采用随机森林方法提高区域GNSS高程拟合精度

本研究针对无实测重力数据和高分辨数字高程模型(DEM)数据下如何提高GNSS(Global Navigation Satellite System)高程拟合精度问题,通过采用反向传播(BP)神经网络与随机森林两种机器学习方法,与目前广泛采用的多项式二次曲面法的拟合结果进行了对比。研究结果表明,在地形起伏较为平缓的区域内,机器学习方法在外符合精度上至少有1厘米精度上的提升相比多项式二次曲面法或顾及地形起伏的多项式二次曲面法;在地形起伏较大的区域内,机器学习方法在外符合精度上均至少有1厘米精度上的提升。用均方根误差的标准差来衡量网络的稳定性,研究结果表明随机森林方法的标准差在试验区内优于BP神经网络。综上,机器学习方法可提升GNSS高程拟合精度、随机森林法的网络稳定性优于BP神经网络。