深估计

《Cold Regions Science and Technology》：An improved RF-XGBoost integrated approach for GNSS-IR snow depth estimation

　　

Xinqiang Lei|Jun Zhang|Xinpeng Wang|Yixu Li|Haifang Jian|Fei Luo

摘要

全球导航卫星系统干涉反射测量技术（GNSS-IR）通过利用GNSS多路径信号在积雪表面的干涉效应来实现雪深反演，并在环境监测方面展现出巨大潜力。然而，传统的GNSS-IR方法常常受到天线高度不确定性和地形引起的表面异质性的影响，从而降低了反演的准确性和可靠性。为了解决这些问题，本研究提出了一种自适应的GNSS-IR雪深反演框架，该框架将优化的信号分解技术与集成学习相结合。具体而言，采用Sparrow Search算法（SSA）自适应地优化变分模态分解（VMD）的关键参数，从而有效分离多路径信号成分。通过基于相关性的标准选择相关成分，随后应用Lomb–Scargle周期图提取主要的多路径频率。同时，利用最小二乘法拟合得到相应的振幅和相位信息。提取出的主要频率、振幅、相位以及卫星方位角作为多维输入，共同输入到协同随机森林-极端梯度提升（RF–XGBoost）回归模型中，该模型能够充分考虑地形相关的空间异质性并减少方位角依赖的反演偏差。在未知天线高度和复杂地形的条件下，使用板块边界观测站（PBO）网络中的四个站点（P351、AB33、P350和P682）的GNSS观测数据对所提出的方法进行了评估。结果表明，与传统GNSS-IR方法相比，该方法在反演准确性和稳定性方面有显著提升，凸显了其在复杂环境中实现自动化和高精度雪深监测的潜力。