解释葡萄园中5G信号的季节性路径损耗：从经验模型到可解释的机器学习方法 丹尼尔·施耐德（Daniel Schneider） 阿里·伊姆兰·杰汉吉里（Ali Imran Jehangiri） 丹尼尔·穆勒（Daniel Müller） 汉内斯·弗雷（Hannes Frey） 玛丽亚·安娜·维默（Maria Anna Wimmer）

《Future Internet》：Explaining Seasonal 5G Path Loss in a Vineyard: From Empirical Models to Interpretable Machine Learning Daniel Schneider, Ali Imran Jehangiri, Daniel Müller, Hannes Frey and Maria Anna Wimmer

　　摘要
无线网络规划对于5G网络的部署至关重要，尤其是在农村地区的临时安装中，因为地形和植被会显著影响信号传播。虽然经验路径损耗（PL）模型通过特定场景的参数来描述传播环境——这导致在单个站点上的预测具有固有的噪声——但机器学习（ML）方法可以从多个特征同时预测特定站点的路径损耗。本研究对农村路径损耗预测方法进行了系统的文献回顾，并引入了一个通过5G移动测量平台在葡萄园环境中收集的新数据集，该数据集捕捉了真实的传播特性。我们全面比较了机器学习和可解释机器学习技术，证明了植被动态（通过归一化差异植被指数NDVI量化）在结合跨季节数据时是路径损耗变化的重要驱动因素——尽管在单个季节内，距离是主导因素。然而，跨季节NDVI的传输对卫星分辨率敏感，这似乎将葡萄藤冠层与季节性管理的行间地面覆盖物混淆了。在跨季节传输中，XGBoost比可解释提升机（EBM）更不容易受到NDVI的影响，而混合的对数正态阴影（LNS）和XGBoost模型证实NDVI比单独的经验路径损耗参数更有效地捕捉了季节性变化。尽管如此，数据仍然捕捉到了2025年4月至6月之间的预期季节性趋势，我们的可解释模型从中得出了有用的传播洞察。基于树的模型，如随机森林和XGBoost，在单个季节中实现了最高的预测准确性（高达0.924），在组合数据中为0.891，而在校正了天线模式的路径损耗后，分别为0.945和0.907。可解释提升机在准确性上接近（高达0.919；在组合数据中为0.876），并且具有可解释性的优势。在单个季节中，6月——冠层覆盖最密集的月份——产生了最高的值。这些发现为优化精准农业和其他农村应用中的临时5G网络提供了可操作的见解。

1. 引言
智能农业（SF）涉及多种数字技术，以提高自动化农业操作的效率。这些技术需要高数据速率和低延迟的可靠无线网络[1]。农场通常位于农村和人口稀少的地区，在这些地方，SF的好处受到缺乏可靠互联网连接的限制[2]。如果没有在这些地区的普遍公共LTE（长期演进）或5G覆盖，SF就需要定制的无线网络来满足其宽带需求。为了解决这些挑战，5G移动网络被认为是SF的一个可行解决方案[3]，它可以在当地条件频繁变化时提供短期的按需连接。葡萄园就是这样的一个环境：它们涵盖了从平坦到非常陡峭、从均匀到复杂的各种地形——每种地形都对无线覆盖提出了不同的挑战。特别是在陡坡葡萄栽培中，劳动密集型操作如土壤耕作、除叶和喷洒是自动化的理想候选者，因此可靠的数据通信基础设施是经济可行农业的先决条件。本研究扩展了[4]中的一个陡坡葡萄园，在三个季节性活动中进行了研究。每个这样的站点都呈现了一个独特的微环境，因此即使在短距离内，信号性能也可能有显著差异[1,5]。虽然叶片衰减在毫米波频率是一个已知的问题，但在6 GHz以下范围内也得到了量化，例如在混合农村地形中对WiMAX在3.5 GHz上的研究[6]。我们的研究将这一工作扩展到5G NR，结合了季节性测量和可解释的ML，将植被效应分解为各个特征的贡献。本文的目标是使用经验和机器学习（ML）模型来量化农村微环境——特别是季节性植被——对5G路径损耗的影响，并使用可解释的ML将这种影响分解为各个环境驱动因素。

传统上，经验路径损耗（PL）模型和机器学习模型被用于不同环境中的PL预测。经验模型是透明且计算效率高的，但它们依赖于简化的参数假设，可能无法捕捉复杂微环境的变异性[7]。虽然黑盒ML模型（RF、XGBoost和MLP）可以很好地处理微环境，但它们的不透明性使得很难信任它们的预测。玻璃盒ML模型提供了一个本质上可解释的替代方案[8]，并且不需要牺牲太多准确性[9]，正如最近的研究所显示的。对于传播建模，可解释性特别有价值，因为加法模型结构允许将预测分解为各个特征的贡献，将路径损耗预测转化为解释哪些环境因素驱动信号衰减。以前的基于ML的路径损耗研究通常基于单次快照数据，因此没有考虑例如季节性植被动态或它们对模型跨时间传输性的影响[7,10,11]。相比之下，本文提出了一个来自摩泽尔河谷葡萄园的新的路径损耗数据集。我们通过引入归一化差异植被指数（NDVI）来研究植被的季节性变化如何影响PL预测，NDVI是一种从卫星获得的植被密度测量方法，用于在具有动态叶片的环境中建模路径损耗。这项工作的主要贡献如下：
1. 一个新的5G路径损耗数据集，涵盖2025年4月至6月的三个季节性测量活动，来自一个陡坡葡萄园，捕捉了这一年的植被转变。
2. 通过对数正态阴影（LNS）对经验路径损耗进行表征，并比较了玻璃盒（可解释提升机（EBM）和广义加法模型（GAM）以及黑盒（随机森林（RF）、XGBoost和多层感知器（MLP）模型，显示EBM与最佳黑盒模型达到了接近的准确性，同时提供了本质上可解释的预测。
3. 介绍NDVI作为路径损耗预测的植被特征，改进了多季节模型，同时提供了证据表明跨季节传输可能受益于更高的卫星分辨率。跨季节的退化取决于模型，XGBoost比EBM更不易受到影响。
4. 混合LNS和XGBoost的评估表明NDVI比经验路径损耗参数更有效地捕捉了季节性变化。
5. 使用EBM的加法结构对季节性路径损耗进行分解，将4月至6月路径损耗增加的主要部分归因于植被变化。

本文的其余部分组织如下。第2节回顾了有关农村路径损耗建模的相关工作。第3节描述了我们的5G移动测量平台以及在三个季节性活动中收集的数据集。第4节介绍了经验路径损耗分析。第5节介绍了使用的机器学习模型，第6节报告了预测结果以及可解释性分析。第7节总结了本文。

