COSMIC-SWAMP：用于处理宇宙射线土壤湿度传感器的物联网技术

《IEEE Access》：COSMIC-SWAMP: IoT Processing of Cosmic-Ray Soil Moisture Sensors

　　摘要：宇宙射线中子感应（CRNS）作为一种无创、适用于大范围土壤湿度监测的技术已经崭露头角，相较于传统的点式传感器具有明显优势。然而，CRNS数据在实际智能灌溉系统中的应用仍面临挑战，主要是因为缺乏能够自动接收、校准、融合和分析CRNS测量数据的物联网（IoT）平台和框架。本文通过介绍COSMIC-SWAMP这一专为智能灌溉环境设计的IoT平台和分析框架，解决了这一问题。该框架整合了多种传感器技术和通信基础设施，实现了数据的自动化采集、环境校正、校准、时空数据融合以及在灌溉管理区域层面的预测分析功能。一个结合了LoRaWAN连接的CRNS传感器原型与商业参考系统的实际应用案例被用作概念验证，证明了该框架在操作条件下的可行性和灵活性。评估结果表明，COSMIC-SWAMP能够整合异构的土壤湿度数据流，生成一致的水分含量估计值，并支持用于灌溉决策支持的自动化分析流程。虽然本研究主要集中在系统和框架层面的验证上，而非对传感器技术进行全面的计量评估，但结果突显了COSMIC-SWAMP在将CRNS数据集成到基于IoT的智能灌溉系统中的巨大潜力。文章还讨论了未来测量活动的限制及进一步验证的方向。

第一部分：引言
在干旱和热带地区，持续监测土壤湿度是一个重要挑战。基于数据驱动的 effective irrigation decision-making 需要在大范围内进行具有代表性的土壤湿度测量 [1],[2],[3]。历史上，土壤湿度是通过直接插入土壤中的侵入式多深度传感器探针来测量的。依赖地面传感器（例如时域反射仪探针或电容式传感器）在实地收集可靠数据存在一定难度 [4]。单个传感器通常只能提供点测量结果，无法准确反映田间尺度上的土壤动态变化 [5]。尽管卫星产品为此问题提供了解决方案，但免费提供的产品往往时间分辨率较低，无法满足精确灌溉管理的需求 [6]。虽然可以购买更高分辨率的数据产品，但其每公顷成本可能远高于地面传感器阵列。此外，亚公里级别的卫星产品通常仍需要大量的地面传感器网络或广泛的地面校准工作来建立土壤湿度经验模型 [7]。这些经验模型的建立需要针对特定地点的先验知识，以避免较高的日土壤湿度不确定性。一些智能农业系统已考虑使用物联网（IoT）设备进行无线数据传输，从而简化了部署和实地数据采集。然而，来自小规模点式传感器阵列的可靠土壤湿度时间序列数据的缺乏可能会影响现代深度学习架构中数据驱动的水分需求估算模型的准确性。宇宙射线为在大范围内测量土壤湿度提供了一种独特的解决方案，未来有望支持有效的灌溉管理。宇宙射线中子感应（CRNS）[8] 方法利用来自土壤的中子来无创估算土壤体积含水量（VWC），即水分体积与土壤体积的比率，这是衡量土壤湿度的一种常用指标 [9]。当高能宇宙射线中子从高层大气到达地面时 [10]，它们要么被反射，要么产生次级中子。由于氢原子对中子的减速作用，中子在遇到水时会被减速和吸收。因此，地面中子传感器观测到的总中子率与传感器附近区域的土壤湿度呈负相关 [12]。由于中子在空气中的传播路径较长，此类传感器的有效覆盖范围在径向上可达到120至275米 [13]。目前全球有多个CRNS监测网络正在运行，例如COSMOS [15]、CosmOz Australia [16] 和 COSMOS-UK [17]，它们主要使用基于氦-3/BF3的探测系统。迄今为止，CRNS网络主要用于水文监测研究。不过，近期的一些研究开始探索将其应用于农业用水监测和优化 [18],[19],[20],[21]。除了了解该技术的基本局限外，实现这一目标的另一个挑战是将宇宙射线传感器数据直接整合到灌溉系统中。在农业应用中，农民通常需要手动从现场传感器获取原始数据并离线处理，或者从FTP服务器下载数据。这需要额外的处理步骤来校正局部条件并在一天内对数据进行平均，才能用于评估土壤湿度。虽然某些CRNS提供商支持通过专用服务器进行数据采集，但这些解决方案中的处理步骤通常是封闭的。目前还没有开源解决方案能够实现数据驱动的灌溉研究，自动校准和校正宇宙射线传感器数据，并以即插即用的方式将其集成到大面积农业传感器网络中。与电容式传感器类似，预计在部署后仍需进行手动校准测量，以确保宇宙射线中子传感器的精度达到准确作物建模所需的水平，因此需要进一步开发社区工具来支持初学用户的自动化校准，以便这些技术能够得到广泛应用。本文描述了COSMIC-SWAMP这一物联网平台的开发过程，该平台基于先前开发的智能水资源管理平台（SWAMP）[22]，并采用了传统的地面电容式传感器。通过实现宇宙射线中子探针在农业环境中的无缝部署以及自动化校准和水分提取功能，COSMIC-SWAMP为灌溉系统提供了即插即用的解决方案。测量和仿真结果证明了COSMIC-SWAMP在基于CRNS的智能灌溉中的有效性。本研究重点关注此类系统的架构以及将宇宙射线传感器系统可靠集成到大面积监测网络所需的组件。

尽管人们对宇宙射线中子感应（CRNS）用于大范围土壤湿度监测的兴趣日益增加，但将其实际集成到基于IoT的智能灌溉系统中仍是一个未解决的问题。现有研究主要集中在传感原理、校准或离线数据分析上，而用于智能灌溉的IoT平台通常依赖于传统的点式传感器或遥感产品，不原生支持CRNS数据流。这一差距阻碍了CRNS测量数据在真实农业环境中的可扩展、自动化和长期使用。本文解决的问题是如何在支持自动化数据采集、校准、融合和分析的IoT平台上实现基于CRNS的土壤湿度测量，使其能够在实际应用条件下来用于灌溉决策支持系统。本文的主要贡献包括：
1. 设计并实现了COSMIC-SWAMP，这是一个开放且可扩展的IoT平台，能够实现宇宙射线中子感应（CRNS）数据在智能灌溉系统中的集成。
2. 提出了一套模块化的IoT分析流程，支持自动数据采集、环境校正、校准、空间融合以及在灌溉管理区域层面的土壤湿度预测。
3. 通过结合异构CRNS设备和通信基础设施的实际应用案例进行了系统级验证，证明了该框架在实际条件下的可行性、互操作性和自动化运行能力。
4. 提出了定性和定量评估框架，强调了在基于IoT的灌溉决策支持中使用CRNS数据的优势、局限性和挑战。

农民和最终用户可以从CRNS土壤湿度测量技术以及COSMIC-SWAMP平台中受益，因为两者都有潜力显著提升智能灌溉的水平。作为一种大范围的無创技术，CRNS有可能取代传统的点式测量方法。点式地面传感器需要安装在复杂的网络中，以提供能反映不同管理区域空间土壤变异性的代表性土壤湿度值。传感器需要根据作物种类定期安装和拆除。另一方面，卫星或无人机的大规模遥感技术缺乏足够的时间和空间分辨率来满足农业管理区域的需求，并且仅能测量表层土壤。虽然CRNS技术克服了这些限制，但像COSMIC-SWAMP这样的技术创新对于促进技术的可靠性和普及至关重要。

