地基GNSS-R雪深测量方法研究进展

肖星星 许盼盼 韩雨辰 仲 臣

(1.安徽理工大学 空间信息与测绘工程学院 安徽淮南 232001；2.安徽理工大学 矿区环境与灾害协同监测煤炭行业工程研究中心 安徽淮南 232001；3.安徽理工大学 矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室 安徽淮南 232001；4.东北财经大学 辽宁大连 116012)

全球导航卫星系统(GNSS)的发展不断趋于完善，对观测数据的处理已不仅仅是用于导航定位等基础功能，还用于应对各行业特殊需求的功能定制，这标志着导航定位已进入多元化利用的“GNSS+”时代。GNSS遥感(GNSS-Remote Sensing)作为卫星导航和遥感的交叉学科，迎来了重要的发展契机[1]。GNSS遥感通过将观测过程中含有低高度角卫星信号受大气环境及地表环境影响后产生的多路径反射误差数据作为遥感观测源，完成地表参数反演。

地球表面积雪具有显著的季节性变换特征，覆盖面广，担负着调节水循环和控制温度的重任，缺乏对积雪的监控就有可能会导致暴雪，甚至引发灾难，影响人们的生活。因此，对积雪覆盖变化进行实时监测具有重大意义。传统的监测手段是利用气象站点人工采集数据，所采集的积雪数据不仅分布不均匀，而且在采集时间频次上也难以取得同步，因此无法全面、准确地表现出积雪分布情况。类似的物理观测方式还有超声波法和激光法等，其中，激光法获取的积雪深度观测数据处理过程复杂、成本较高；超声波法也只是用于定点观测，弊端同样明显。卫星遥感方式获取积雪信息可有效弥补物理观测方法的缺陷，但易受云层和植被等遮盖影响，监测条件和成本较高。综上，卫星遥感观测方式虽然能在一定程度上解决环境约束问题，但同时也存在精度不均匀、误差难以消除、无法获取小尺度范围的精确积雪信息等缺点。

全球导航卫星系统反射信号(The Global Navigation Satellite System- Reflection，GNSS-R)技术在雪深测量上已经成功获取了复杂环境下的积雪深度测量数据，不仅精度较高，而且还可以获取雪深的空间分布信息，同时还具有连续的时间序列，填补了气象站点人工直尺测量的点状测量和卫星遥感大面积测量之间的尺度空白，为完成全国性、系统地积雪地面调查提供了一种高效、精确、低投入的雪深数据采集新方法。

本文首先对使用GNSS-R技术进行积雪深度测量的研究成果进行总结梳理，对其中具有明显的干涉模式下的基于信噪比(Signal Noise Ratio，SNR)观测值的积雪深度测量方法、基于载波相位观测值的积雪深度测量方法、基于C/A码伪距相位观测值的积雪深度测量方法等 3种反演方法的特点和优势进行比较，为探索使用GNSS-R技术进行积雪测量提供参考。

1 GNSS遥感技术及应用

GNSS遥感是研究利用GNSS信号探测和感知环境的学科，按照应用GNSS信号形式不同，可分为GNSS折射遥感和GNSS反射遥感两类。GNSS折射遥感是利用卫星直射信号穿过不同介质的折射现象，对大气参数进行反演；GNSS反射遥感是利用接收到的、经环境反射后的信号获取峰值功率和波形信息等参数，进行反射面性质探测。

GNSS折射遥感在其发展过程中形成了多种用途的研究学科，具有代表性的GNSS反射遥感技术包括GNSS无线电掩星技术(GNSS Radio Occultation，GNSS R O)、地震电离层监测技术和对流层水汽监测技术。其中，GNSS无线电掩星技术是在低轨卫星上安装高动态GNSS接收机并进行临边观测，由于GNSS信号在穿过电离层和大气层过程中介质垂直折射指数会发生变化，导致传播路径弯曲，通过计算卫星位置速度等已知数据来计算弯曲角度，从而反演得到大气折射率，同时获得气压、密度、温度和水汽压等大气参数剖面及电离层电子密度剖面[2]。地震电离层监测是利用电离层电子浓度总含量(Total ionospheric Electron Concentration，TEC)在地震发生前后产生的异常波动[3]，结合GNSS自身观测优势，利用GNSS TEC技术研究电离层异常变化规律来进行地震预测。对流层水汽监测是利用大气层水汽含量对GNSS信号产生折射、延时影响进行数据反演，应用于数值天气预报、极端天气预警和雾霾监测等方面[4]。

