季节性积雪液态含水量与密度是刻画积雪水文过程、评估融雪径流和雪崩灾害风险的重要参数。传统雪坑观测与原位测量方法具有破坏性、劳动强度大和空间代表性有限等不足；探地雷达虽可实现积雪无损探测，但常规电磁反演和全波形反演往往计算量大、依赖初始模型，难以适应复杂雪层结构和野外快速监测需求。因此，发展兼具物理约束、反演精度和计算效率的积雪参数智能反演方法，是积雪水文与冰冻圈灾害研究中的关键问题。
针对上述问题，中国科学院成都山地灾害与环境研究所姜元俊研究员团队构建了基于机器学习与物理引导深度学习的双参数反演框架，利用共偏移距探地雷达数据同步反演积雪相对介电常数和对数电阻率。研究首先基于时域有限差分电磁模拟软件gprMax生成覆盖多类积雪条件的大规模合成数据集，对随机森林、神经网络、极限梯度提升和支持向量机等算法开展系统比较。结果显示，神经网络模型综合性能最优，介电常数预测精度R²＞0.97，电阻率预测精度R²＞0.92；野外验证中，液态含水量估算误差低于1.5％。
在此基础上，研究融合Vision Transformer与双向长短期记忆网络，提出物理引导深度学习全波形反演方法，实现了从探地雷达波形到二维电磁参数空间分布的端到端映射。测试结果表明，介电常数反演R²＝0.984、结构相似性指数为0.97、均方根误差为0.066；对数电阻率反演R²＝0.966、结构相似性指数为0.94、均方根误差为0.086。野外数据应用获得的积雪液态含水量（2％–4％）和土壤含水量（15％–26％）二维分布与雪坑及Snowfork观测结果高度一致，验证了该框架的可靠性与适用性。
该研究为积雪液态含水量、密度及近地表水分状态的快速无损反演提供了新的技术路径，可为寒区水文过程监测、积雪灾害评估和冰冻圈环境变化研究提供重要方法支撑。相关研究得到国家重点研发计划（2023YFC3008300、2023YFC3008305）和国家自然科学基金项目（42172320）等资助，成果发表在Science China Earth Sciences和Journal of Hydrology上。
雪层模型几何形状及gprMax合成模拟配置
分段雪层电磁特性的空间分布和垂向分布