本文的剩余部分安排如下：第二部分回顾相关研究；第三部分详细介绍了COSMIC-SWAMP平台所基于的原始SWAMP平台；第四部分进一步阐述了宇宙射线感应技术及水分含量提取过程；第五部分描述了COSMIC-SWAMP平台的整体结构；第七部分展示了首次COSMIC-SWAMP试点研究的结果及仿真结果；最后，第八部分探讨了COSMIC-SWAMP的潜在影响及未来研究方向。

第二部分：相关工作
近年来，开发用于各种应用的IoT平台的兴趣日益增加，包括农业领域，但这些平台大多不涉及CRNS技术的应用。这些平台具有不同的互操作性和性能特点 [23]。由于基于IoT的智慧农业具有分布式特性，需要处理从传感器到云端的地理和计算连续体，涉及多个雾计算和边缘计算节点 [24],[25]。Benyezza等人 [26] 开发了一个通用的IoT平台，用于处理空气温度、湿度和土壤湿度等常规数据，并在实验室环境中进行了测试。Comegna等人 [27] 提出了一种用于土壤湿度的IoT系统，重点关注多参数传感器及其与土壤湿度、土壤含水量、基质势和水力传导性的关系。Salam [28] 介绍了用于土壤湿度测量和无线电通信评估的IoT平台的几个特点，强调了CRNS数据可以提供补充测量结果的可能性。Qian等人 [29] 调查了各种平台和土壤湿度测量的智能灌溉系统。Morchid等人 [30] 基于ThingsBoard IoT平台开发了一个智能灌溉应用，重点介绍了用户相关的功能，如可视化和通知。Srinivasu等人 [31] 研究了可解释人工智能（XAI）在智能农业中的应用，并比较了推荐适合特定农场的作物的不同技术，但他们并未专注于灌溉系统或开发IoT平台。

最近的研究还探讨了新兴土壤湿度传感技术在农业中的整合和互补性。Gaspar等人 [32]研究了在西班牙使用近距伽马射线传感器和宇宙射线中子传感器相结合来表征农业田间的土壤湿度动态，展示了多传感器方法在提高空间和时间土壤湿度表征方面的优势。同时，也有研究基于远程和近距传感技术探索了改进田间土壤湿度地图的方法，Díaz-Delgado等人 [33] 分析了无人机（UAV）在土壤湿度制图中的应用，指出了空间分辨率、校准和数据整合方面的挑战。更广泛地说，最近的调查强调了土壤湿度监测方法的多样性，包括地面传感器、近距和远程传感技术以及基于人工智能的数据处理。Gautam等人 [34] 总结了土壤湿度评估方法的进展，指出有效的农业决策支持越来越依赖于异构传感数据和分析框架的集成，而不仅仅是单一传感技术。

由于CRNS技术相对较新，目前尚无研究集中于将其集成到网络中，也没有开源解决方案可用于直接实现这种集成。迄今为止，大多数基于农业的研究都集中在利用宇宙射线中子传感器（CRNS）进行灌溉调度的可行性上，显示出强大的潜力，但并未必然关注该技术在其农业领域内实现可持续、长期应用所需的整合挑战。Heistermann等人[35]提供了一个覆盖德国北部三年（2019年至2022年）测量数据的密集CRNS网络数据集，这些数据来自不同供应商的各种CRNS传感器。作者强调，他们希望这个数据集能帮助科学界进行进一步的研究。Zhang等人[36]报告了一项实验，旨在评估CRNS在中国北部山区测量土壤湿度的适用性，结论是CRNS可以准确测量岩石地区尤其是低生物量的干燥环境中的土壤湿度。对于极端条件和有机土壤，可能还有一些未解决的问题，不过Wang等人[37]在霜冻期间发现了偏差。Emamalizadeh等人[38]比较了意大利北部四个地点的遥感和CRNS在测量土壤湿度方面的性能，结论是CRNS显著优于基于卫星的方法。Morris等人[39]表明，相对于玉米-大豆试验点的长期历史中子探针数据，对中子信号的植被生物量进行相对简单的校正是非常有效的。Zhang等人[40]开发了一种方法，使用宇宙射线中子探测器在青藏高原测量土壤湿度，并通过集成到控制模块中的数据记录器收集传感器数据。Mazzoleni等人[41]展示了CRNS能够检测到由于葡萄藤下灌溉系统导致的25厘米深度内的土壤湿度变化。Al-Mashharawi等人[42]探讨了CRNS在橄榄和樱桃果园试点地点追踪水分含量的潜力，结果显示在考虑蒸气压亏缺变化时表现良好。

[21]中的工作首次探索了通过中子传输模拟进行灌溉管理的概念，发现统计噪声是一个主要限制因素。然而，该研究表明CRNS在干旱地区和需要大量灌溉的较大场所仍有改进潜力。Broggi等人[18]通过中子传输模拟表明，尽管CRNS对灌溉敏感，但当应用于较小面积（0.5-8公顷）时，周围区域的土壤湿度变化也会影响信号。后续的[19]中的现场试验表明，如果能在邻近地点获得额外的土壤湿度测量数据，CRNS可以准确检测到灌溉引起的土壤湿度变化。然而，为了使这种技术有效，需要额外的工具来自动校正灌溉区域形状和范围的不同。这突显了基于不同灌溉区域构建对贡献信号的有力理解的重要性，以及有效整合跨农业边界分布的多个传感器的重要性。

Cirillo等人在类似地区的研究中，考察了农场作业对CRNS监测的大面积场地的影响，发现由于耕作导致的土壤体积密度变化会改变CRNS与场地条件之间的相关性。这表明需要能够可靠地将农场作业的预期变化映射到场地观测结果的系统，以产生可靠的数据。

尽管文献中报告了显著进展，但现有工作通常只解决了整体问题的孤立方面。关于CRNS的研究主要集中在感应原理、校准和土壤湿度估值的验证上，往往依赖于离线数据收集或独立的数据记录器，而对物联网（IoT）平台、自动化数据管道或长期运营整合的讨论较少。相反，文献中报道的IoT平台和智能灌溉系统通常依赖于基于点的土壤湿度传感器或遥感产品，并不原生支持CRNS数据产品或其特定的校正和校准要求。如表1所总结的，这些研究方向倾向于孤立地处理感应、数据管理和决策支持，而未充分解决将CRNS数据用于自动化灌溉管理的集成挑战。

[表1] 对与土壤湿度感应、智能灌溉的IoT平台以及COSMIC-SWAMP相关的代表性方法的定性比较。

相比之下，COSMIC-SWAMP将这些以前分开的研究方向整合到一个端到端的IoT分析平台中，结合了自动化的CRNS数据摄取和校准、异构通信支持、空间和时间数据融合到管理区指标中，以及基于预测的决策支持。这种定位突出了该平台的贡献不仅在于作为一种新的感应技术，而在于作为一个操作框架，使得CRNS在智能灌溉系统中的可持续和可扩展使用成为可能。

第三节 智能水资源管理平台（SWAMP）

最初的智能水资源管理平台[22]（SWAMP）旨在通过开发一个强大的IoT农业监控基础设施来支持智能灌溉，该基础设施能够与各种环境传感器接口。SWAMP结合了田间传感器阵列（如土壤探针和灌溉监测器）和机器学习算法来执行数据驱动的灌溉调度[44]。SWAMP基于FIWARE开源标准构建，用于智能应用，该标准提供了一个强大的上下文代理（Orion）来在MongoDB和时序数据库（QuantumLeap与CrateDB结合使用）中存储数据。SWAMP的主要优势在于其支持大型和多样化传感器网络的灵活性，以及基于标准化NGSI上下文接口的模块化处理算法。这使得它可以轻松扩展以支持新的数据处理程序或预测方法，同时允许将来用其他实现替换现有组件。