GNSS反射遥感技术是利用反射信号对反射面物理或几何信息进行测量的技术，即GNSS-R[5]技术。按照观测模式，GNSS-R可分为双天线模式和单天线模式两种。其中，双天线模式使用特制双天线分别接收直射信号和反射信号；单天线模式是利用单天线普通设备接收直射和反射的混合信号，在信号处理时通常采用一定的方式扣除直射信号而分离出反射信号，再对反射面信息进行观测。按照是否单独接收反射信号可划分为干涉模式和反射模式。

在海洋遥感领域，MARTIN N M.等[6]提出被动反射和干涉测量系统(PARIS)进行海面高度测量，ROBERT N 等[7]通过GNSS-R海面测高试验研究，提高了海面测高精度。在此基础上，还有学者利用GNSS-R在海洋遥感领域开展了海面风场实验[8-10]、海冰动态监测[11-13]和海面浮油检测[14-16]等，海面目标检测识别已成为GNSS-R在海洋遥感中的重要应用方向。在陆地遥感领域，可利用GNSS反射信号进行归一化植被指数(Normalized Vegetation Index，NDVI)反演[17]、积雪深度测量[18]和土壤湿度检测[19]等方面的应用。

2 GNSS-R雪深测量技术的发展

GNSS-R雪深测量技术是利用反射信号测量积雪深度信息，主要分为干涉模式和反射模式。干涉模式是指利用单天线设备接收直射和反射的叠加信号，直射信号和反射信号的干涉现象导致信号强度出现高频振荡，通过趋势项拟合方法分离直射信号，最后利用信号强度振荡频率与积雪厚度变化的关系反演积雪深度。反射模式通常是利用特制双天线设备，分别搭载着向上的低增益右旋圆极化(RHCP)天线和向下的高增益左旋圆极化(LHCP)天线，分别接收直射信号和反射信号，通过求解反射信号的接收时延作为观测值，再利用接收机、卫星与雪面的几何关系求解积雪深度。

JACOBSON M D[20](2008年)验证了GPS反射信号功率会因反射区不同而使电介质材料和厚度产生相应的变化，同时证明GPS反射信号功率与积雪深度存在相关性。随后，LARSON K M等[21-22](2009年和2013年)通过研究雪深估计量、现场测量值及气象站点测量数据间的相互关系，建立基于SNR观测值的GPS-R统计反演模型，初步证明了GNSS-R雪深测量的可行性。RODRIGUEZ A N等[23](2012年)通过线极化天线所产生的干涉图像在空气、雪及地面处的反射间断，探究积雪下土壤湿度的背景约束。BONIFACE K等[24](2015年)将官方雪深探测数据与美国西部地区约100个板块监测站GPS干涉测量反演结果进行对比，结果表明超过80%的地区均取得较好的相关性，并通过后续大量的试验证明了GNSS雪深测量的稳定性。GUTMANN E D(2012年) 和ROVER S(2019年)等[25- 26]基于SNR观测量进行雪深反演，即使用普通测地型接收机和天线接收的数据进行反演，探讨了干涉模式下的GNSS-R的雪深测量技术。较反射模式下需要接收机搭载垂直向上和垂直向下天线分别接收信号的硬件相比，干涉模式下只需要普通的测地型接收机，降低了测量成本，具有一定的普适性，同时数据来源更加广泛。

GNSS-R雪深测量技术发展到目前，其测量方法主要有SNR方法、载波相位观测值组合法、伪距和载波相位融合方法等。

2.1 基于SNR观测值的雪深测量

GUTMANN E D等[25](2012年)在美国科罗拉多州尼沃特岭进行GNSS-R雪深测量试验。试验场位于海拔3 500 m的鞍形山顶，为减少设备对GPS信号的干扰，在接收机7 m外安置激光雪深探测系统同步采集数据，并设置每两周观测一次的人工积雪数据测量点用于数据精度对比。结果表明，GNSS-R用于雪深测量在数据连续性、精度和数据采集成本上均具有较大优势。NIEVINSKI F G等[27-28](2014年)详细阐述了基于SNR观测值进行雪深反演的原理和试验过程，形成了较完善的SNR数据处理流程并验证了SNR方法用于雪深测量的可靠性和准确性。为综合利用多系统卫星数据，TABIBI S等[29](2017年)提出了一种基于信号特定方差因子的GPS和GLONASS不同频段组合的雪深测量算法，结果表明，GPS和GLONASS的SNR观测数据可以通过不同频段统计组合提高雪深测量精度。HEFTY J[30](2013年)利用斯洛伐克境内具有地形代表性的连续观测GPS站点(被建筑物、构筑物和不均匀地形包围的场地)，分别使用双频信噪比和几何结构的线性载波相位线性组合L4进行雪深测量，证明了复杂地形下GNSS-R积雪测量的实用性。随着GPS多频信号的开放，CHEN Q等[31](2014年)模拟了接收机天线水平极化和垂直极化的反射系数，并使用L2C信号完成了雪深反演。