2. 相关工作
为了将我们的研究置于上下文中，我们首先根据PRISMA方法论[12]对农村环境的5G路径损耗建模进行了系统的文献回顾。为了识别相关工作，我们从Scopus、Web of Science、IEEE Xplore、Springer和ScienceDirect数据库中进行了丰富的研究。为了涵盖广泛的相关论文，我们定义了以下搜索字符串：初步搜索共找到了313篇论文。由于搜索涵盖了多个数据库，我们移除了论文的重复项，将论文数量减少到299篇。筛选步骤包括标题搜索，我们选择了适用于农村环境中5G路径损耗建模的论文，总共得到了65篇论文。下一步是对摘要的彻底检查和所有出版物的严格审查，以确定其发现是否适用于我们的研究领域，并排除了涉及无人机和农村环境中铁路网络的路径损耗建模研究。这一审查最终确定了11篇论文用于我们的研究。所确定的文献可以大致分为两类。第一类研究使用典型的经验模型来预测农村环境中的路径损耗，而第二类研究使用先进的建模技术（如ML和DL）来预测PL。表1总结了第一类论文的发现。这些研究使用经验模型在各种农村场景中预测了从800 MHz到75 GHz的路径损耗。表格显示，没有一种通用的经验模型适用于所有农村场景。在低频范围（1–15 GHz）中，传统的模型如WINNER II和Okumura-Hata仍然适用于路径损耗预测[13,14]。相比之下，在高频范围（16–60 GHz）中，更多依赖于先进的经验模型，如Close-In（CI）模型[15]和FI模型[16]进行路径损耗预测。此外，Aalto1、KAIST2[17]和Weissberger模型[18]显示出对特定环境因素（如植被和地形特征）更好的适应性。同样，对于农村宏观场景，3GPP RMa模型[1]和FI模型[16]也表现更好。经验模型虽然简单，但往往无法捕捉局部环境的变化，导致路径损耗预测的准确性较低[7]。

表1. 经验模型。第二组研究探索了先进的ML和DL模型来克服经验模型的局限性。我们只在这类研究中发现了四项关于农村环境的研究。表2总结了研究这些研究，这些研究调查了在农村环境中使用ML/DL模型进行路径损耗预测的情况。这些研究关注6 GHz以下频段，并涵盖了包括沿海和特定植被在内的各种农村场景。这些研究表明，路径损耗建模正朝着环境感知和数据感知的方向转变。虽然参考文献[7,10]强调了AI在从地理空间和视觉数据中提取特定站点特征中的作用，但参考文献[11]强调了物理地形属性（植被和海岸表面）对高频信号的影响。这些研究一致报告ML模型的预测误差低于经验基线——这是预期的结果，因为经验模型描述的是环境类别而不是单个链接。此外，参考文献[19]在印度北阿坎德地区应用了ANFIS（自适应神经模糊推理系统），使用1800 MHz的驾驶测试数据。他们的混合模型比传统的经验模型（Hata、COST-231）实现了更低的RMSE，同时提供了简单性和泛化能力。除了这两类，我们还注意到了结合经验和ML模型的混合方法。例如，参考文献[20]提出了一种在3.5 GHz的5G中频段混合模型，该模型结合了重新优化的COST-231 Hata基线和通过加权平均的随机森林预测。同样，参考文献[21]使用在卫星图像和3D城市地图特征上训练的CNN-MLP校正了扩展的Hata基线，用于城市环境中的6 GHz以下私有5G。然而，这些混合研究依赖于城市经验基模型，据我们所知，还没有混合模型针对农村植被环境进行评估。我们在第6.2节中通过评估一个混合LNS和XGBoost模型来解决这一空白——其中XGBoost是在LNS残差上训练的——在我们的葡萄园数据集上。表2. 先进模型。值得注意的是，没有一项确定的研究在农村环境中使用可解释或可解释的ML模型进行路径损耗预测，这留下了一个理解哪些环境因素驱动模型预测的空白。合作作者的相关工作包括应用于城市校园数据集的玻璃盒模型（GAM、EBM和NAM）[9]，以及在这里研究的葡萄园站点和其他农村站点的3.75 GHz 5G路径损耗系数[4]，尽管没有阴影特征描述。我们在第4节中使用我们的新O-RAN平台和完整的对数正态阴影分析扩展了后者。

3. 5G移动平台和测量活动
本节概述了在农村环境中测量5G信号传播所采用的方法论。首先，我们描述了硬件和测量活动；然后，我们描述了信号强度测量以及用于路径损耗预测的编译数据集。

3.1. 硬件和测量活动
本研究中使用的5G网络是一个定制的5G移动平台，如图1和图2所示。所介绍的系统符合O-RAN标准，包括以下组件：一个室外无线电单元（Benetel RAN650）、一个室外定向天线（Alpha Wireless AW3924）、一个符合3GPP Rel 16标准的5G核心（Genius core）、RAN软件（基于OpenAirInterface项目的Airpuls RAN）、一个PTP Grandmaster Fronthaul交换机（μFalcon-RX）、一个网络交换机（MikroTik Cloud Router CRS312-4C + 8XG-RM），以及一个边缘云。所有设备都安装在一个加固的19英寸机架中，并配备了备用电池。整个设置安装在一个移动车上，车上还包括用于安装无线电单元的桅杆。为了精确计时，一个室外全球导航卫星系统（GNSS）天线被连接到Fronthaul交换机上。互联网连接由Starlink卫星调制解调器提供。测量活动的相关配置参数总结在表3中。图1. 移动平台的架构。箭头表示组件之间的物理/逻辑连接，标签指示接口或协议类型。图2. 在竞技场中部署的移动平台。表3. 测量活动的配置参数。5G信号强度测量是使用Keysight的Nemo Handy解决方案在安装了Keysight修改固件的Samsung S24 Ultra上获得的。Nemo Handy解决方案支持5G NR网络测量，并将各种信号强度指标记录到智能手机的内部存储中。本研究中使用的指标是第1层过滤后的SS-RSRP，该指标是在服务小区的同步信号块（SSB）的次级同步信号（SSS）上测量的，如3GPP TS 38.215中所定义的。通过与VIAVI ONA-800频谱分析仪在两个独立测量活动中的对比测量显示，Nemo Handy与校准仪器之间的每个波束SS-RSRP的中位数偏移量约为4.5 dB（四分位数范围约为10 dB），这证实了该测量设备与校准的RF测试设备的可比性。测量活动于2025年在摩泽尔河谷的Bernkastel-Kues地区的一个陡坡葡萄园（以下简称Arena）进行，该地区以极端的葡萄栽培条件而闻名。测量活动包括三个系列：4月1日、5月9日和6月27日。如图3所示，该地点具有陡峭的坡度、不同的海拔高度、变化的植被以及铁磁支撑结构（杆子和电线）。图3. 葡萄园植被的季节性变化：(a) 4月，植被最少；(b) 5月，生长季节；(c) 6月，植被密度较高。为了探索信号在葡萄园中传播的季节性影响，在生长季节（4月至6月）在Arena进行了三次测量活动，同时考虑了植被的动态变化（参见图3中的植被密度和葡萄品种类型）。Arena的植被密度显示出显著的季节性变化，NDVI值从4月初的0.19（裸土/植被最少）增加到6月底的0.80（密集的树冠）。在5月和6月的生长高峰期，NDVI的中位数从0.29增加到0.66，反映了密集的葡萄树冠和间作植被的发展。

