《Agronomy》：A BeiDou-Based Intelligent Monitoring System and Multi-Level Trajectory Fusion Framework for Operational Area Estimation: A Case Study on Large-Scale Automated Transplanting
编辑推荐：
准确估算自动移栽机的有效作业面积对于评估机械生产率、提升田间管理效率以及支撑数字化农业应用至关重要。然而，基于低成本北斗轨迹的作业面积估算仍然面临挑战，因为原始轨迹通常受到定位不确定性、轨迹不连续以及非生产性机械移动（包括地头转弯、道路运输、空驶转移和秧苗装载
准确估算自动移栽机的有效作业面积对于评估机械生产率、提升田间管理效率以及支撑数字化农业应用至关重要。然而，基于低成本北斗轨迹的作业面积估算仍然面临挑战，因为原始轨迹通常受到定位不确定性、轨迹不连续以及非生产性机械移动（包括地头转弯、道路运输、空驶转移和秧苗装载/卸载作业）的影响。直接使用所有记录的轨迹可能会引入相当大的面积高估，而过度的轨迹过滤则可能移除有效的生产性作业轨迹。本研究提出了一种状态感知的分层轨迹融合框架，并耦合一个低成本的基于北斗的监控系统，用于自动移栽机的作业状态自动识别和作业面积估算。与主要关注几何平滑或空间聚类的传统轨迹处理方法不同，所提出的框架联合考虑定位可靠性、运动一致性、时空连续性和作业语义，从嘈杂的GNSS观测值中提取生产性移栽轨迹。研究收集了中国新疆地区自动移栽机作业的三个田间数据集，包含超过49,000个轨迹点（预处理后约30,000个有效记录）。所提出的框架集成了自适应轨迹过滤、运动一致性筛选、时空连续性优化和作业状态识别，以分类五种作业状态，包括田间移栽、地头转弯、空驶转移、道路行驶和秧苗装载/卸载。在识别出生产性移栽轨迹后，应用坐标转换将保留的轨迹转换到局部坐标系，并使用通过重叠和行距校正从标称宽度1.4 m获得的1.2 m有效作业宽度进行作业面积估算。估算的作业面积与RTK衍生的参考测量值进行了验证。在三个数据集中，所提出的框架实现了0.94至0.95的F1分数、94.2–96.5%的轨迹连续性率以及高于99.5%的有效轨迹长度保留率。估算的作业面积偏差限制在0.9–1.5%，而使用原始轨迹直接计算获得的偏差为12.8–18.4%。这些结果表明，整合运动一致性、时空连续性和作业状态识别可以有效减少由非生产性轨迹引起的作业面积高估。所提出的框架为农机作业监控和作业面积估算提供了一种低成本且可解释的方法。尽管低成本GNSS定位本身无法满足厘米级自主导航要求，但所提出的方法为未来与多传感器感知、边缘智能处理和数字农业管理系统的集成提供了实践基础。
**基于北斗的智能监控与多层级轨迹融合框架的作业面积估算研究解读**
**1. 研究背景与问题**
精准农业的快速发展使得农机作业的定量监测变得日益重要，其中有效作业面积是评估机械利用率、田间覆盖效率和作业服务绩效的关键参数。对于大型自动化移栽机而言，由于作业过程中频繁的状态转换，准确估算其生产性作业面积尤为关键。全球导航卫星系统（GNSS）因其连续空间信息获取能力和较低部署成本，已成为农机作业分析最广泛采用的手段之一。然而，现有基于GNSS的作业面积估算方法通常隐含假设记录的轨迹准确代表了生产性农业作业，这一假设在大型自动移栽机应用中往往不成立。低成本北斗定位系统虽具有经济优势，但其轨迹不可避免地受到多径效应、卫星可见性变化、电磁干扰和通信中断等多源定位不确定性的影响，同时农机作业中的加减速、地头转弯、临时停车和运输移动引入了运动不确定性，加之不同作业状态可能在相似空间环境中出现并表现出部分重叠的速度和航向特征，形成了作业语义不确定性。