为突出GNSS-R方法在恶劣环境下的有效性，MUNOZ M J F等[32](2020年)利用最新发射的VV16卫星搭载的L波段微波辐射计与GNSS-R组合进行极地地区的海冰和积雪探测。DURAND M等[33](2019年)针对冰川快速消融而无法进行有效监测的问题，利用GNSS-R技术进行积雪消融监测，并在现场安装超声波传感器进行数据对比，证明了GNSS-R技术在冰川环境下监测积雪消融的可行性。王泽民等[34](2018年)基于北极地区黄河站GPS和BDS的双频信噪比观测数据，使用信噪比强度较高的L1和B1I双系统观测值并通过数据分析手段提高了雪深反演精度和可靠性。黄良珂等[35](2019年)使用GPS新型L5载波的信噪比观测数据，对GNSS测站附近雪深变化及实测雪深数据进行反演，通过结果对比证明了L5信号在雪深测量中的反演精度更高。

在数据预处理方面，AN J(2020年)和邓攀(2019年)等[36-37]使用小波分解将噪声与信号分离以提高雪深反演精度。边少锋等[38](2020年)提出联合小波变换和滑动窗口的多卫星融合雪深反演模型，结果表明，反演结果与实测数据保持高度一致，精度和稳定性较美国大陆板块观测网(Plate Boundary Observatory，PBO H2O)的结果均有显著提高。任超等[39](2019年)在将SNR信号用于雪深测量的基础上使用了支持向量机(Support Vector Machine，SVM)对积雪深度时间序列模型进行优化，进一步提升了精度。张晓宇等[40](2019年)建立遗传算法-反向传播(GA-BP)神经网络优化模型对系统误差进行去噪处理，结果表明，对反演过程中出现离群跳变点起到了有效的消除作用。LI Z等[41](2021年)利用美国PBO网络中P351站2013—2016年的观测数据，分别使用Lomb Scargle周期图(LSP)频谱分析、快速傅立叶变换(Fast Fourier Transform，FFT)频谱分析和非线性最小二乘拟合(Nonlinear Least Squares Fitting，NLSF)3种算法来计算积雪表面高度，并通过寻找算法之间的最佳组合，进一步提高了GNSS-IR雪深反演的精度。同时还与积雪遥测(Snowpack Telemetry，SNOTEL)网络中的490站(两地相距1.8 km)提供的实际雪深数据进行比较，得出一种NLSF-FFT组合算法，并将其用于GNSS-IR积雪深度反演，反演精度较传统的LSP算法提高了10%。单一算法中，FFT算法的反演精度优于LSP和NLSF算法。

2.2 基于载波相位观测量的雪深测量

OZEKI M等[42](2012年)提出基于载波相位测量的双频线性组合反演方法，处理GNSS-R数据进行雪深测量。NAJIBI N等[43](2013年)使用数值计算方式探究了双频信号反射特性及卫星高度角接收机天线高度对多路径影响数值进行模拟。YU K等[44](2015年)提出了一种基于三频(L1、L2和L5)信号相位组合雪深估计方法，建立描述天线高度和相位序列频率关系线性模型。该模型由于消除了电离层延迟的先天优势，取得了较好的反演精度。QIAN X等[45](2016年)使用GLONASS双频信号信噪比进行雪深估计，取得了良好的反演精度；同时还进行了双系统的组合观测，组合估计结果虽有进步，但由于没有考虑电离层残差噪声影响，导致精度没有达到预期效果。ZHANG Z等[46](2020年)提出一种基于密度的空间聚类应用，结合噪声算法和归一化算法改正反射面地形信息，采用GNSS三频载波相位方法进行雪深估计。

2.3 基于伪距和载波相位观测量的雪深测量

YU K等[47](2019年)提出一种利用GNSS双频信号、伪距和载波相位观测值结合进行雪深反演的新方法，通过地面接收机接收的反射信号与多路径载波相位误差和伪距误差构成组合信号，建立函数模型，成功描述了积雪深度和多方式误差组合时间序列主频之间的相关性，并分别通过BDS、GPS和Galileo三大系统验证了该方法的有效性。