每次测量活动都使用经过校准的Nemo Handy设备沿着葡萄园的行进行，以固定的间隔收集带有地理参考的RSRP样本。测量点记录在1.5米的高度，以模拟机器人传感器的定位，并记录了每个样本的地形条件。

后续对现场测量数据的处理产生了一个全面的数据集，用于建模葡萄园环境中的路径损耗行为。原始测量日志包含了由于静止或缓慢移动而连续记录的多个具有相同GNSS坐标的RSRP样本；这些样本通过平均所有具有相同坐标的测量值来聚合。这种基于坐标的平均方法与ITU-R Recommendation SM.1708-1 [22]中采用的Lee方法类似，该方法通过抑制小尺度（多路径）衰落来提取局部平均信号水平。虽然我们的程序是按GNSS坐标平均的，而不是在固定的空间窗口内平均，但效果是相似的：它去除了快速衰落，并且也减轻了由于设备姿态和手握方式变化引起的RSRP波动。因此，无论是经验性的LNS参数还是机器学习模型，都描述了局部平均路径损耗——这是网络规划相关的量——而不是瞬时信号实现。总共在三次测量活动中记录了443,118行原始测量数据，其中21,815行包含有效的GNSS坐标和RSRP值。经过基于坐标的平均后，得到的数据集包含了11,359个独特的测量位置，这些位置包含了地形剖面信息，包括经度、纬度、海拔高度、归一化植被指数（NDVI）以及发射机和接收机之间的距离。经度、纬度和海拔高度直接从Nemo Handy日志文件中提取，而杂波高度、距离、路径损耗和NDVI值则是通过后处理技术得出的。杂波高度值是使用Raster Calculator工具计算的，该工具通过QGIS的Point Sampling Tool在测量坐标处采样了AW3D30（DSM）和EU-DEM（DTM）栅格之间的差异。这种方法提供了地上物体（如植被和结构）的高度估计。每个测量点（接收机）与基站（发射机）之间的距离是使用Python 3.12中的geopy.distance.geodesic函数实现的测地法计算的。Geodesic函数实现了Karney（2013）在WGS84椭球面上的测地算法[23]。

路径损耗与测量到的RSRP之间的关系由标准路径损耗方程给出，如下所示：

其中：
- dBi：等效各向同性辐射功率（dB）。
- Ptx：发射功率（dBm）。
- Gtx：发射天线增益（dBi）。
- Grx：接收天线增益（dBi）。
- Prx：接收到的参考信号功率（dBm）。

我们设置了dBi为等向同性假设，因为智能手机天线的增益会随着设备姿态和手握方式的变化而变化，而且没有记录方向数据。这与3GPP信道模型校准中使用的等向同性UE天线假设是一致的[24]。任何系统性的偏移都包含在路径损耗的截距中，不会影响相对模型比较。

使用有效等向同性辐射功率（EIRP）公式，即无论发射机-接收机方向如何，我们都将其设置为最大值。尽管这种忽略天线方向性的方法不太适合经验性路径损耗评估，但它非常适合机器学习应用。EIRP路径损耗与RSRP值之间的直接关系使得机器学习路径损耗预测模型能够在隐式学习天线模式的同时预测RSRP值。

归一化植被指数（NDVI）量化了植被密度，这是这种情况下路径损耗建模的关键特征。NDVI值是从Sentinel-2 Level-1C（L1C）卫星图像（10米分辨率）中提取的，使用第8波段（NIR）和第4波段（红色），并通过QGIS的Point Sampling Tool在测量坐标处采样。选择了2025年4月3日、5月10日和6月30日的图像（云覆盖率<10%），以与测量活动在时间上对齐，假设采集和现场工作之间的景观变化最小（参见图4）。图4. 2025年4月、5月和6月测量活动的NDVI值（L1C）。这些图表覆盖了Arena葡萄园及其周边地形。虚线框标出了测量数据。虽然这种方法捕捉了特定点的植被情况，但它忽略了周围环境的空间变异性。图5展示了沿着葡萄园测量路线收集的RSRP（接收到的参考信号功率）值的热图，共可视化了11,359个测量点。接收到的参考信号功率值以颜色编码的点表示，绿色（例如，dBm）表示强信号，红色（例如，低于dBm）表示弱信号和非常差的信号。葡萄园的右下区域主要显示绿色和黄色点，表明RSRP值较强到中等，通常在dBm到dBm之间。这表明该区域的条件有利，可能是由于与基站有直接的视线（LOS）且几乎没有障碍物。相比之下，葡萄园的左上区域主要由橙色和红色点主导，RSRP值低于dBm，表明信号衰减严重或可能存在非视线（NLOS）条件。这条路线上的信号质量下降与距离天线的距离增加以及葡萄园内的潜在障碍物（如植被、地形变化和结构元素）有关。地图还展示了智能手机接收器的GNSS定位精度。总体而言，轨迹沿着葡萄园的行连贯地进行，连续样本之间的位置一致性良好，表明GNSS接收器没有受到几米的随机散布。然而，地图显示在某些葡萄园行中存在明显的位置偏移，特别是在5月和6月：轨迹有时会向侧面弯曲，似乎穿过了相邻的行，这在实际测量中并未发生。这与生长中的葡萄树冠部分遮挡GNSS信号的情况一致。在6月，轨迹总体上显得更加不规则，这主要是由于密集的行间植被阻碍了直线行走路径，而不仅仅是GNSS误差。尽管在地图上可以看到偏移，但与基站的整体距离相比，位置误差仍然很小，这是经验模型和机器学习模型中路径损耗预测的主要特征，正如第6节中的EBM可解释性分析所确认的。然而，GNSS误差对纬度的影响——在距离之后是最有影响力的机器学习特征，当包括NDVI时——不太明显，需要进一步研究，例如，在未来的测量活动中将GNSS天线安装在树冠上方。

使用有效等向同性辐射功率（EIRP）公式，我们将相应的路径损耗表示为。尽管这种方法忽略天线方向性不太适合经验性路径损耗评估，但它非常适合机器学习应用。EIRP路径损耗与RSRP值之间的直接关系使得机器学习路径损耗预测模型能够在隐式学习天线模式的同时预测RSRP值。