若直接使用全部记录轨迹进行面积计算，非生产性移动将导致系统性高估（本研究中三组田间数据直接累计原始轨迹产生12.8%–18.4%的面积偏差）；反之，过度过滤轨迹又可能剔除有效生产路径，降低估算精度。因此，需要一种轻量级、可解释且具备状态感知能力的框架，同时考虑定位不确定性、运动一致性、时空连续性和作业特征，以实现基于低成本北斗轨迹的可靠作业面积估算。
**2. 研究内容与意义**
针对上述挑战，研究人员提出了一种状态感知的分层轨迹融合框架，用于自动移栽机监测。该框架并非独立轨迹处理算法的简单组合，而是集成多层级轨迹信息，将嘈杂的GNSS观测值转化为可靠的生产性作业轨迹。框架包括自适应轨迹过滤（用于定位不确定性降低）、运动一致性分析（用于异常轨迹识别）、时空连续性优化（用于轨迹重建）以及作业状态识别（用于区分生产性与非生产性移动）。研究利用三组田间数据集和RTK参考测量进行了全面评估，涵盖轨迹保留分析、作业面积偏差评估以及不同轨迹噪声和作业场景下的作业状态识别性能比较。结果表明，所提出的框架能够有效减少由非生产性轨迹引起的作业面积高估，为农机作业监测和作业面积估算提供了一种低成本且可解释的实用方法，也为未来与多传感器感知、边缘智能处理和数字农业管理系统的集成奠定了基础。
**3. 关键技术与方法**
研究人员开发了基于低成本北斗的机载监控终端，集成GNSS定位、嵌入式处理、无线通信和电源模块，连续采集位置、速度、航向角和时间戳信息，通过LTE Cat.1通信以5秒间隔上传至远程服务器。研究数据来自中国新疆的大型自动移栽机作业，包含三组田间数据集（Dataset 1为常规作业，Dataset 2为复杂轨迹，Dataset 3为不同田间场景），预处理后有效记录分别为10,750、9,685和9,556条。RTK参考系统采用CHCNAV i93接收机，采样频率10 Hz，通过时间戳匹配与北斗轨迹同步，用于评估轨迹保留率、面积偏差和空间可靠性。主要方法包括自适应卡尔曼滤波、VH-RANSAC运动一致性分析、T-L-DBSCAN-E时空连续性优化和σ-K-means作业状态识别，坐标转换后以有效作业宽度1.2 m（由1.4 m标称宽度经重叠和行距校正获得）进行面积估算。
**4. 研究结果**
**4.1 轨迹质量改进**
原始北斗轨迹包含大量非生产性和不可靠信息，如定位漂移、静止周期、冗余观测和信号干扰引起的轨迹偏差。经过自适应轨迹处理后，部分冗余轨迹成分被移除，主要作业模式得以保留。相比之下，完整的状态感知轨迹融合框架（Algorithm C）生成了更连续且物理一致的作业轨迹，提取的轨迹表现出更好的空间规律性，更接近实际移栽路径，有效保留了生产性移栽轨迹同时减少了非生产性成分。
**4.2 轨迹处理算法定量比较**
原始轨迹方法直接使用全部有效北斗观测值，以1.4 m标称幅宽进行缓冲并合并为单一多边形，产生12.8%–18.4%的面积偏差，因其无法区分生产性移栽与非作业行为。Algorithm A通过自适应卡尔曼滤波和速度聚类改善了轨迹质量，但保留了部分异常点和不完整作业段。Algorithm B通过VH-RANSAC引入速度-航向一致性分析，进一步提升了连续性并降低了面积偏差。Algorithm C整合全部模块后，三组数据集的平均面积偏差从原始基线的15.6%降至1.2%，平均有效轨迹长度保留率达99.7%，平均F1分数为0.95。Algorithm C的平均处理时间保持在一秒以内，表明其适用于农业作业监测应用。