SWAMP模型侧重于提供一个用于交换灌溉调度信息的共同标准。通过将农业场地划分为多个独立的灌溉管理区，SWAMP旨在持续监测每个区域内的水分需求，从而在比手动方法更精细的尺度上优化总的水分应用。SWAMP开发了自己的多深度多参数电容传感器探针，用于现场点测量[45]。

原始SWAMP平台的主要限制在于它明确地为监测每个管理区的现场电容探针阵列进行了优化。由于这些探针主要用于每个区域内的点测量，它们可能无法捕捉较大尺度上的土壤湿度变化。因此，需要大量的探针网络来监测一系列管理区。地下土壤感测系统还存在一个根本限制，即在进行大规模农业作业时必须将其移除并重新安装。由于SWAMP依赖于手动将传感器与管理区关联，传感器物理上放置在这些区域内，这就要求农民在农场内移动资产时更新传感器与各个区域之间的映射关系。为了使灌溉监测平台能够轻松扩展到大型农场场地并在多个生长周期内实际使用，它需要有效地捕获土壤水分中子，以便它们更有可能在离开土壤前被吸收，同时考虑到农业环境中可能出现的噪声/零星数据。

在接下来的两个部分中，我们将回顾我们提出的解决方案，以满足这一需求。

第四节 宇宙射线中子感应

宇宙射线中子感应技术提供了一种非侵入式测量大面积土壤湿度的新方法。放置在地面上的中子探测器对当地水分含量的变化敏感，这种变化由土壤中氢含量的增加引起，从而影响中子的传播。因此，中子在离开土壤前更有可能被吸收。中子率与体积含水量（VWC）之间的相关性在1.0 eV到0.1 MeV的表层能量范围内最强[46]。宇宙射线中子探测器还对当地环境条件（压力、绝对湿度、土壤组成）和入射初级宇宙射线通量的变化敏感。前者通常来自共部署的天气站和土壤校准活动，而后者则需要来自在线来源的信息，这将在后续部分详细讨论。因此，需要在线处理算法来完全关联观测到的中子计数率和VWC[13]。

几种宇宙射线监测阵列常用的方法涉及计算观测到的中子计数相对于校正背景环境变化后的估计最大“干燥中子计数率”的下降比例。给定来自传感器的中子计数率，VWC通常通过以下公式估算：
\[ \theta _{\mathrm {VWC}} = \left ({{ \frac {a_{1}}{f_{p} f_{c} \left ({{N/N_{0}}}\right) - a_{2}} - a_{3} }}\right) \rho _{d} + \phi _{s'} \tag {1}\]
其中N0是干燥土壤的预期计数率，fp和fc分别是针对当地环境变化和入射宇宙射线强度的校正因子，ρd是干燥土壤的体积密度，?s′代表由于土壤晶格水分和土壤有机碳造成的额外常数贡献[9]。ai项是表示计数率与水分含量之间相关性的经验因子，通常取值为(a1,a2,a3)=(0.0869,0.3720,0.1236)。fp通常来自与宇宙射线站共部署的天气站的环境数据。fc通常来自全球分布的高能宇宙射线监测器网络的数据[47]，这些监测器监测入射宇宙射线强度的高能部分，以估计在局部环境条件修改之前的通量。这种最终校正的影响约为几个百分点，考虑到精细灌溉监测和调度所需的敏感性，这是非常重要的。

虽然几个全球CRNS网络使用这种方法将原始中子计数转换为土壤湿度，但最近使用详细的中子传输模拟对田间站点的中子行为进行重新评估后发现，另一种通用的传输方程可以提供更可靠的土壤湿度估计，该方程更准确地考虑了中子在潮湿空气中的扩散[48]。尽管在宇宙射线感应方面取得了这一进展，但由于实施的便利性，大多数现有用户仍然依赖简单的校正函数，如方程(1)所示。最近开发了几种工具来支持新校正技术的采用。

然而，这些工具仍然需要在数据收集活动后手动处理基于文本文件的CRNS输出，例如crspy [49]和CoRNy.2。虽然像原始COSMOS [15]这样的旧网络展示了在通过蜂窝或卫星连接传输原始计数时实时处理数据的能力，但很少有展示与其他IoT设备进行稳健、灵活集成的例子，以支持农业决策制定。ADAPTER项目是最近的一次尝试，它展示了使用NB-IoT自动将数据传输到中央服务器，为农民提供每日站点摘要[50]。显然，为了实现精确灌溉所需的精度，自动化校准程序是必要的，以考虑当地环境条件并校正来自中子监测数据库的全球宇宙射线强度。到目前为止，还没有一个开源框架不需要农民持续、广泛的手动干预，就能直接将CRNS系统的土壤湿度产品与灌溉系统和作物建模工具链接起来。

在下一节中，我们将讨论开发一套可扩展的FIWARE物联网软件模块的努力，以应对这一挑战，并支持在农业管理背景下更广泛地使用IoT处理宇宙射线数据。

第五节 方法论：Cosmic-Swamp概念

COSMIC-SWAMP在从原始SWAMP平台中学到的经验基础上发展出了一个新的传感器平台，能够支持更广泛的土壤传感器并适应变化的场地条件。这一目标是通过采用地理空间参考管理方法实现的，其中将场地划分为管理区。该平台将所有与某个区域相关的信息（如传感器数据和农艺计划）动态链接到位置属性上。其他网络中的传统现场土壤湿度测量方法[45]依赖于固定位置的探针，通常将土壤湿度监测数据与手动安装在传感器位置的灌溉平台相关联。相反，本研究中考虑的地理空间参考方法基于位置实现了动态关联，使得灌溉程序能够在特定时间点查询靠近移动灌溉臂的传感器，以确定当地土壤湿度状况。这种方法构建了一个灵活的框架，可以自动响应物理传感系统的变化，例如农民在收获期间重新定位传感器，而无需农民在服务器管理端进行大量的手动干预。农民只需上传传感器的位置并提供他们的种植计划地图即可。此外，进一步的模拟工具使平台能够确定针对特定管理区域收集信息的最适当方式。COSMIC-SWAMP平台的整体结构如图1所示，它将平台划分为四个关键子平台，每个子平台都被设计为独立运行的单元。每个子平台根据处理程序的不同而分开，并在每个阶段保存相应的信息。这些平台包括：

1. **物联网平台（IoT Platform）**：负责从现场设备和外部数据提供商处接收数据，并将控制信息传输回田间设备。
2. **信息平台（Information Platform）**：致力于将高级数据变量标准化到COSMIC-SWAMP数据模型中（例如，将原始传感器读数转换为体积含水量）。
3. **融合与预测平台（Fusion and Forecasting Platform）**：处理管理区域的水分含量平均计算，并预测未来土壤湿度，以便用于灌溉管理。
4. **模拟平台（Simulation Platform）**：基于模拟或历史数据，处理整个生长周期内传感器级别的平台行为预测。

图1展示了COSMIC-SWAMP平台的概览。到达物联网平台的原始传感器数据会被解析并发送到信息平台，在那里数据会被标准化为关键的土壤属性。标准化后的数据在融合平台中被用来估算每个生长管理区域的状态并预测未来的生长情况。最后，历史数据被用作模拟平台的输入，以预测传感器级别的未来站点行为。

除了原始SWAMP平台中用于上下文数据存储的核心FIWARE模块（Orion、CrateDB、QuantumLeap）外，每个COSMIC-SWAMP模块都提供了一个基于Python的REST接口，该接口使用FastAPI构建[51]，提供了自动化的文档记录和强大的输入格式检查功能。COSMIC-SWAMP平台以GPL开源许可证发布[3]，希望这将支持宇宙射线传感社区中更强大的处理工具生态系统，从而在未来直接帮助农民。