归一化植被指数（NDVI）量化了植被密度，这是此场景中路径损耗建模的关键特征。NDVI值是从Sentinel-2 Level-1C（L1C）卫星图像（10米分辨率）中提取的，使用第8波段（NIR）和第4波段（红色），并通过QGIS的Point Sampling Tool在测量坐标处采样。选择了2025年4月3日、5月10日和6月30日的图像（云覆盖率<10%），以在时间上与测量活动对齐，假设采集和现场工作之间的景观变化最小（参见图4）。图4. 2025年4月、5月和6月测量活动的NDVI值（L1C）。这些图表覆盖了Arena葡萄园及其周边地形。虚线框标出了测量数据。虽然这种方法捕捉了特定点的植被情况，但它忽略了周围环境的空间变异性。图5展示了沿着葡萄园测量路线收集的RSRP（接收到的参考信号功率）值的热图，共可视化了11,359个测量点。接收到的参考信号功率测量值以颜色编码的点表示，绿色（例如，dBm）表示强信号，红色（例如，低于dBm）表示弱信号和非常差的信号。葡萄园的右下区域主要显示绿色和黄色点，表明RSRP值较强到中等，通常在dBm到dBm之间。这表明该区域的条件有利，可能是由于与基站有直接的视线（LOS）且几乎没有障碍物。相比之下，葡萄园的左上区域主要由橙色和红色点主导，RSRP值低于dBm，表明信号衰减严重或可能存在非视线（NLOS）条件。这条路线上的信号质量下降与距离天线的距离增加以及葡萄园内的潜在障碍物（如植被、地形变化和结构元素）有关。地图还展示了智能手机接收器的GNSS定位精度。总体而言，轨迹沿着葡萄园的行连贯地进行，连续样本之间的位置一致性良好，表明GNSS接收器没有受到几米的随机散布。然而，地图在某些葡萄园行中显示了明显的位置偏移，特别是在5月和6月：轨迹有时会向侧面弯曲，似乎穿过了相邻的行，这实际上并未在测量中发生。这与生长中的葡萄树冠部分遮挡GNSS信号的情况一致。在6月，轨迹总体上看起来更加不规则，这主要是由于密集的行间植被阻碍了直线行走路径，而不仅仅是GNSS误差。尽管在地图上可以看到偏移，但与基站的整体距离相比，位置误差仍然很小，这是经验模型和机器学习模型中路径损耗预测的主要特征，正如第6节中的EBM可解释性分析所确认的。然而，GNSS误差对纬度的影响——在距离之后是最有影响力的机器学习特征，当包括NDVI时——不太明显，需要进一步研究，例如，在未来的测量活动中将GNSS天线安装在树冠上方。

4. 经验模型路径损耗分析
从第2节的文献回顾中，我们看到只有[13]中的模型符合我们的设置频率范围。我们实现了一个对数正态阴影（LNS）模型，该模型可以从一般的WINNER II路径损耗框架中数学推导出来。WINNER II标准定义了一般路径损耗公式为：

其中，是路径损耗，d是发射机和接收机之间的距离（米），是系统频率（GHz），A是包括路径损耗指数的拟合参数，B是截距参数，C描述了路径损耗的频率依赖性，X是一个可选的环境特定项（例如，墙壁衰减）。