LI Y等[48](2019年)通过接收机采集的GNSS单频信号观测值完成了雪深测量，利用伪距和载波相位形成无几何约束组合，利用移动平均算法从组合观测序列中去除电离层延迟，通过频谱分析得到峰值频率，然后将单个卫星信号和单个积雪深度加权结合起来，提高反演精度，并分别通过GPS、BDS和Galieo三大系统进行了试验验证。

2.4 优化地形环境对测深精度的影响

随着对反演精度要求的不断提高，对地形误差影响的消除成为了必须考虑的因素。WEI H等[49](2019年)针对侧重选择平坦地区或坡度较缓的地区作为试验区域的局限性问题，提出一种倾斜表面策略(Tilted Surface Strategy，TSS)，使用整个反射区域内的SNR数据进行反演并取得较好的精度。ZHANG Z等[46](2020年)使用GNSS三频载波相位组合数据，利用基于密度的空间聚类方法，结合噪声算法和归一化方法，针对反射面的地形特征进行了优化。该方法使用Galileo和BDS系统的观测值进行雪深估计的效果优于单使用GPS观测值的效果。另一方面，由于增加了多系统，随着卫星数量的增加，该方法还可以有效提高空间分辨率。

在提高雪深反演精度的研究过程中，ZHANG S等[50](2017年)提出一种在网格模型中寻找水平反射区的高质量反射高度值的方法，通过整合所有有效的雪深网格元素计算平均值，并将平均值视为雪深反演结果，用以避免地形造成的误差，提高了反演精度，增大了相关性。

2.5 GNSS-R雪深测量软件的开发

为提高使用GNSS-R技术进行雪深测量的实用性，降低使用难度，OESLER C等[51](2018年)开发了一种能读取GNSS文件信息、绘制GNSS-IR反射区和根据信噪比估算反射面高度信息的软件。为降低数据处理难度，MARTN A等[52](2020年)基于Python环境设计了一种能处理原始数据、获取每颗卫星单独轨道反射高度及干涉相位改变和振幅值的系统。ZHANG S 等[53](2021年)基于GNSS-R方法利用MATLAB平台开发了雪深数据处理软件GiRsnow。该软件能绘制反射点轨迹和菲涅尔反射区，使用信噪比观测值和无几何结构的线性载波相位组合(L4)观测值获得雪深信息。未来集成化功能的软件将会越来越多地运用到实践中去，更好地推动GNSS-R行业的发展。

3 GNSS-R信号雪深测量常用方法及特点

3.1 陆基GNSS-R雪深测量几何模型

基于干涉模式的GNSS-R雪深测量：接收机对地观测时，由于周围环境反射导致的多路径效应对直射信号产生干扰，使得部分信号穿透地面积雪后发生反射，产生定位误差，该误差可被接收机记录储存并加以利用；同时，直射信号与反射信号在测站周围发生稳定的干涉，对干涉信号进行分解、分析处理，通过反演模型即可测量积雪深度。基于反射模式的GNSS-R雪深测量：使用双天线接收机分别接收直射和反射信号，记录反射信号的接收时间延迟，最后根据接收机、卫星与积雪层的几何关系求解积雪面的高度。GNSS-R雪深测量原理如图1所示。

图1 GNSS-R雪深测量示意图

将GNSS接收机垂直安置于无积雪的地面，安装要求是达到长期稳定运行标准。安置于开阔场地的GNSS天线接收到的信号是由直射信号的反射叠加产生的干涉信号。由图1可知，GNSS-R积雪深度测量的几何模型为

Δh=H-h

(1)

式中：Δh为积雪深度，H为无积雪时接收机相位中心至地面的高度，h为降雪后相位中心至积雪表面的高度。

3.2 基于SNR观测值的积雪深度测量

SNR是输出端功率信号PR与噪声功率PN的比值。SNR是有效信号和无效信号的比值，SNR值越大表示受信号干扰越小，信号质量越好。因此，信噪比是一项衡量GNSS接收机输出信号质量的重要指标，其中多路径效应对信噪比影响最大。在一次多路径反射条件下，SNR观测值可以表示为

SNR2=An2+Aa2+ 2AnAacosψ

(2)