**A. 物联网平台（IoT Platform）**
COSMIC-SWAMP中的物联网平台定义了处理原始传感器数据所需的后端组件。该平台依赖核心FIWARE模块来存储当前（MongoDB）和历史（CrateDB）的上下文数据，Orion Context Broker作为平台内实体当前状态的通用管理系统。 agricultural site上的每个感兴趣的属性（从田地范围到作物状况和传感器位置）都在Orion中表示为一个符合NGSI-2标准的实体，从而能够监控站点的当前状态。此外，Orion内置的服务路径功能在COSMIC-SWAMP中被用来区分不同的农业站点（无论是真实的还是模拟的），允许单个平台部署覆盖广泛的田地站点和操作配置。

COSMIC-SWAMP使用LoRaWAN进行无线传感器数据传输，并采用MQTT作为物联网数据协议。LoRaWAN是一种在未授权的ISM频段运行的分布式传输技术，目前处于物联网智能应用的前沿，特别是在农业环境中，因为它允许农民建立自己的传感器网络，这些网络可以自动适应新设备的安装。由于它运行在用户自己的网络基础设施上，因此提供了高灵活性、适应性和效率。然而，提供足够的服务质量（QoS）保证是具有挑战性的，并且需要仔细考虑不同的权衡因素，如传感器密度、传感器到网关的距离以及扩频因子[52]。

MQTT提供了一种强大的消息传输协议，用于从多种传感器网络中收集数据。MQTT提供了三个服务质量级别，以确保可靠和稳健的通信，尤其是在物联网应用中[53]。通过定义消息传输规则，MQTT能够适应不同的网络条件和系统要求。QoS 0优先考虑传输速度和频率而非可靠性，适用于不需要确认传输结果的非关键数据发送者。QoS 1确保消息至少传递一次，处理网络问题但允许重复传输。QoS 2保证消息恰好传递一次，防止重复和数据丢失，非常适合关键应用。

COSMIC-SWAMP利用MQTT从田间设备检索传感器数据。对于来自不同提供商的传入MQTT传感器数据及其到Orion Context Broker的整合，没有标准化的解决方案。COSMIC-SWAMP提供了一个通用的物联网代理，可以通过简单的基于Python的解析模块轻松扩展以适应每种数据格式。这些模块将原始数据转换为下一代服务接口（NGSI）兼容的消息，准备发送到Orion。这种模块化的处理格式允许添加典型的消息格式解析库，而无需为每种类型部署单独的物联网代理，也不要求所有部署的传感器采用统一的消息格式标准。

连接到平台的气象站通常通过4G调制解调器直接将数据发布到COSMIC-SWAMP服务器。在考虑大规模部署土壤传感器阵列时，每个设备使用单独的4G调制解调器并不具备良好的扩展性。因此，历史上曾考虑过几种用于智能农场场部署的传输解决方案，其中LoRaWAN是一种低功耗无线协议，是常见的标准。由于其广泛的应用，LoRaWAN被认为是从分布式田间传感器传输数据的主要方法。有几种物联网管理服务可用于测试远程设备数据传输，例如The Things Network4或ChirpStack5。在COSMIC-SWAMP的情况下，The Things Network (TTN)是主要的服务提供商，本工作中的测试部署展示了使用集中式的4G支持网关将数据发送到TTN社区服务器的案例。这种方法的优点是，可以在全球已建区域利用TTN网络中的大量可用网关来测试COSMIC-SWAMP中的传感器。对于偏远农场场所的部署，可以安装和配置额外的网关以将数据传输到TTN，多个网关可能共同部署在农场上，以提供大面积覆盖或在单个网关故障时增加冗余。

还需要一个额外的COSMIC-MQTT桥接器，以便直接从传感器流和外部服务提供商获取数据。这个桥接器订阅用户提供的数据流列表，并将它们发布到一个本地MQTT主题中，使平台能够将来自许多不同MQTT来源的传感器数据整合到中央Orion上下文管理器中。对于使用外部服务提供商（如TTN）的传感器流，COSMIC-SWAMP可以自动订阅平台上所有传感器的MQTT主题，从而消除了需要配置每个设备将数据发送到特定服务器端点的需求。由于设备通常在LoRaWAN中周期性发送数据，如果服务器或网关发生间歇性故障，数据会在网关-服务器连接恢复后继续传输。然而，由于LoRaWAN消息的限制，在此故障期间传输的任何数据都会丢失。不过，这种结构确保了在服务器恢复后整个传感器网络能够恢复到传输状态。

图3展示了物联网平台，突出了从传感器到模拟平台的整个数据流。该平台还支持对所有相关数据流的原始数据进行历史监控，包括为COSMIC-SWAMP设计的CRNS探针和气象站的数据。它还示例了典型试点项目中的MQTT数据流整合。与其他现成的物联网代理不同，这些模块是根据Orion管理的附加实体进行配置和监控的，因此如果需要，可以轻松地在每个站点基础上添加不同的MQTT源。除了监控每个实体的当前上下文状态外，该平台还在每次更新后自动将每个时变实体的状态保存在CrateDB中，使用QuantumLeap作为通用支持机制。结合基于Grafana的监控系统，可以实现对所有相关数据流的原始信息的历史监控，以评估现场传感器的长期稳定性。

**B. 信息平台（Information Platform）**
在整合了原始传感器数据和其他上下文信息后，COSMIC-SWAMP平台会自动将其处理成NGSI格式。当传感器数据到达平台时，它可以触发特定于传感器的校准服务，利用这些数据生成了解作物生长所需的所有参数的最终估计值。对于气象站数据，这只是来自现场监控站的气象读数。田间土壤探针通常会将原始数据发送到服务器，然后进行二次校准以生成土壤湿度读数。

如图3所示，信息平台的目的是整合校准所需的可用数据源，并以标准化的方式输出结果。该平台的输出可以被视为“农民就绪”的数据，包括真实的物理站点变量（例如，土壤体积含水量及其相关的不确定性、降雨量、温度、压力和湿度）。与物联网平台类似，信息平台内的模块被设计为以标准化的方式相互接口，以支持未来校准程序的扩展。下面分别描述了信息平台中的物联网模块的角色：

- **COSMIC-SWAMP API**：原始SWAMP平台与COSMIC-SWAMP之间的关键区别在于，每个传感器读数都必须分配一个值和一个位置属性，这定义了该测量值在站点内的“有效性范围”。这个范围考虑到不同技术下的感测区域变化，通常电容探针的测量范围以厘米为单位，而中子探针的测量范围以几百米为单位。此外，还可以指定一个有效性权重参数，定义中子感测技术随距离增加的灵敏度下降。这一添加到校准过程中相对简单。不过，结合CrateDB和Orion的地理定位功能，它实现了高效的全站搜索和感兴趣测量值的平均。COSMIC-SWAMP API通过提供一个单一接口来促进这种数据查询方式，允许搜索当前和历史实体状态，同时也提供了基于空间测量进行查询的能力（例如，请求给定日期内特定地点的所有有效土壤湿度测量值）。作为FastAPI应用程序构建的COSMIC-SWAMP API还提供了通过可定制的Python脚本进行高级站点管理的访问接口。
- **COSMIC-SWAMP Web管理（Web Management）**：为了支持这种新的地理空间参考模型的过渡，提供了一个Web管理应用程序，作为直接修改给定站点内所有实体的通用实体编辑工具。此外，该应用程序还提供了基于Web的服务监控工具，直接与每个模块的文档和日志记录功能交互，以及基于叶状的地理空间分析工具，用于理解每个测量值的敏感范围如何与潜在的站点管理区域相交。
- **天气预报器（Weather Forecaster）**：除了来自气象站的现场天气数据外，还需要进一步的数据来基于天气预报预测未来的作物生长和水分需求。通过REST API可以使用几种商业数据源来实现这一目的。这些来源的一个挑战是，并非所有API都提供作物生长估计所需的精确信息。天气预报模块旨在收集这些可用的天气数据，并将其转换为常见的时间序列格式，其中包括当前和未来的可能天气信息，如潜在降雨量以及环境条件（压力、温度、湿度和入射辐射）。在数据有限的情况下，例如只有5天的预报时，会使用简单的线性插值方法来生成每小时预报，但这会导致较大的误差。这种方法使得信息平台之外的模块能够标准化地处理预报数据。