对于单频率测量且常数时，频率项是一个常数，它被吸收到截距B中，然后对应于LNS公式中的。此外，使用参考距离并结合阴影效应，这简化为以下LNS模型：

其中，参数称为路径损耗系数，是对应于参考距离的路径损耗值。最后，是一个具有零均值和标准差的正态分布阴影变量，通常用于模拟由静态障碍物引起的信号强度变化。这种LNS公式与WINNER框架完全兼容，其中阴影项概括了环境特定项。其他用于5G文献中的标准经验路径损耗模型也有类似的等价性。Close-In（CI）参考距离模型[26]定义了，其中截距固定在1米参考距离的自由空间路径损耗上。在单载波频率下，是一个已知常数，因此CI模型简化为LNS，其中和；唯一的区别在于截距是物理固定的还是拟合的。Alpha-Beta-Gamma（ABG）模型[26]是；在单频率下，项是常数，并被吸收到中，同样得到LNS。同样，Floating Intercept（FI）模型同时拟合了截距和斜率，使其在构造上与LNS相同。因此，在单载波频率下，CI、ABG和WINNER II都简化为具有高斯阴影的对数距离模型——任何差异仅在于截距的确定方式，而不是功能形式。经典的Okumura-Hata [27,28] 和COST 231 Hata [29] 模型在结构上也是对数距离模型，但它们规定了基于特定测量活动的频率和高度依赖的系数；在固定频率和天线高度的情况下，这些模型又简化为双参数的对数距离定律，尽管使用的是表格化的系数而不是拟合得到的系数。此外，虽然[13]认为WINNER II D1农村NLOS模型在这个频率范围内是两个测试模型中拟合效果更好的，但将其参数应用于我们在75–100米处的测量数据时，预测结果大约为100分贝——比4月份的观测值低约46分贝，比6月份的观测值低约58分贝。D1模型是为基站高度在18–25米的农村宏蜂窝设计的，适用范围为20–70米[25]。尽管完整公式包括了高度校正项，但4米的天线高度远远超出了该模型的适用范围。而且，该模型假设地面是平坦的，而在我们的葡萄园中，地形从天线高度以下约4米到以上几米不等，因此基站位于山坡上的许多接收器位置之下。这些不匹配的情况促使我们拟合特定于地点的LNS参数——如上所述，这是WINNER II框架的确切单频形式——而不是依赖于表格化的值。同样的高度限制也适用于3GPP TR 38.901 Rural Macro (RMa)模型[24]，该模型规定的最小基站高度为10米（默认为35米），远高于我们4米的天线高度。由此得到的参数以与标准教科书中不同环境类型的路径损耗指数表相同的方式描述了传播环境（例如[30]），我们的季节性数据为这一知识体系增加了葡萄园特定的条目。我们通过平均一定距离范围内的路径损耗来确定这些参数，距离范围为m到m。为了从水平和垂直平面计算基站天线的3D模式，我们采用了[31]中提到的简单加法算法（也称为乘积算法）。当路径损耗包括天线模式时，即根据发射机-接收机方向计算得到的增益值时，我们用表示它。图6显示了三个月内的路径损耗，既包括从测量数据计算出的散点图，也包括经验模型。模型参数列在表10中，而的总结显示在表11中。图6. 2025年4月、5月和6月的路径损耗，分别通过（1）基于经验RSRP测量和天线模式以及LNS模型预测得出。逐渐增加的路径损耗指数反映了季节性活动中植被密度的增加。表10. 经过天线模式校正后从测量数据中得出的月度经验路径损耗模型参数。路径损耗系数描述了信号随距离的衰减，而阴影变化代表环境散射效应。在理想模型条件下，期望值应该为零；显著的偏差表明模型存在系统性偏差或模型复杂性不足。表11. 按月份划分的路径损耗（分贝）。与其他表格中的不同，这里的路径损耗包括了天线模式。正如人们所预期的，路径损耗系数随着植被密度的增加而增加。值得注意的是，阴影标准差（表10）始终小于总路径损耗标准差（表11）；例如，4月份为7.21分贝对比7.51分贝，6月份为8.97分贝对比10.26分贝。这是预期的，因为捕捉了去除距离趋势后的残差变化，而总标准差包括了与距离相关的成分。相对较小的差异表明，距离本身只能解释整体路径损耗变化的一小部分，地形、杂乱物以及在后期活动中的植被占据了其余部分。实际上，像LNS这样的经验模型通过将一组特定于场景的参数（,）拟合到整个活动中来描述传播环境——从而提供了对环境类别的统计描述，而不是对单个地点的预测。这一观察结果与[9]中的研究一致，在那里三种标准经验模型（Okumura-Hata、COST-231 Hata、ECC-33）被应用于1800 MHz的城市环境中。这激发了下一节中多特征机器学习方法的研究，该方法从环境描述转向通过结合这些额外预测因子来捕捉仅依赖距离的LNS模型无法解释的变异。第6.2节通过评估LNS作为预测因子与机器学习模型进行比较，量化了这一差距。5. 机器学习路径损耗模型本研究评估了三种黑盒模型和两种玻璃盒模型在我们的场景中的路径损耗预测能力。对于机器学习模型，我们关注路径损耗的EIRP公式，该公式等同于考虑到最大增益常数的RSRP预测。尽管经过天线模式校正的公式（）提供了更高的预测精度，但由于其更大的简单性和实际适用性，我们保留了EIRP公式作为主要目标。第6.2节通过评估混合LNS和XGBoost模型以及使用作为预测目标的效果来扩展分析。这些模型的选择基于合作作者在之前的校园研究中表现出的强大性能[9]，以及它们在预测能力和可解释性方面的互补特性。5.1. 黑盒机器学习模型我们评估了以下三种黑盒模型的性能。1. 随机森林（RF）：RF是一种集成学习方法，它在训练数据的自助子集上构建多个决策树，并通过平均它们的预测结果来进行聚合[32]。RF对过拟合具有鲁棒性，能够处理非线性关系，并提供直观的特征重要性估计。我们的RF模型通过5折交叉验证的超参数调整进行了优化，探索了树的数量（200–2000）、最大深度（10–110）、每叶最小样本数（1–4）和特征选择策略（‘sqrt’、‘log2’）。最佳配置因数据集而异，树的数量在800–1400之间，深度在20–110之间。值得注意的是，对于没有NDVI的较大数据集，发现最大深度为20是最优的，这表明在没有植被特征的情况下，较浅的树具有更好的泛化能力。2. 极端梯度提升（XGBoost）：XGBoost是一种高效的梯度提升决策树实现方法，它依次将新树拟合到前一个树的残差上以最小化指定的损失函数[33]。XGBoost提供了强大的预测精度和灵活的正则化机制来控制过拟合。XGBoost的超参数通过5折交叉验证进行调整，搜索了树的数量（50–300）、深度（3–10）、学习率（0.01–0.16）、采样比率（0.7–1.0）和正则化参数。最佳配置包括167–296棵提升树，深度为8–9，学习率为0.023–0.072，平衡了模型复杂性与在不同地形和植被条件下的泛化能力。3. 多层感知器（MLP）：我们包括MLP作为神经网络基线，以确保在各种机器学习模型家族之间进行广泛的比较。MLP是一种前馈人工神经网络，用于近似特征和目标值之间的复杂非线性映射[34]。我们对网络架构（1–3个隐藏层，每层64–256个神经元）、激活函数（ReLU、tanh和logistic）、L-BFGS优化器、学习率（0.001–0.2）和L2正则化（0.0001–0.1）进行了5折交叉验证的超参数调整。最佳配置从紧凑的两层网络（64, 32）到更深的架构（200, 150, 100）不等，L-BFGS求解器在所有数据集中都被一致选择。对于MLP来说，调整至关重要：默认配置在较小数据集上取得了负的，而调整后的模型达到了=0.845–0.923。5.2. 玻璃盒机器学习模型我们介绍了以下两种本质上可解释的机器学习模型：1. 广义加法模型（GAM）：GAM是广义线性模型的半参数扩展，允许对响应变量的复杂依赖关系进行非参数拟合。我们使用pyGAM库实现了广义加法模型（GAM）作为路径损耗预测的可解释基线。GAM采用变量（可能是非线性的）的任意函数之和，通过样条线来表示不同的特征，从而描述响应变量的大小和变化性[35]。模型的加法结构确保可以隔离并分析每个特征的影响，使其特别适合于识别复杂葡萄园环境中的主导传播机制。虽然GAM在默认设置下表现良好（=0.764–0.847），但我们进行了3折交叉验证的超参数调整，调整了平滑度惩罚（0.1–100）、每个特征的样条线数量（10–35）、样条线阶数（2–4）和收敛参数，采样了100个随机配置。这带来了0.2–1.9%的边际改进。2. 可解释提升机（EBM）：EBM是一种基于提升和装袋浅层决策树的玻璃盒学习算法，它学习加性形状函数和可选的成对交互作用[36]。EBM具有高度的可解释性，因为可以通过绘图来可视化和理解每个独立变量或独立变量组合对最终预测的贡献。我们使用InterpretML包训练了EBM模型。EBM的默认配置已经实现了强大的性能（≈0.834–0.913），证明了其鲁棒性。与GAM类似，我们还进行了3折交叉验证的超参数调整，调整了学习率（0.001–0.1）、交互项（5–20）、每棵树的最大叶子数（2–8）和离散化区间（64–1024）和正则化参数，采样了100个随机配置。这带来了0.2–2.0%的类似改进。6. 模型准确性结果本节利用Arena路径损耗数据集展示了上一节描述的PL模型的准确性结果。我们分四个部分描述评估结果。在第一部分，我们比较了黑盒模型和玻璃盒模型的准确性，以了解植被对它们结果的影响。在第二部分，我们评估了结合经验路径损耗基线和基于机器学习的残差预测的混合LNS和XGBoost模型，并评估了使用经过天线模式校正的路径损耗作为预测目标的效果。在第三部分，我们展示了EBM和XGBoost在跨活动中的泛化能力，以了解季节性对模型准确性的影响。在第四部分，我们展示了EBM模型的解释结果，以了解每个特征如何贡献于模型的预测。6.1. 有无NDVI的模型准确性结果本节展示了使用我们测量活动数据集的两种不同配置的黑盒机器学习和玻璃盒机器学习模型的预测准确性。在第一种配置中，我们以经度、纬度、海拔、杂乱物高度和距离作为输入特征，以路径损耗作为输出特征。在第二种配置中，我们还包括了NDVI值作为输入特征。对于这两种配置，我们分别评估了单个活动和组合数据集的黑盒机器学习和玻璃盒机器学习模型的预测准确性。对于组合数据集，我们将每个活动随机子采样到1495个测量值——即4月份去除缺失值后的有效样本数量——以确保跨季节的平衡表示。出于训练目的，我们使用了每个数据集的80%的数据，并在剩余的20%随机选择的数据实例上测试了预测准确性。模型预测准确性通过MAE（平均绝对误差）、RMSE（均方根误差）和R平方来评估。表12和表13中显示的结果分析表明，基于树的（RF/XGBoost）黑盒模型在MAE、RMSE和方面优于玻璃盒模型。结果显示出显著的季节性变化，6月份的整体表现最佳（RF = 0.924，XGBoost = 0.921），4月份的预测准确性略低。EBM成为最准确且可解释的模型，在6月份取得了=0.919的性能，并在所有数据集中表现出竞争力。通过适当的超参数调整，MLP取得了强大的结果（=0.845–0.923），证明了神经网络在适当配置下可以有效学习路径损耗模式。组合数据集表现良好（EBM和RF分别为0.841–0.852），MAE值为2–3分贝，这使它们适用于网络规划，并确认所选特征能够捕捉到所有三个活动中的路径损耗变化。表12. 综合模型性能比较（路径损耗预测）。特征：纬度、经度、海拔、距离和杂乱物高度。表13. 包含NDVI的综合模型性能比较（路径损耗预测）。特征：纬度、经度、海拔、距离、杂乱物高度和NDVI。NDVI在跨活动中的作用在第二种配置中，添加植被数据（NDVI）明显改善了组合多活动数据集的结果。NDVI在跨不同季节活动的数据组合中提供了最显著的好处：RF的从0.852提高到0.891（+3.9%），XGBoost从0.851提高到0.888（+3.7%）。同样，EBM也有显著提升，从0.841提高到0.876（+3.5%）。然而，对于单个活动来说，NDVI的影响最小——有时甚至略微降低了性能。以下两个因素解释了这一观察结果：首先，在同一场次内，植被状态相对均匀，因此NDVI值稍高或稍低的区域（例如，4月份的0.5与0.3）之间的差异在整体树冠稀疏的情况下，并不会转化为有意义的路径损耗差异。其次，距离是路径损耗预测的主要决定因素，留给NDVI解释的残差方差很小。这一发现表明，NDVI的主要价值在于区分根本不同的季节性植被状态，而不是捕捉同一场次内的细微空间变化。然而，正如我们在下一节中讨论的，使用原始NDVI值在跨场次模型迁移时会引入限制。在可解释的模型中，EBM在结合NDVI的数据集上与RF具有竞争性的准确性（分别为0.876和0.891），MAE仅高出0.21 dB。GAM的表现差距最大，在结合NDVI的数据集上的准确率为0.798。尽管基于树的黑盒模型在两种配置下都表现更好，但EBM的竞争性准确性（在组合数据上的MAE差异≤0.25 dB）及其内在的可解释性使其在动态农业环境中的传播分析中非常有吸引力。