式中：An、Aa分别为直射信号和反射信号的振幅，ψ为直射信号和反射信号的相位差。

如图1所示，直射信号与反射信号仅发生一次干涉，直射信号则先于反射信号到达接收机，直射信号和反射信号的距离差为

ΔS=S2-S1=2hsinθ

(3)

式中：S1、S2分别为入射路径长度和反射路径长度，θ为卫星高度角。

假设信号只发生一次反射，当卫星高度角较低时，可近似认为反射信号来自于水平反射面，也就可以认为直射信号与反射信号的相位差只受接收机天线距离反射面的高度h和卫星高度角θ的影响，则直射信号和反射信号的相位差为

(4)

式中：λ为 GNSS信号载波相位波长。

经过实际数据验证研究表明，An2+Aa2作为趋势项，对反演积雪高度无任何价值。经低阶多项式拟合发现式(2)趋势与直射信号趋势吻合，得出反射信号造成的观测值的多路径误差为

(5)

从式(5)可知，多路径误差SNRr是以卫星高度角的正弦值作为自变量的拟余弦函数。使用频谱分析得出SNRr的震荡频率为，那么多路径误差SNRr的角频率

将接收机天线高度h带入式(1)可以得到

(6)

综上所述，基于SNR数据进行积雪深度测量，只需使用频谱分析得出SNRr的震荡频率即可完成反演。使用SNR数据进行积雪深度测量通常只需要使用普通测地型接收机数据，对设备要求低，有效降低了数据获取成本。

3.3 基于载波相位观测量的积雪深度测量

载波相位观测量是接收机接收到具有多普勒频移的载波信号与接收机产生的参考载波信号之间的相位差，经基线向量解算以获得两个同步观测站之间的基线向量坐标差的技术和方法。进行雪深反演的前提是必须获取SNR多路径误差的震荡频率，因此需要建立载波相位多路径误差的震荡频率与天线高之间的函数模型，完成基于载波相位观测值的积雪深度测量。以GPS双频为例，用L1、L2两个波段相位观测值进行组合，消除电离层延迟影响后即可获得双频载波相位多路径误差序列，然后通过频谱分析获取L1频段多路径误差序列主频，并代入震荡主频与天线高之间的函数模型，进而获得积雪深度测量值。载波相位测量的观测方程为

(7)

对于同一导航系统，双频载波相位测量观测方程为

(8)

式中：数字1、2为同一卫星导航系统下的不同频段。

由于电离层误差与载波频率的平方成反比，可对(8)式进行作差，消除相关参数后得到L4观测量。

(9)

L4观测量可以通过式(9)右3项加的和来表示，第一项为多路径误差、第二项为电离层延迟误差、第三项为整周模糊度。其中，电离层延迟误差可通过电离层模型、频率滤波算法进行解算与消除；载波相位周跳可通过多项式拟合、高次差、卫星间求解等方式完成修复；连续观测过程中，整周模糊度可视为常数。通过计算消除电离层延迟误差与整周模糊度，最终得到双频载波相位观测值组合的多路径误差序列M1,2(t)。

(10)

再结合式(3)，可得到天线高即积雪深度。

(11)

同理，可得出三频载波相位组合公式。

(12)

基于载波相位进行积雪深度测量，首先，由于信号存在于正弦载波函数上，必须对其进行连续性采集；其次，多路径误差采集序列存在两个峰值频率，容易互相干扰，需要使用天线高度相差较大的测站数据；最后，受电离层残差和拟合模型误差等影响，双频数据反演积雪深度的精度普遍低于三频数据的反演精度。

3.4 基于C/A码伪距观测值的积雪深度测量

码相位伪距观测值是由GNSS卫星发射的测距码从卫星天线相位中心到达接收机天线相位中心的传播时间(时间延迟)乘以光速c所得到的距离。C/A码伪距是由卫星i发射信号的钟面时间Ti与相应测站P的GNSS标准时间TP不同步造成的。通过计算接收到的直射信号和反射信号之间的时间差，求得反射信号传播路径与直射信号之间的路程差值Δs。所以积雪深度可表达为

(13)

在分别获得直射信号和反射信号之间的接收时间差T1i、T2P后，解算得出雪深结果。使用单一伪距观测值数据进行测高，受C/A码宽度的先天缺陷影响，基于C/A码伪距观测值的积雪深度测量的精度往往只能达到米级，精度较低。