NMDB-Scheduler：为了将中子感应技术的测量不确定性控制在几个百分点以下，需要对入射宇宙射线强度的变化进行校正。通常使用瑞士Jungfraujoch中子监测站的数据来进行这种校正[54]。然而，一些现有的网络在对其进行校正时会考虑在线中子监测数据库中最近的活跃中子监测站[16]。中子监测数据库（NMDB）通过REST API提供近乎实时的宇宙射线强度变化查询服务。为了避免COSMIC-SWAMP中的每个设备都重复查询导致NMDB接口过载，NMDB-Scheduler会定期查询与网络相关的每个站点的数据，并将其作为NeutronDatabase上下文实体存储在COSMIC-SWAMP中。这一程序使得可以使用本地可用数据来进行数据校正。未来还支持将本地时间序列的宇宙射线强度测量直接添加到平台中（例如，通过利用宇宙射线μ子测量[55]。

土壤探针校准：对于像SWAMP中的电容式探针[45]、[56]，校准只是一个依赖于土壤的校正函数，它将原始的电容传感器读数（以毫伏为单位）与土壤湿度（体积含水量%V/V）相关联。这些功能通常是通过使用部署现场的土壤样本进行校准活动来获得的，以提供准确的估计。尽管电容式探针只输出一个灵敏度值，但其输出仍会被赋予GPSI校准后的位置属性。重要的是，土壤探针校准服务提供了正向和反向校准功能，不仅可以根据探针的原始模数转换器（ADC）值估算土壤湿度，还可以根据模拟数据中的已知真实土壤湿度估算原始ADC值。

CRSPY服务器：在估算体积含水量之前，宇宙射线中子探针需要经过多个校正步骤以消除局部环境条件变化的影响（见第IV节）。COSMIC-SWAMP中的CRSPY服务器模块利用了社区的努力，开发了一种标准化的校正程序，该程序接收相关环境数据、原始中子计数率信息以及某个地点的干燥土壤中子计数估计值，并返回带有误差的校正后的体积含水量估计[49]。默认情况下，CRSPY服务器模块使用Bogena等人描述的标准校正方法[57]。重要的是，将宇宙射线到体积含水量的校正分离到平台的独立组件中，确保了对每个宇宙射线中子探针的处理始终稳健且一致，而不需要具备校正本身的专业知识。此外，未来扩展以使用更复杂的宇宙射线校正方法（如通用中子传输方法[48]）也非常简单。

CRNS校准：与电容式探针相比，CRNS技术需要更复杂的校准程序，不仅需要局部天气数据，还需要在线宇宙射线通量测量数据以及该地点的土壤成分信息。虽然这对这项技术来说是一个缺点，但这些校正非常适合自动化处理流程。通常，在智能农业场所，由于其他农场操作（例如，历史土壤成分测量或已部署的现场天气站的数据），这些测量数据已经在管理平台上已知并保存。CRNS探针校准模块设计为自动从COSMIC-SWAMP中查询所有相关数据以进行传感器校准，然后将其传递给外部校正服务器进行体积含水量（VWC）计算。查询过程如下：CrateDB被查询以获取10公里半径范围内的气温、气压和湿度数据，并根据距离对这些结果进行优先级排序；接着查询与站点相关的属性，包括所有中子探针覆盖范围内的土壤成分和地上生物量估计；如果没有特别指定，就查询Jungfraujoch监测站的入射宇宙射线强度数据。步骤1-3中的标准化数据集被发送到CRSPY服务器包，该服务器作为外部校正服务器，根据提供的数据返回给定传感器的体积含水量估计值。转换后的土壤湿度估计值作为新的实体数据保存在Orion中，并注册到历史时间序列数据库中。

将CRSPY作为独立的外部包处理体积含水量提取意味着未来可以轻松地通过更换CRSPY服务器为其他符合NGSI标准的校正应用程序来更新土壤湿度提取流程。地理空间查询方法使得COSMIC-SWAMP处理入射宇宙射线数据的过程具有隐式的容错性。目前有许多中子探针配备了内置的环境传感器。默认情况下，使用300米的搜索半径来确定单个传感器周围的局部土壤特性和校准数据；而在查询探针附近的天气站数据时使用1公里的搜索半径。如果未获得有效数据，这些搜索半径会自动扩展以涵盖整个农场区域，使传感器能够利用其他天气站甚至其他传感器的冗余环境数据进行必要的校正。

CRNS技术需要进行校准，该过程利用核心样本或时域反射率（TDR）探针来测量局部土壤湿度，以估算单个探针的干燥中子计数率（即方程（1）中的N0参数）。对于水文野外研究，这通常在探针安装后的校准活动后进行一次。为此，CRNS校准包设置了一个额外的REST API接口，可以调用该接口来查询给定空间和时间范围内的所有可用局部土壤湿度测量数据（通常为300米，如图4所示），并利用这些数据与原始中子计数率一起估算给定传感器的干燥中子计数率。然后这些数据直接保存到设备的属性实体中，供未来所有土壤湿度读数使用。这种自动化的数据处理方式使农民能够进行土壤湿度测量并记录其位置，无需担心显式的数据格式化或使用现有处理工具进行校正。虽然当前基于卫星或4G/5G的商用选项为最终用户提供了在线校正服务，以便从原始土壤湿度数据中提取体积含水量，但仍需估算干燥计数率。此校准程序旨在尽可能自动化整个过程，允许在COSMIC-SWAMP平台上本地处理校正。农民只需向平台提供现场读数，从而显著简化了流程。该校准过程的处理流程如图4所示。

结果是基于方程（1）中的校正函数，在服务器后端自动充分考虑了局部环境条件的变化，新手用户无需手动干预。此外，校准模块的结构使得未来可以轻松扩展CRSPY服务器以使用更先进的校正功能，而无需手动实现。这些滚动校正和校准程序的结合实现了野外宇宙射线传感器的完全自动化处理，消除了农民成为CRNS技术专家的需求。手动土壤湿度测量与探针覆盖范围内的读数之间的自动关联也使农民能够直接将常规手动测量结果与CRNS输出相关联，帮助早期采用者在对未来灌溉决策产生信任之前建立对该传感方法的信心。与基于卫星的监测方案相比，后者大多数可访问的土壤湿度产品的响应时间为6天，该平台提供每小时响应，可以观察到关键天气事件（如降雨或灌溉计划）的时间变化。与土壤探针校准案例类似，宇宙射线传感器校准服务也提供了正向和反向校准方法，包括反向校准期间传感器计数率的统计不确定性。这使得可以估算计数不确定性对土壤湿度估算的影响。

融合与预测平台：借助信息平台标准化的土壤传感器数据，可以利用所有可用数据高效计算每个管理区域的最可能土壤条件。融合与预测平台旨在定期评估每个管理区域的状态。这种评估基于从与这些区域边界相交或位于这些区域内的地理空间足迹相关的平台读数获得的数据。因此，每个管理区域的定义完全由其位置属性决定。这种方法的优点是关键属性计算是动态的。如果收获后传感器被移动到其他区域或安装在移动平台上（例如旋转灌溉臂上），则可以在CrateDB历史数据库中获取每次测量的确切位置和时间，以评估特定时间的区域状态。当多个属性实体可用时（例如，多个传感器覆盖单个区域），会基于所有可用数据通过距离加权覆盖估计区域状态。计算与区域相交的测量区域后，考虑到每个传感器的最大敏感足迹，为每个附近的传感器计算wi。

