Los puntos clave no están disponibles para este artículo en este momento.
El Sistema Global de Navegación por Satélite Interferométrico (GNSS-IR) permite el monitoreo de la humedad del suelo (SM) con alta resolución temporal, pero enfrenta desafíos debido a la complejidad del desacoplamiento de señales y relaciones no lineales. Este estudio desarrolla un marco de recuperación basado en aprendizaje automático que integra entradas de múltiples características para abordar estos problemas. El marco utiliza la Transformada Discreta de Wavelet (DWT) para descomponer de manera adaptativa las tendencias de la relación señal-ruido (SNR) y aplica Mínimos Cuadrados Totales (TLS) para garantizar una extracción de características robusta. Al incorporar observables de interferencia de múltiples satélites GPS, implementamos un modelo de Bosque Aleatorio Optimizado Bayesiano (BO-RF). Este modelo captura el mapeo intrincado entre los observables y los patrones dinámicos de SM. La validación con datos de la red del Observatorio de Boundaries Plate (PBO) muestra un rendimiento notable: en las estaciones P037, P041 y P043, el modelo alcanza R de 0.937, 0.959 y 0.890, respectivamente, con RMSE correspondientes de 0.033, 0.021 y 0.044 cm³·cm–3. En comparación con el RF, BO-XGBoost y BO-CNN, el modelo BO-RF reduce los errores entre un 5.8% y un 43.2%. Además, la integración del análisis SHAP (SHapley Additive exPlanations) mejora la interpretabilidad y la cuantificación de la incertidumbre del marco, creando un paradigma robusto y escalable para la estimación de SM con GNSS-IR.
He et al. (Jue,) estudiaron esta cuestión.