6.2 混合模型：结合LNS和XGBoost
我们通过添加一个混合模型来扩展PL分析，该模型将XGBoost应用于LNS的对数距离定律未能解释的残差。我们也将LNS本身包括在比较中，尽管其主要目的不是作为预测器，而是用来描述传播环境。由于我们探索了多种情况，我们关注XGBoost，因为它是在上一节中表现最好的黑盒模型之一。这些情况包括LNS、XGBoost以及在两种数据集上运行的混合模型。我们还重新调整了XGBoost的超参数，但这并没有显著的效果。根据数据，LNS路径损耗系数分别适用于4月、5月和6月的场次。

对于单个场次，混合模型在两种配置下的表现与纯XGBoost相当（见表14和表15），这证实了XGBoost已经从训练数据中捕捉到了距离-路径损耗的关系；LNS基础模型没有提供额外的信息。唯一显著的差异出现在没有NDVI的组合数据集上，混合模型将目标值从0.851提高到0.864（分别提高到0.875和0.893）。在这里，每个场次的路径损耗指数起到了隐性的季节性代理作用：它编码了NDVI原本可以提供的植被状态。因此，当包含NDVI时，这种优势消失了——组合数据集的混合模型准确率为0.883，略低于纯XGBoost的0.888，因为LNS基础模型增加了冗余信息（两者均为0.907）。这些结果加强了第4节中的发现：经验模型通过场景级参数来描述传播环境，而机器学习模型则同时从多个特征预测特定地点的路径损耗。关键的是，没有NDVI的混合模型在组合数据上的准确率为0.864（分别对应0.893），仍然低于包含NDVI的纯XGBoost的0.888（分别对应0.907），这表明尽管卫星衍生的植被指数存在分辨率限制，但它们比单独的经验路径损耗参数更能有效地捕捉季节性变化。将LNS基础模型添加到包含NDVI的XGBoost中并没有进一步改善结果（仍然为0.883（分别对应0.907），这证实了NDVI已经包含了之前数据中的季节性信息。结果一致显示更高的目标值，但RMSE也略高；所有趋势都得到了保留，并且重新调整XGBoost的超参数并没有产生有意义的差异。对于LNS拟合，得出的路径损耗指数在物理上更有意义，因为它描述了传播环境而不与天线方向性混淆。由于两种形式的结论相同，因此后续分析使用后者，因为它更简单且直接对应于RSRP预测。

6.3 跨场次性能
我们评估了EBM和XGBoost——分别是表现最好的玻璃盒模型和表现最好的黑盒模型之一——它们是在独立场次数据上训练的，以评估其跨场次的适用性。结果显示，当模型应用于其他场次的数据时，性能会显著下降，这种下降的严重程度与场次之间葡萄园植被的变化密切相关。表16和表17分别展示了没有NDVI和有NDVI作为输入特征时的跨场次性能。这些表格中的对角线条目是在完整训练场次上评估的，作为上限参考（-，其中XGBoost显示的对角线值高于EBM，反映了其更好的适应训练数据分布的能力）。然而，当模型应用于其他场次时，性能会大幅下降。跨场次泛化能力差异很大：4月份训练的模型在5月份仍保持中等性能（EBM，XGBoost），而6月份训练的模型在4月份表现较差（EBM，XGBoost）。两种模型显示出类似的跨场次迁移模式，这证实了泛化限制是固有的季节性变化造成的，而不是模型特定的问题。