CRNS技术要求进行校准，该过程利用核心样本或时域反射率（TDR）探针来估算单个探针的干燥中子计数率（即方程（1）中的N0参数）。对于水文现场研究，这通常在安装探针后的校准活动后进行一次。为了便于此过程，CRNS校准包配备了一个额外的REST API接口，可以调用该接口来查询给定空间和时间范围内的所有可用局部土壤湿度测量数据（通常为300米），并利用这些数据与原始中子计数率一起估算给定传感器的干燥中子计数率。然后这些数据直接保存到设备的属性实体中，用于所有未来的土壤湿度读数。这种自动化的数据处理方式使农民能够进行土壤湿度测量并记录其位置，而无需担心显式的数据格式化或校正。尽管当前的商用选项依赖卫星或4G/5G传输传感器数据，并为最终用户提供在线校正服务以从原始土壤湿度数据中提取体积含水量，但仍需估算干燥计数率。这种校准程序旨在尽可能自动化整个过程，允许在COSMIC-SWAMP平台上本地处理校正。农民只需向平台提供现场读数，从而大大简化了流程。该校准过程的流程如图4所示。

CRNS校准数据搜索过程在COSMIC-SWAMP中按探针的确切位置进行查询，如果邻近探针在校准期间进行了测量，允许传感器使用它们的校准点。天气站数据通过距离加权查询获得，如果可用，也可以使用邻近探针的环境传感器数据。

融合平台架构：历史管理区域信息（包括土壤和天气条件以及作物计划）被结合起来，以估算该区域的当前作物状态。区域相关数据的查询仅基于区域的空间特征。通过使用PCSE进行数据驱动的模拟来实现融合和预测。

结果是，基于方程（1）中的校正函数，服务器后端自动充分考虑了局部环境条件的变化，无需新手用户进行任何手动干预。此外，校准模块的结构使得未来可以轻松扩展CRSPY服务器以使用更先进的校正功能，而无需手动实现。这些滚动校正和校准程序的结合实现了野外宇宙射线传感器的完全自动化处理，消除了农民成为CRNS技术专家的需求。手动土壤湿度测量与探针覆盖范围内的读数之间的自动关联还使农民能够将常规手动测量结果与CRNS输出直接关联起来，帮助早期采用者在全面投入未来灌溉决策之前建立对该传感方法的信心。与基于卫星的监测方案相比，该平台基于传感器数据提供快速决策支持，信息以可快速地理查询的格式保存，从而可以理解整个区域的变异性。与基于卫星的监测方案相比，后者大多数可访问的土壤湿度产品的响应时间为6天，而该平台提供每小时响应，并可以在这一分辨率下观察到关键天气事件（如降雨或灌溉计划）的时间变化。与土壤探针校准案例类似，宇宙射线传感器校准服务也提供了正向和反向校准方法，包括反向校准期间传感器计数率的统计不确定性。这使得可以估算计数不确定性对土壤湿度估算的影响。

融合与预测平台：通过信息平台标准化的土壤传感器数据，可以利用所有可用数据高效计算每个管理区域最可能的土壤条件。融合与预测平台旨在定期评估每个管理区域的状态。这种评估基于从与这些区域边界相交或位于这些区域内的地理空间足迹相关的平台读数获得的数据。因此，每个管理区域的定义完全由其位置属性决定。这种方法的优点是关键属性计算是动态的。如果收获后将传感器移动到其他区域或安装在移动平台上（如旋转灌溉臂），则可以在CrateDB历史数据库中获取每次测量的确切位置和时间，以评估特定时间的区域状态。当多个属性实体可用时（例如，多个传感器覆盖单个区域），会根据所有可用数据通过距离加权覆盖估计区域状态。计算与区域相交的测量区域后，考虑到每个传感器的最大敏感足迹，为每个附近的传感器计算wi。

空间融合在方程（2）中表示为轻量级的物联网分析操作，它将不同传感器的观测结果整合为适合自动化灌溉决策管理的区域土壤湿度指标。它不是简单地执行算术平均值，而是通过空间加权将具有不同传感足迹的传感器的测量结果融合在一起，实现了异构土壤传感技术之间的协调。这种转换将原始的传感器级物联网数据流转换为稳定的区域级信息，适用于自动化灌溉决策支持。每天，DataFusion模块都会设置来计算平台内每个管理区域的所有感兴趣参数xw，以便为每个区域提供包含当前关键生长属性以及自当前生长期开始以来的所有相关历史属性的状态数组，从而进行预测任务。根据特定管理区域的历史演变，可以通过将这些数据传递到相应作物的模拟中来推断当前作物状态。COSMIC-SWAMP使用Python作物模拟环境（van Diepen等人），该环境采用WOFOST [58]作物模拟模型和每日环境数据来估算随时间的植物生长情况。PCSE模型将土壤条件、作物类型、播种日期和环境条件作为输入参数，从而实现植物生长的每日分辨率预测。COSMIC-SWAMP以与原始SWAMP平台[60]中类似的方式使用PCSE（Python作物模拟环境）[59]，但扩展了其接口，引入了卡尔曼滤波技术来推断和预测不可观测的作物参数（如作物根系大小），这些推断基于PCSE框架展示的类似同化方法[61]。在此方法中，根据对田地情况的先验知识生成一系列模拟集合。每个集合以一天为一个时间步长进行模拟，之后将其土壤湿度预测与平台内的实际数据进行比较。通过集合预测与实际数据之间的差异来估计集合参数的变化，从而使得模型预测与实际情况一致，直至模型在所有可用田地数据和先验知识的基础上收敛到当前估计的田地状态。所有集合预测结果的差异则为模型的不确定性提供了估计值。除了估计当前状态外，该预测工具还使用PCSE来估计几种基准灌溉方案——不进行灌溉、最小灌溉量和最大灌溉量——这些方案可由农民根据预估的最大输入和他们的先前生长季节经验来定义。由于PCSE可以预测作物生长表现，因此可以评估不同灌溉方案下的潜在产量差异。先前的卡尔曼滤波方法为特定地点的作物模型数据中的每个集合提供了一个更新的起点，然后可以仅使用可用的天气预报数据来模拟整个生长周期的未来演变。尽管输出结果高度依赖于天气预报的不确定性，但这为物联网平台内的作物预测提供了一个全面的示例，使用户能够探索当前周期内不同农艺情景下作物生长的未来演变。

在COSMIC-SWAMP中，融合与预测平台实现了一系列跨异构土壤湿度传感技术的物联网分析功能。融合阶段执行轻量级的空间分析，将具有不同 sensing 覆盖范围的传感器级别的测量数据汇总到区域级别的土壤数据中。

COSMIC-SWAMP包含一个模拟平台，该平台提供了一个独立工具，用于评估其在多种作物生长情景下的性能。该平台提供了工具，以支持对整个场地进行原位模拟，从而评估潜在传感器阵列的性能。此外，信息平台的前向和后向校准功能使PCSE能够在传感器级别模拟平台的响应，从而通过模拟验证和基准测试每个平台组件。COSMIC-SWAMP加载了从当前时间到该区域生长期开始的所有历史数据，同时估计当前的土壤湿度和根系大小。

采用数据驱动的灌溉系统的一个主要挑战是评估更新后的灌溉方案对未来作物生长的影响。目前，还没有直接将数据输入到作物建模平台的方法，农民通常需要手动收集和整理数据以适应特定模型。当考虑具有不同输入的灌溉区域时，需要逐个区域手动更新这些数据，这使得难以快速看到不同灌溉方案如何在整个场地范围内优化作物生长。在考虑未来的传感器部署时，也需要考虑传感器分辨率和成本之间的权衡，以及多个传感器对减少预测不确定性所能产生的影响。