3.5 基于伪距和载波相位观测值组合的积雪深度测量

针对单一伪距观测值进行雪深测量精度不高的问题，提出将伪距观测值和载波相位观测值进行组合来提高测高精度。由于在同一频段的GNSS数据下，伪距和载波相位的电离层误差符号相反，数值大小相同，由此得到GNSS接收机在同一导航系统、同一频段下接收到的伪距和载波相位观测方程为

(14)

通过推导得出单频伪距和载波相位观测值的组合天线高(积雪深度)为

(15)

同理，双频伪距和载波相位观测值的组合天线高(积雪深度)为

(16)

实践结果表明，单频/双频伪距和载波相位组合的多路径误差序列，在一定卫星高度角范围内，可以提高测高精度。较SNR观测测量方法而言，单频/双频伪距和载波相位组合观测测量方法可以有效提高测高精度，但在数据处理过程中需要做好误差项消除和组合工作，过程复杂。

综上所述，GNSS-R雪深测量方法的优缺点见表1。

表1 基于不同数据组合的GNSS-R雪深测量方法的优缺点Tab.1 Advantages and Disadvantages of GNSS R Snow Depth Measurement Accuracy Based on Different Data Combinations 数据处理方法优 势缺 点SNR观测值 只需使用单天线的普通测地型接收机数据,对设备要求低,能有效降低数据获取成本,扩大适用性 易受到积雪下背景层影响,出现系统偏差双/三频载波相位观测值的组合 测量精度能达到厘米级,可满足大部分科研任务 主频间相互干扰,需要选择天线高度相差较大的测站数据;受电离层残差和拟合模型误差等影响,双频精度普遍低于三频C/A码伪距相位观测值 原理简单,只需求取直射、反射信号幅值的时间差 精度较差,通常只能达到米级单/双频伪距和载波相位观测值的组合 弥补了单一伪距测量精度较低的缺点,提高了测量精度 测量精度与伪距测量精度有关;测距码越小,伪距测量噪声就越小,积雪测量结果也就越准确

4 讨论与结论

GNSS-R雪深测量是对传统雪深测量方式的补充，具有高时间分辨率的连续监测特点，不仅可以获取雪深的空间分布信息，还弥补了单点数据采集观测成本高、无法连续观测的先天缺陷，以及卫星遥感方式观测条件高、无法获取小范围变化监测数据等缺点，为全球性积雪监测提供技术手段。但目前 GNSS-R雪深测量技术存在两个主要问题需要解决。

1)多用途集成。GNSS观测站可在山区高原等复杂环境下建立稳固连续运行站，可以做到连续自动观测且维护成本低廉。但相较于自动化积雪观测站需要对积雪各属性及土壤等进行全面观测，现阶段建成的GNSS观测站对积雪观测的功能还过于单一，因此需要对GNSS观测站进行多用途集成，不仅可以掌握冬季积雪时空变化，还可以为该地土壤湿度反演及植被覆盖率监测等提供参考。

2)提高数据处理精度。为获得更高的积雪测量精度，在数据处理过程中对复杂反射环境误差进行剔除优化成为必要过程。其中，对地形误差可以通过模型来消除，以达到有效提高测量精度的目的，可用于分析积雪的空间分布特征。对于3种GNSS-R雪深测量的数据处理方法，经过分析对比得出，现阶段在单一方法使用上，虽然基于信噪比数据的处理方法只需要使用单天线普通测地型接收机即可完成对反演数据的采集工作，成本低、适用范围广，相较于其他方法具有先天性优势。但为了提高测量数据处理精度，采用更多波段数据组合模型进行数据处理将成为未来发展的趋势。随着全球卫星导航系统的不断完善和发展，进行多系统数据融合来提升积雪深度测量精度也将成为研究热点。

本文详细介绍了GNSS-R积雪深度测量方面国内外研究进展，并从基于SNR观测值的积雪深度测量方法、基于载波相位观测值的积雪深度测量方法、基于C/A码伪距相位观测值的积雪深度测量方法以及将伪距和载波相位观测值组合对积雪深度进行测量的方法进行了分析和总结。结果表明，GNSS-R在进行积雪深度测量数据处理方面最终将走进多方法、多系统和多卫星的数据融合时代。同时还针对大数据进行的深度学习为使用海量GNSS数据提供了契机，开发一套在各种方法和各种环境都能够快速处理海量数据的GNSS-R雪深测量软件，能推动GNSS-R更快地走向实用化，达到全天候、稳定、高效地进行积雪监测这一目标。中国北斗卫星的全面组网和多系统间协同融合将会为GNSS-R雪深探测带来新的契机和发展前景。