编辑推荐：
摘要专业翻译
Wi-Fi感知因Wi-Fi信号的普遍性及其作为一种低成本感知模态的潜力而日益受到关注。了解社区中的树叶何时落下，对于安排市政落叶收集工作至关重要，而城市目前可用的手段难以对此进行规划。本文介绍LeafSense系统，该系统通过分析现有Wi-Fi接
摘要专业翻译
Wi-Fi感知因Wi-Fi信号的普遍性及其作为一种低成本感知模态的潜力而日益受到关注。了解社区中的树叶何时落下，对于安排市政落叶收集工作至关重要，而城市目前可用的手段难以对此进行规划。本文介绍LeafSense系统，该系统通过分析现有Wi-Fi接入点（AP）广播的信标帧中接收信号强度指示（RSSI）的变化，来检测树叶的季节性脱落。LeafSense的基本思想在于：发射器周围的环境会影响其信号的传播方式，而树叶的存在或缺失会相应地改变接收信号。为验证这一设想，研究人员利用商用设备搭建了一套感知装置，可监测2.4 GHz和5 GHz频段的11个Wi-Fi信道，并在多个季节中驾车穿越多个社区进行数据采集。多步滤波流程消除了车辆引入的伪影。决策树（Decision Tree）和随机森林（Random Forest）分类器区分树叶存在与缺失的准确率可达81%至94%，而在树叶状态不变的两周数据上训练的相同分类器，其准确率接近随机水平。研究进一步表明，该感知装置可加以简化——仅需两个5 GHz信道即可覆盖调查区域90%以上的范围，准确率达81%至97%，从而将装置精简为一台配备两个Wi-Fi适配器的树莓派（Raspberry Pi）。最后，研究证明该结果对车辆路线的微小变化具有鲁棒性，且接入点密度足以支撑可靠的感知。
论文解读
一、研究背景与问题
Wi-Fi信号除提供网络连接外，近年来已被证明对环境变化具有足够的敏感性，可用于手势识别、活动识别、健康监测、人群计数和定位等多种感知场景。Wi-Fi感知的核心原理在于：信号与环境中物体相互作用，环境变化会引起信号变化，通过分析信号变化可获取周围物理环境的有价值信息。
然而，现有Wi-Fi感知研究大多面向室内场景和人体感知。在室外环境监测领域，城市落叶管理面临现实困境：许多树木在寒冷季节落叶，落叶堆积会造成环境污染或焚烧产生的颗粒物污染问题，许多城市提供免费或补贴的落叶收集服务。但确定落叶收集卡车的调度位置十分困难，因为树种和天气等因素导致社区内部及季节间的落叶时间存在显著差异。卫星遥感或无人机等遥感手段成本过高，卫星物候监测还受限于时空分辨率权衡和云层污染问题。深度学习应用于航拍影像虽可绘制城市行道树分布，但捕捉的是树木存在性而非季节性叶片状态。现有无线基础设施虽已被用于环境监测（如通过社区网状网络链路衰减推断城市降雨、利用LTE基站接收信号强度监测降雨），但尚无工作利用环境Wi-Fi信号监测植被的季节性变化。因此，研究人员提出LeafSense系统，利用现有Wi-Fi接入点信标信号的RSSI变化来监测树叶的季节性脱落，以低成本填补这一空白。
二、研究内容与主要结论
研究人员设计了由商用硬件搭建的感知装置，包含13台树莓派（其中8台监测5 GHz频段信道36、40、44、48、149、153、157、161，3台监测2.4 GHz频段信道1、6、11）、外部USB Wi-Fi适配器（ALFA AWUS036ACH，基于Realtek RTL8812AU芯片组，配有两个5 dBi全向双频天线）和GPS模块。装置完全被动接收信标帧，不发射任何信号。研究在美国中西部一座城市多个季节进行数据采集，覆盖三个地点：Place A（5月与2月对比）、Place B（9月与2月对比）、Place C（10月1日至11月14日落叶高峰期每周采集）。数据采集模拟城市车辆自然行驶模式，车速保持约20–30英里/小时，每次运行约5–10分钟。研究共采集339,610个RSSI样本，来自超过3,840个唯一接入点；经数据处理后保留约130,033个有效样本和1,972个唯一接入点。数据集和感知装置将开源发布，并进行了位置、BSSID和SSID的哈希匿名化处理。
三、关键技术方法
研究人员采用了以下关键技术方法：（1）多信道并行被动监听：利用多台树莓派配合外部USB Wi-Fi适配器，在监控模式下分别监听11个Wi-Fi信道（2.4 GHz和5 GHz频段）的信标帧，通过MQTT协议实现节点间时间同步，RSSI从radiotap头部读取；（2）多步数据清洗与滤波流程：首先筛选样本数大于30的接入点以确保符合对数正态阴影模型，其次利用DBSCAN聚类算法按时间维度对每个BSSID的样本聚类，保留最高均值簇以去除重复经过街道两侧造成的冗余数据，最后采用改进的移动平均滤波，仅保留每秒RSSI变化≥1 dB的运动状态数据，去除车辆静止时的样本；（3）机器学习分类：采用决策树和随机森林分类器，以RSSI值、每个BSSID的均值RSSI和每个信道的均值RSSI为特征，对“有叶”和“无叶”状态进行二分类，以Dummy Classifier作为随机基线对照；（4）信道覆盖分析与装置优化：计算各信道在采集时间内至少有一个样本的时间百分比，评估信道覆盖率，确定最优双信道组合。