比较表16和表17会发现一个反直觉的现象：添加NDVI作为特征通常会降低跨场次泛化能力。这种效应在EBM上尤为明显：5月份训练的EBM在没有NDVI的情况下表现良好，但在有NDVI的情况下表现较差；而相应的XGBoost模型仅略有下降。最严重的下降发生在6月份训练的EBM在5月份测试时，从下降到；XGBoost表现出相同的趋势但程度不那么极端。一个可能的解释是，在10米Sentinel-2分辨率下，每个NDVI像素捕捉的是葡萄树冠和行间地被的复合体，其相对贡献会随着葡萄园管理而变化。比较图3和图4可以证实这一点：在4月份，绿色地被似乎占主导地位；到了5月份，这种覆盖已经被移除，而葡萄叶刚刚开始生长，这会降低复合NDVI的值，尽管物候在进展。因此，跨场次NDVI的迁移可能只有在所有子像素组分的植被一致增加时才能成功——正如4月份到6月份的过渡情况所示——而不是用一种绿色来源替换另一种。在粗糙的卫星分辨率下，仅凭图像无法验证这一条件，可能需要地面真实情况的检查，例如图3中的场次照片。简单的标准化（例如，z分数或基于百分位的标准化）无法解决这种歧义，因为问题不在于尺度，而在于指数物理上代表的是什么。没有NDVI时，模型依赖于更稳定的几何特征（距离、海拔和杂乱高度），这些特征具有更好的泛化能力。XGBoost比EBM更不易受到NDVI引起的跨场次下降的影响，这可能归因于XGBoost基于树的特征交互作用，它可以部分补偿误导性的NDVI值，通过相关几何特征的分割来进行调整，而EBM的加法结构则无条件地拟合一个专门的NDVI形状函数。

这些结果与葡萄园植被在各个场次中的动态变化一致。早期场次（4月份）的树冠稀疏，土壤暴露，因此传播特征主要由地面反射和裸露的葡萄藤几何形状决定。在这些条件下训练的模型无法捕捉后期场次中由叶子引起的衰减，导致跨季节应用时显著降低。后期场次（6月份）代表树冠的成熟发展，产生了与早期场次不同的传播特性，这解释了为什么6月份训练的模型应用于4月份或5月份场次时性能会显著下降。这突显了需要使用标准化植被指数或包含覆盖植被生长各个阶段的综合数据集。除了植被动态之外，场次之间的部署参数（基站位置、天线高度和方向以及平台的水平度）的微小变化也进一步复杂化了跨场次预测。这些混淆因素使得难以可靠地分离任何单个变量在跨场次迁移中的贡献。

6.4 EBM模型解释结果
在本节中，我们利用了EBM在全球和局部层面的可解释性。全局解释揭示了整个训练集中特征的重要性、边际贡献和特征之间的交互作用。局部解释将单个预测分解为每个特征的贡献，从而实现特定位置的诊断。我们首先讨论全局特征重要性。输入特征的全局重要性是基于每个特征在整个训练集中的平均绝对贡献值来计算的。因此，这种度量方法认为大的正面和负面效应都很重要，并将它们加总起来。图7比较了使用包含和不包含NDVI输入特征的合并数据集来预测PL时的特征全局重要性。在图7中，条形图表示平均绝对贡献值（以分贝为单位），而百分比表示每个特征在总特征贡献中的份额，计算方式为其中表示特征i的贡献（不包括截距，截距代表基线预测值145.62分贝）。图7显示，在两种模型中——无论是否包含NDVI——EBM都将主要贡献归因于个别主要效应，而交互项的排名较低（每个最多占总贡献的5%）。在这个山坡葡萄园中，空间特征是物理上相互交织的：纬度、海拔和到基站的距离都沿着斜坡变化（参见表7、表8和表9）。NDVI作为一种卫星衍生的植被测量指标，是唯一能够捕捉独立物理量的特征。当包含NDVI时，距离（3.30分贝，20.4%）和NDVI（2.29分贝，14.1%）共同占总特征贡献的三分之一以上。两种模型中距离的贡献基本保持不变，表明NDVI确实增加了额外的方差，而不是重新分配了距离的解释能力。

