归一化植被指数(NDVI)是地表植被信息的重要表征,针对传统GNSS干涉遥感(GNSS-IR)技术NDVI反演中数据利用不充分的问题,本文融合多轨多频GNSS卫星数据,采用随机森林(RF)、BP神经网络(Back Propagation Neural Network)、深度置信神经网络(DBN-DNN)3种机器学习算法,分别建立了基于单频/双频、单星/多星数据的GNSS-IR模式NDVI反演模型,并对其普适性进行了验证.结果表明:机器学习算法能够充分利用多轨多频GNSS数据,有效提高NDVI反演精度,其中DBN-DNN算法的建模精度最高,相比于BP网络和随机森林,其平均相关系数分别提高了2.57%,20.17%,平均均方根误差分别降低了1.97%,8.40%;L2频多星数据最适用于NDVI反演,相比于双频、L1频、单星数据,其平均相关系数分别提高了12.31%,19.63%,26.07%,平均均方根误差分别下降了6.33%,9.33%,12.50%.

1 GNSS-IR植被指数NDVI反演原理
1.1 GNSS-IR几何原理
1.2 机器学习模型
1.2.1 随机森林
1.2.2 BP神经网络
1.2.3 深度置信网络
2 多频多星GNSS-IR模式NDVI反演方法
2.1 试验数据
2.2 卫星选取与有效散射区测定
2.3 多频多星SNR振幅提取与融合
3 试验与分析
3.1 反演模型构建
3.2 单/双频反演结果对比分析
3.3 单星/多星反演结果对比分析
3.4 模型验证
4 结论与展望

刘一,郑南山,丁锐等.基于机器学习的多频多星GNSS-IR模式NDVI反演研究[J/OL].中国矿业大学学报:1-8[2023-09-07].DOI:10.13247/j.cnki.jcumt.20220307.