四、研究结果
5.1 基于RSSI的叶片状态分类。 在Place A（5月与2月对比）、Place B（9月与2月对比）和Place C（10月1日与11月14日对比）三个地点，随机森林和决策树分类器在2.4 GHz和5 GHz频段上的分类准确率范围为81%至94%。在叶片状态不变的控制实验中（Place C的10月1日与10月8日对比，Place B的2月两周对比），分类准确率接近随机水平（约56%），证明分类器响应的是叶片状态而非偶然变化。Place B的2.4 GHz频段因数据量有限导致准确率较低（82%），但仍远高于控制实验。Place C的5 GHz频段准确率较低可能因11月14日仍有部分树叶残留。此外，同一BSSID在2月（无叶）的RSSI值普遍高于9月（有叶），表明树叶的存在对信号产生可测量的衰减。
5.2 感知装置优化。 在Place C的分析中，5 GHz频段信道的覆盖率普遍高于2.4 GHz频段，其中信道36和信道149的覆盖率最高，两信道组合的覆盖率在所有周均超过90%。仅使用这两个信道进行分类，准确率可达81%至97%，部分情况下甚至超过使用全部11个信道的结果，原因在于低覆盖率信道可能对应无树区域，其数据会干扰均值RSSI特征。随树叶脱落，检测到的BSSID数量从10月1日到11月14日逐渐增加，进一步证实树叶对Wi-Fi信号的遮挡效应。信道36和149的均值RSSI从10月1日的?44.26 dBm升至11月14日的?41.15 dBm，清晰展示了叶片状态对信号强度的影响。
5.3 城市街区动态信道切换设计。 由于不同街区的最优信道不同，研究提出先使用完整感知装置进行全市数据采集以确定每个街区的两个最优信道，然后部署精简装置（单台树莓派配两个USB Wi-Fi适配器加GPS）进行日常或每周监测。实验表明，树莓派和USB Wi-Fi适配器在信道间切换所需时间不超过300毫秒，不会中断数据采集过程。
5.4 数据可靠性与接入点密度评估。 在Place C进行5次不同方向的数据采集运行（3次顺时针、2次逆时针），每次运行过滤后检测到的唯一BSSID数量为118至128个。从每次运行中随机选取100个BSSID重复100次计算均值RSSI，结果显示不同运行间的均值RSSI仅存在微小差异，表明结果对车辆路线的微小变化具有鲁棒性，单次运行即可获得具有代表性的街区均值RSSI。在约30分钟覆盖城市各区域（含市中心）的扩展数据采集中，每秒观测到的接入点数量显示，除两次过河桥梁路段外，城市大部分区域每秒至少有50个BSSID通过滤波，满足获得稳定街区签名所需的数量要求。
五、讨论与结论
讨论部分： 研究将叶片状态作为每次运行赋予的二元标签，而Place C的每周测量显示落叶的渐进过程在RSSI中有所反映，提示更细粒度的冠层状态标注可能进一步细化检测。研究尽量保持数据采集条件的一致性（选择无施工或基础设施变化的区域、保持相同车速和装置位置），控制实验表明天气、交通和停放车辆等日常变化因素的影响远小于树叶的影响。但将天气数据等因素显式纳入模型，可能提升LeafSense在更长监测间隔下的鲁棒性。研究局限包括：数据采集地点和运行次数有限，结果在不同城市和气候条件下的泛化性有待进一步验证；分类准确率基于每个BSSID内的样本级划分获得，对独立测量会话的评估需要更多数据采集。
结论部分翻译： 本文介绍了LeafSense，该系统利用Wi-Fi信号监测季节变化，特别是秋季树叶的脱落。LeafSense的核心思想在于树叶会对RSSI产生可测量的衰减，可作为叶片存在与否的指示器。LeafSense的概念通过跨季节采集的大量数据进行了评估。所提出的处理流程消除了数据冗余，研究人员证明在叶片存在性分类上可实现81%至94%的准确率。此外，仅感知两个5 GHz信道即可实现高准确率。在叶片状态不变的两周控制实验中，分类准确率接近随机水平，确认分类器响应的是叶片状态而非偶然变化。研究还发现结果对车辆路线的微小变化具有鲁棒性，城市各区域的接入点密度足以支撑可靠感知。未来工作包括：逐街区构建预测模型并考察可实现的粒度、评估落叶真空卡车调度物流的成本节约，以及将该方法推广至积雪积累、植被生长等其他街道环境的缓慢变化监测和Wi-Fi覆盖监测。