COSMIC-SWAMP中的模拟平台试图利用这样一个事实：在信息和融合平台处理之后，农民可以获得整个场地的历史数据。这些数据可以作为输入数据用于作物生长模型，首先验证模型在特定日期预测关键性能指标（如叶面积指数或收获时的总产量）的可靠性，然后再用来模拟在各种不同场地条件（如灌溉方案）下的未来生长表现。在COSMIC-SWAMP中，这种模拟堆栈超越了简单的末端变量模拟（如土壤湿度）。相反，它使用后向校准模型来模拟原始的传感器级别输入，从而模拟这些输入在物联网阶段插入平台时的行为。虽然这增加了计算复杂性，但这种方法允许在整个网络中进行模拟，从而理解特定传感器位置或传感器分辨率的选择如何影响平台设置特定灌溉区域土壤湿度约束的能力。

多项研究已经研究了灌溉方案中宇宙射线传感所需的分辨率。这种设置通过运行不同灌溉水平的模拟并检查它们对水分胁迫分辨率和未来预测输出的影响来理解这些限制。为了使这可靠，后向校准模型必须包括探测器模糊效应，例如由ADC分辨率或点式电容探针的校准不确定性[62][63]，或宇宙射线中子传感器的整体计数率不确定性引起的效应。

允许这种传感器级别场地模拟的程序如下：
1. 为给定场地内的每个管理区域获取起始作物条件和土壤属性。
2. 使用可用的天气源估计整个生长期间的场地环境数据。
3. PCSE接口为每个区域生成土壤湿度演变的时间序列估计。
4. 对于场地内的每个传感器，根据与其敏感覆盖范围位置属性相交的所有管理区域的加权平均值计算“局部土壤条件”。
5. 对传感器的平均“局部土壤条件”进行后向校准，以产生每个模拟时间的原始传感器读数（例如，电容探针的毫伏值，中子探针的原始中子计数）。
6. 重复步骤4-5对于场地内的所有可能的传感器。
7. 将天气数据和原始传感器数据收集组织成一个长时间序列有序数据帧，其中包含每个实体的更新值。
8. 将原始数据依次上传到Orion上下文代理，通过可能上传的数据列表进行处理。
9. COSMIC-SWAMP平台的 notification 系统负责自动处理和校准原始数据，就像处理真实数据一样，包括前向校准和土壤湿度提取。

此程序允许在最后请求每个区域的土壤湿度估计值，从而理解真实模拟输入与COSMIC-SWAMP输出之间的相对差异。图4展示了使用这种端到端模拟链的一个示例。图中展示了一个COSMIC SWAMP试点项目中一个灌溉区域的模拟，简化了部署考虑，包括一个中子探针和一个电容土壤探针的共同部署。对于天气输入，可以使用ECMWF的ERA5-Land数据库[6]或NASA POWER数据库[7]中的历史数据。使用两种不同的灌溉方案每天估计该区域的土壤湿度。这些数据与后向校准服务一起使用，以预测原始传感器计数，然后将其作为真实数据传递给COSMIC SWAMP平台。这些数据的插入触发了自动校正（信息平台）和平均（融合平台）对于模拟日，从而得到最终的土壤湿度和场地条件估计值。然后可以将此结果与实际土壤湿度进行比较，以估计整体不确定性以及传感器对灌溉变化的响应。在这种情况下，当在每日时间尺度上平均时，两个探针的不确定性大约为2-3%。重要的是，该模拟正确捕捉到了在湿润期间宇宙射线中子传感中土壤湿度增加的不确定性。

这种土壤湿度模拟工具对最终用户的主要影响在于，它提供了一个模板，可以直接将融合平台中的土壤湿度产品整合到全场模拟中，使更有经验的用户在购买额外传感器之前能够理解多种部署方案。

**第六节 评估方法和结果**

我们使用初步的测试部署和模拟情景来评估COSMIC-SWAMP平台的行为。

**A. 方法论**

COSMIC-SWAMP平台的评估主要集中在对其物联网分析能力的定量评估上，同时结合了对实际部署条件下系统灵活性的定性分析。定量指标用于评估校准精度、时间聚合、空间数据融合以及跨异构土壤湿度传感器的不确定性行为，而定性观察突显了平台在动态物联网环境中稳定运行的能力。为了评估COSMIC-SWAMP平台适用于田间监控的能力，在Sheepdrove农场（英国）部署了一组原型LoRaWAN连接的宇宙射线中子探针，该农场是一个配备了现有参考传感器的运营农业场所。部署靠近一个CRS1000/B宇宙射线中子传感器（Hydroinnova），作为比较分析的基线[64]。这些原型传感器由杜伦大学开发，使用氮化硼基闪烁体探测器，分别标为BNCS1、BNCS2和BNCS3（Boron Nitride Cosmic Sensors, BNCS）。在这些系统中，中子相互作用产生的闪烁脉冲通过基于时间的电子阈值与背景信号区分开。相比之下，CRS1000/B依赖于硼 trifluoride 气体探测器，是一种广泛使用的商业宇宙射线中子传感网络传感器系统。基于闪烁体的平台[65]（如BNCS）被认为是基于氦-3或硼-10的气体比例计数器的成本效益更高的替代方案[66]。这两种传感系统都提供每小时积分的宇宙射线中子计数以及当地的压力、温度和湿度测量数据。

BNCS系统使用完整的LoRaWAN通信堆栈将数据传输到COSMIC-SWAMP平台，而同时位于同一地点的CRS1000/B（Hydroinnova）传感器则通过铱星调制解调器将数据传输到外部Web服务器。COSMIC-SWAMP平台通过自定义的MQTT基础摄取代理定期检索Hydroinnova系统的数据。这些异构通信和数据采集路径的同时运行使我们能够评估COSMIC-SWAMP信息和融合平台的能力，评估它们自动摄取、标准化和处理来自不同传感器技术和网络基础设施的土壤湿度相关数据流的能力。

这三个BNCS传感器连续运行了大约三个月，以比较COSMIC-SWAMP平台生成的体积含水量（VWC）估计值与来自同一位置的CRS1000/B参考系统获得的估计值。每个原型设备在COSMIC-SWAMP中作为一个独立实体注册，分别标记为BNCS1、BNCS2和BNCS3。COSMIC-SWAMP校准服务自动进行了特定于传感器的校准，使用附近Hydroinnova传感器的数据作为参考来估计每个BNCS设备的原始中子计数率参数。在部署期间，BNCS1探头的板载温度补偿出现故障，导致该传感器的数据集不完整。尽管如此，在整个部署期间，所有可用传感器的原始数据都被自动摄取、校准并通过完整的COSMIC-SWAMP流程进行处理，以生成土壤湿度估计值。杜伦中子探测器提供的环境湿度测量数据用于校正两个传感系统中的中子计数数据的环境效应。由于使用了铱星卫星链接，CRS1000/B系统的数据大约每两周获取一次并整合到COSMIC-SWAMP中。

