基于机器学习的双参数反演：利用固定偏移GPR数据估算雪层含水量与密度

准确评估雪层体积含水量和体积密度对于理解雪的水文过程、降低雪崩风险以及冰冻圈监测具有重要意义。本文提出一种新型双参数反演框架，该框架集成了合成电磁建模、降维方法和机器学习算法，用于从探地雷达(GPR)数据中提取相对介电常数和对数电阻率。传统雪层测量方法具有侵入性、劳动强度大且仅限于点位观测等局限性。为克服上述局限，建立了一种非侵入性、可扩展且数据驱动的框架，利用合成GPR数据集来表示具有不同含水量和密度分布的多样化雪层条件。使用先进电磁模拟器gprMax，通过有限差分时域模拟生成合成的一维时序反射（A扫描）。随后采用主成分分析（PCA）将每个A扫描进行压缩，得到低维且信息保真的特征集，从而显著提升模型训练效率。基于经过主成分分析（PCA）降维处理的特征集，训练了随机森林、神经网络、支持向量机和极限梯度提升四种机器学习模型。其中，神经网络模型性能最佳，介电常数为R2​>0.97，电阻率为R2​>0.92。合成数据中引入高斯噪声（信噪比约为6 dB），并通过针对特定领域进行改进，以提高其在实地数据的泛化能力。模型在中国阿尔泰山脉的两条典型GPR剖面（湿雪T750和饱和雪G125）上进行了验证。神经网络模型预测结果与GPR反演、Snowfork测量及人工雪坑数据高度一致，体积含水量偏差不超过1.5%，体积密度误差在30–84 kg m−3范围内。结果表明，基于机器学习的反演方法在结合真实模拟与数据增强的条件下，能够实现可扩展、非侵入式的雪层特性反演，在水文预报、雪情监测及气候敏感型水资源管理中具有重要应用价值。