**4.3 消融研究**
通过逐步移除各模块进行的消融实验显示，移除卡尔曼滤波导致连续性下降，因为短期GNSS波动在后续处理中得以保留；移除VH-RANSAC增加了面积偏差，因定位漂移和航向突变未被有效消除；移除T-L-DBSCAN-E造成最大连续性降低（从95.5%降至82.7%），表明时空约束在频繁转弯和启停条件下保持完整作业段的重要作用；移除σ-K-means导致F1分数最大降幅，说明几何连续性无法完全区分相似空间特征下的不同运动。实验结果证实各模块对可靠作业轨迹提取均具有互补贡献。
**4.4 多场景实地验证**
三组数据集分别代表不同作业条件：Dataset 1为相对规则的移栽作业，Dataset 2包含更复杂的轨迹扰动和混合作业行为，Dataset 3代表另一田间条件。Algorithm C在所有数据集中均保持稳定的轨迹提取、作业状态识别和面积估算性能，有效轨迹长度保留率高于99.5%，F1分数为0.94至0.95，作业面积偏差维持在0.9%至1.5%之间。Dataset 2虽最具挑战性，但Algorithm C仍保持了94.2%的连续率和0.94的F1分数，表明其在复杂轨迹条件下的鲁棒性。
**4.5 统计分析与实验单元**
实验单元定义为从田间作业记录中提取的独立轨迹段，而非单个GNSS历元，以避免连续历元间的自相关性导致有效样本量膨胀。所有性能指标在轨迹段层面计算并聚合，三组独立场景中Algorithm C的平均面积偏差为1.2±0.3%，F1分数为0.95±0.01，轨迹连续率为95.5±1.2%，有效轨迹长度保留率为99.7±0.2%，原始基线面积偏差为15.6±2.8%，连续率为61.7±3.5%（标准差基于三个独立场景计算），改进方向和幅度在三组数据中一致。
**5. 总结讨论与结论**
讨论部分指出，自动移栽机的轨迹数据具有低速、重复平行作业、频繁转弯转换、临时停机和混合生产/非生产行为等复杂特征，使得作业面积估算的主要挑战不仅是轨迹定位精度，还包括判断各轨迹段是否对应生产性农业作业。所提出的框架通过整合定位可靠性、运动一致性、时空连续性和作业语义四个互补方面，将轨迹过滤和作业状态识别作为统一过程，渐进地将噪声GNSS观测转换为物理上有意义的作业轨迹。与传统仅依赖几何测量的方法相比，该框架引入了状态感知能力；与仅做轨迹平滑或速度聚类的方法相比，其在相似运动特征下具有更强的区分能力。从工程角度看，该框架面向作业监测、面积估算和数字农业管理，而非提供ISO 18497规定的安全相关功能或替代自主导航所需的高精度定位系统。
研究结论为：针对定位不确定性、异常轨迹偏差、频繁作业状态转换和混合生产/非生产移动带来的挑战，研究人员开发了状态感知的分层轨迹融合框架，集成自适应卡尔曼滤波、基于速度-航向一致性的异常检测、时空连续性优化和作业状态识别，将原始北斗观测值转化为物理一致的生产性移栽轨迹。三组田间数据集验证表明，Algorithm C实现了平均99.7%的有效轨迹长度保留率、0.95的F1分数、95.5%的轨迹连续率和1.2%的作业面积偏差，相比直接从原始轨迹计算显著减少了由转弯、运输和静止期间引起的面积高估。消融实验进一步表明各模块对整体性能的贡献不同，时空连续性优化在保留完整作业段方面发挥重要作用，而作业状态识别则提高了对生产性移栽轨迹与典型非生产性机械移动的区分能力。尽管当前研究聚焦于自动移栽作业和低成本北斗轨迹监测，所提出的框架为更广泛的农机监测应用提供了潜在方法论基础，但低成本GNSS定位本身无法满足自主导航和安全关键机器控制的高精度要求，未来应研究自适应参数优化、多传感器融合、边缘实时处理以及不同机械平台和农业环境下的验证。