表2总结了用于评估COSMIC-SWAMP平台物联网分析能力的定量指标。

**B. 物联网和信息平台**

图8显示了直接从CRS1000/B探针提取的水分含量与添加到COSMIC-SWAMP平台的Durham闪烁体传感器之间的强相关性。不幸的是，由于4G服务提供商的问题导致LoRaWAN网关连接失败，造成了几周的数据丢失。虽然基于硼的传感器包含队列系统以支持短暂的网络中断，但长时间的中断导致了数据丢失。从COSMIC-SWAMP提取的土壤湿度估计值与CRS1000/B测得的值在5-10% VWC范围内一致。发现BNCS系统的原始计数率是CRS1000/B系统的48%到56%之间。然而，所有三个正常工作的系统都显示出随时间的中子计数率相对变化。在原型BN系统与CRS1000/B管相比时，观察到了一些日变化现象，其中BNCS2的波动最大。这被认为是由于BNCS2系统的触发阈值设置不正确，导致其对低水平光电倍增管信号的温度漂移过于敏感。尽管如此，如图7底部的图表所示，BNCS1和BNCS3的日平均提取土壤湿度在几个百分点范围内是一致的，相关系数超过70%。图6显示了可以使用历史数据或新生成的模拟场景作为PCSE模拟器的输入，以预测网络中特定区域的作物和土壤状况。然后可以使用反向校准服务来预测模拟的环境数据或原始传感器数据，以测试整个平台的响应。图7显示了来自UK Sheepdrove试点研究的COSMIC-SWAMP数据。“BNCS”对应于部署的三个COSMIC-SWAMP氮化硼探头。原始传感器数据通过LoRaWAN传输到中央COSMIC-SWAMP服务器。顶部三个图表显示了未校正的比值（来自方程式1）。底部显示了经过压力和湿度校正后的结果，以及土壤湿度（SM）估计值。BNCS数据中的中断对应于COSMIC-SWAMP开发期间的服务器停机时间。图8显示了替代BNCS宇宙射线传感器探头与Hydroinnova系统的相关系数。由于BNCS2存在固有的噪声问题，BNCS1和BNCS与CRS1000/B系统的相关性更强。由于LoRaWAN网关的问题，图4中显示了几次数据中断。然而，很明显，因为宇宙射线感应校正方法完全依赖于当前的环境数据，所以每次LoRaWAN网关恢复时，工作探头的测量土壤湿度与CRS1000/B系统的数据一致。唯一的例外是BNCS2系统，由于其强烈的温度响应，这突显了故障探头可能对网络估计当前土壤湿度能力构成的潜在问题。

C. 融合与模拟平台
模拟平台有助于理解不同传感器的关键基本限制（如高土壤湿度时宇宙射线探头的相对不确定性增加）如何影响平台对各种降雨或灌溉事件的响应能力。图9展示了在巴西一个水资源受限地区对高粱生长的PCSE模拟，用于预测两种不同灌溉情景下校准后的土壤湿度读数变化（经过前后校准步骤后）。所讨论的中子探头的估计干计数率为每秒2000次计数。图9显示，总体而言，中子探头可以观察到与电容探头相同的日变化土壤湿度，但在灌溉后的短时间内，由于统计噪声较大，其每小时读数的相对不确定性更高。虽然这只是一个原型，但它展示了COSMIC-SWAMP支持在整个生长季节内对灌溉条件变化进行端到端模拟的能力，同时捕捉了平台上实现的特定传感器类型的固有不确定性。

D. 物联网分析与统计评估
对土壤湿度估计的定量评估对于验证基于物联网的分析和自动化校准流程在现实世界应用中的有效性至关重要。在宇宙射线中子感测（CRNS）的背景下，此类评估还必须考虑中子计数过程的统计性质以及时间聚合对测量稳定性的影响。在COSMIC-SWAMP平台内，物联网分析用于处理、校准和协调异构的CRNS数据流，从而实现不同感测技术之间的一致性比较。表3总结了在COSMIC-SWAMP平台内进行自动化校准后，基于氮化硼的宇宙射线中子传感器（BNCS）的统计性能，以共位的CRS1000/B传感器为参考，考虑了6小时的积分窗口。报告的指标包括皮尔逊相关系数（r）、均方根误差（RMSE）、平均偏差以及体积含水量（VWC）估计值的标准差。总体而言，BNCS1和BNCS3与参考系统表现出强烈的相关性且偏差较低，表明COSMIC-SWAMP的校准和处理流程能够从异构CRNS技术中产生一致的土壤湿度估计值。相比之下，BNCS2的表现较差，这与部署期间观察到的硬件相关温度敏感性一致。需要注意的是，宇宙射线中子感测本质上是计数实验；因此，较短的积分窗口往往会增加统计噪声，导致传感器之间的相关值降低。这些结果表明，平台的物联网分析可以协调不同感测技术之间的测量结果，并暴露传感器特有的异常，从而支持现实世界应用中的可靠土壤湿度估计。

第七节 讨论
本研究的结果应根据工作的系统导向范围来解释，该工作专注于将宇宙射线中子感测（CRNS）集成到基于物联网的智能灌溉平台中。所提出的方法侧重于在实际部署条件下的自动化数据摄取、校准、融合和分析，而不是对土壤湿度感测技术进行详尽的计量评估。评估表明，COSMIC-SWAMP能够协调来自不同CRNS设备和通信基础设施的异构土壤湿度数据流，将原始传感器观测转换为适合灌溉决策支持的管理区域级指标。原型BNCS传感器与商业参考系统之间观察到的一致性表明，平台的校准和分析流程可以支持CRNS数据的操作使用，尽管存在硬件异质性和数据获取限制。然而，必须承认几个不确定性和限制因素。首先，宇宙射线中子测量的统计性质会导致短期土壤湿度估计的变异性，其中计数噪声会引入这种变化。虽然时间聚合可以缓解部分影响，但在低中子通量条件下仍会留下残余波动。与大气压力、湿度和植被生物量相关的环境校正也会增加不确定性，尽管应用了已建立的校正模型。有效CRNS覆盖范围内的空间异质性是另一个重要因素。在土壤属性或灌溉模式不均匀的农田中，CRNS的大范围感测整合了多种土壤条件，这些条件可能与基于点的参考测量结果不同。这种规模不匹配在比较田间尺度的感测方法和地面传感器时是固有的，应在解释定量误差指标时予以考虑。与硬件相关的因素也会影响数据质量和可靠性。在部署过程中，其中一个原型BNCS传感器出现了与温度相关的问题，导致数据不完整，这突显了稳健传感器设计和长期监控的重要性。此外，与异构通信技术相关的操作限制（例如基于卫星的数据传输）可能会影响分析输出的及时性，尽管它们不会影响底层测量的完整性。从物联网分析的角度来看，这些限制强调了明确管理不确定性、异质性和数据来源的集成平台的重要性。COSMIC-SWAMP的融合和预测组件展示了如何通过空间加权数据融合和基于模型的预测将异构传感器数据转换为决策-ready信息，同时保持假设和限制的可追溯性。通过在平台层面明确不确定性和数据缺口，这些方法支持更明智的灌溉管理决策。总体而言，讨论强调了观察到的错误和变异性与CRNS基感测和异构物联网部署的已知特性一致。因此，本文提供的验证最好理解为系统层面的概念验证，证明了可行性、互操作性和自动化操作。这些发现激发了未来工作的动力，包括扩展测量活动、更深入的计量验证和不确定性意识分析，这些将在结论部分详细讨论。

第八节 结论
本文介绍了COSMIC-SWAMP，这是一个端到端的物联网分析平台，旨在实现宇宙射线中子感测（CRNS）数据在智能灌溉系统中的应用。所提出的解决方案解决了将异构感测技术、通信基础设施和分析工作流集成到一个统一平台中的挑战，该平台能够支持自动化灌溉决策支持。通过实际部署中涉及原型和商用CRNS传感器的情况，证明了自动化数据摄取、校准、融合和分析的可行性。结果表明，该平台可以协调异构土壤湿度数据流，生成一致的体积含水量估计，并支持系统导向评估范围内的区域分析。未来的工作将集中在不同作物和气候条件下的扩展测量活动上，以进行更深入的计量验证，以及结合不确定性意识的分析和自适应决策支持策略。这些努力将进一步加强CRNS支持的物联网平台在可持续和可扩展灌溉管理中的作用。