一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

GNSS干涉测量（GNSS interferometric reflectometry,GNSS-IR）技术已经成为探测地表环境特性的一种新兴被动遥感技术，综合利用从土壤反射的GNSS信号中提取的相位、振幅、频率特征，提出了一种多类型特征数据融合的GNSS-IR土壤湿度反演方法，采用最小二乘支持向量机（least square support vector machine,LSSVM）、随机森林（random forest,RF）、BP神经网络（back propagation neural network,BPNN）三种机器学习模型，对比和验证了所提方法的可行性与效果。结果表明，多特征融合的LSSVM、RF和BPNN模型反演得到的土壤湿度与参考值的相关系数分别为0.830、0.953和0.980，对应的均方根误差分别为0.045、0.035和0.032 cm3/cm3。相比于单一特征反演法，土壤湿度反演精度和可靠性有显著提升。