6.4.1 边际效应
图8展示了距离、海拔、纬度和NDVI的边际效应。每个边际效应图将特征的值映射到其对预测路径损耗的贡献。每个子图底部的直方图描述了该特征的数据分布密度。图8a左上角面板显示了距离对预测的总体影响。图8b右上角面板显示了葡萄园中距离的影响，呈现出线性特征：在0-45米范围内，距离对预测有负面影响；而在45-100米范围内，距离有正面影响，之后趋于平稳并略有波动。图8c左下角面板显示了海拔的影响。在最低海拔（229-234米）时，模型预测的路径损耗显著增加（高达分贝）。在235米附近分数接近零，并在中等范围（235-247米）内保持略微负值。在248米以上，形状函数是非单调的：分数短暂转为正值（248-255米，高达分贝），然后在最高海拔（256-262米）时再次下降为负值。图8c右下角面板显示了纬度的影响。在较低纬度值（49.9129-49.9130）时，纬度有负面影响，模型预测的路径损耗较低。对于中等纬度值（约49.9131-49.9135），分数接近0分贝，纬度对预测路径损耗的影响很小。对于较高纬度值（>49.9136），分数急剧增加至分贝，因此模型预测的路径损耗较高。图8d右下角面板展示了NDVI的边际效应。该图显示了NDVI值与其对预测信号强度的贡献之间的非线性关系。NDVI值低于0.3时，分数略为负值（约分贝），表明当植被稀疏时路径损耗较低。中范围的NDVI（0.3–0.5）值仍然保持中等程度的负值（降低到约dB）；这些分数表明模型预测在中等植被密度下的路径损耗略低。高NDVI（0.6–0.8）值变为明显的正值（增加至dB），表明在植被密度高时路径损耗增加。图8显示了（a）距离、（b）海拔、（c）纬度和（d）NDVI的边际效应图。y轴分数代表每个特征对预测路径损耗的加性贡献（以dB为单位）。6.4.2 分解季节性路径损耗增加 实证数据显示，从4月（141.73 dB）到6月（150.85 dB），平均路径损耗有明显的增加。为了理解哪些特征导致了这9.13 dB的增加，我们利用EBM的加性结构将变化分解为各个特征的贡献。4月到6月的转变也是唯一一个添加NDVI可以提高预测准确性的跨活动方向（表16和表17：从0.068增加到0.280）。如第6.3节所讨论的，这与在此期间所有子像素组件中的植被增加是一致的。因此，我们专注于这一转变，排除了5月，因为其NDVI值不明确（参见图4）。我们确定了629对在两次活动中都测量的位置对（占4月位置的42%；空间匹配容忍度：1.5米；平均匹配距离：0.67米）。这些位置对分布在4月活动覆盖的大部分葡萄园行中，确保分解不会偏向于特定子区域，并且观察到的差异反映了时间变化而不是空间变化。对于这些匹配的位置，平均路径损耗从143.52 dB增加到150.91 dB（+7.39 dB）。图9显示了包含和不包含NDVI的模型的分解结果。不包含NDVI时（图9a），模型将路径损耗的增加主要归因于海拔（+1.85 dB，25.0%）和各种海拔交互项，将解释分散到相关的地形特征上。包含NDVI时（图9b），植被变化成为主导因素，贡献了总增加量的4.26 dB（57.6%）——这与从早期稀疏植被（平均NDVI：0.29）到夏季密集树冠（平均NDVI：0.64）的植被转变一致。海拔贡献了+1.52 dB（20.6%），可能反映了两次活动之间测量模式的系统差异。值得注意的是，距离仅贡献了少量dB（百分比），这证实了路径损耗的增加不是由于不同的测量距离造成的，而主要是由于植被生长引起的季节性效应。图9显示了基于629对匹配位置（占4月位置的42%；平均空间匹配距离：0.67米）的EBM分解结果。条形图显示了绝对贡献（以dB为单位）；百分比表示每个特征对总路径损耗变化的贡献。（a）未包含NDVI训练的EBM主要将增加归因于海拔及其交互项。（b）包含NDVI训练的EBM揭示了植被变化是主导因素（57.6%），集中解释了季节性路径损耗变化的实际驱动因素。6.4.3 高NDVI增加的位置：总体和局部解释虽然全局解释揭示了特征的整体重要性，但局部解释可以说明NDVI如何影响特定位置的预测。再次关注4月到6月的转变，我们从上述629对匹配位置中选择了NDVI增加最大的50个位置（平均NDVI：0.34至0.71）。如果NDVI的增加确实反映了植被生长而不是土壤反射率的变化（参见第6.3节的分辨率讨论），那么NDVI必须是路径损耗预测的重要贡献因素。EBM的局部解释使我们能够直接测试这一点。图10使用了在合并数据集上训练的EBM（与图7b和图9b相同的模型）。图10a显示了这50个位置的平均绝对贡献，与上面使用的全球重要性指标一致。NDVI成为主导特征，贡献了3.78 dB（总贡献的23.8%）。其余主要特征贡献较少，分别为：距离1.82 dB（11.5%），杂乱高度1.77 dB（11.2%）和经度1.53 dB（9.6%）。图10显示了高NDVI增加位置的EBM总体和局部解释。（a）总体视图：平均绝对贡献，针对4月到6月NDVI增加最大的50个位置（平均NDVI：0.34至0.71）。（b）局部视图：两个个别预测，展示了NDVI的作用范围。两者具有相同的截距（145.62 dB）。顶部：NDVI效应最小（总贡献的7.2%；预测路径损耗：139.20 dB）。底部：NDVI效应最大（40.9%；预测路径损耗：149.60 dB）。带符号的dB值表示方向（正数=路径损耗增加）。图10b通过将个别预测分解为确切的特征贡献来说明EBM的可解释性——这是黑盒模型所不具备的能力。为了展示NDVI在这50个位置中的作用范围，我们选择了NDVI贡献份额分别最小和最大的两个样本。在NDVI效应最小的位置（顶部面板，7.2%），NDVI显著增加（从0.37增加到0.76），但对预测的贡献仅为少量dB。负号表示，在这种特定的特征值组合下，学习到的NDVI形状函数略微减少了预测路径损耗，这可以通过NDVI的贡献从主要效应转移到交互项来解释：杂乱高度和NDVI（18.1%）以及经度和NDVI（12.6%）的交互作用加起来超过了单独的NDVI项三倍。即使在这个样本中——选择的是NDVI主要效应最小的位置——与植被相关的术语共同占了预测的38%。总体而言，距离（dB，19.4%）和杂乱高度与NDVI的交互作用（dB，18.1%）占主导。在NDVI效应最大的位置（底部面板，40.9%），NDVI占主导，其次是经度（dB，17.1%）。这种对比表明，即使在NDVI增加相似的位置中，特征归因也因其他环境因素而大不相同——这正是网络规划者能够识别每个测量点衰减驱动因素的特定位置诊断。在NDVI增加最大的50个位置中，有62%的情况中NDVI占主导；在整个6月活动中，NDVI在46%的样本中占主导（2392个中的1098个），而距离仅在28%的样本中占主导（2392个中的679个）。由于土壤颜色本身不影响路径损耗，这些位置上NDVI的显著贡献证实了这里的季节性NDVI增加反映了真实的植被生长——为这一子集的高植被解释提供了依据。7. 结论本研究开展了一项全面的测量活动，调查了3.75 GHz频段下5G的传播特性，特别关注了农村环境中的季节性植被效应。通过在三个不同时期（2025年的4月、5月和6月）进行系统的RSRP测量，我们捕捉到了从最小到高级植被密度的完整季节性转变。我们的基于机器学习的路径损耗预测分析得出了几个关键发现。首先，我们确认随机森林和XGBoost模型在综合数据上实现了更高的预测准确性（最高达到0.891；在校正天线模式后的路径损耗上达到0.907），而可解释的玻璃盒模型保持了竞争力，并且具有可解释性的额外优势，EBM在综合数据上的准确率达到了0.876。其次，我们使用实证路径损耗模型和机器学习模型分析了植被密度变化对路径损耗的显著影响。利用EBM的加性结构，我们分解了从4月到6月在629个匹配位置观察到的+7.39 dB路径损耗增加：NDVI占这一增加的57.6%（+4.26 dB），而距离几乎没有贡献（dB），这证实了季节性退化主要是由植被生长引起的，而不是测量伪影。这与实证LNS模型分析一致，其中阴影变化与总路径损耗标准差之间的小差异同样表明距离不是路径损耗变化的主要因素。第三，我们展示了标准化差异植被指数（NDVI）在路径损耗预测中的细微作用。在单个活动中，NDVI没有预测优势——距离占主导（皮尔逊相关系数），活动内的植被差异太微妙而无法影响传播。然而，当跨多个季节活动合并数据时，NDVI显著提高了性能（提高了3-4个百分点），因为它区分了根本不同的植被状态。玻璃盒模型与黑盒方法（EBM vs. RF）几乎相当，表明可解释性并不一定以牺牲准确性为代价。重要的是，我们的跨活动迁移分析显示，原始NDVI值可能会降低模型在不同季节之间的迁移能力，因为相同的绝对NDVI值可能代表不同的植被状态（参见图3和图4）。这种降低取决于模型：XGBoost对NDVI引起的跨活动退化不太敏感，而EBM则不然，这归因于基于树的特征交互作用可以通过对相关几何特征的分割来补偿误导性的NDVI值，而EBM的加性结构无条件地应用其NDVI形状函数。值得注意的是，4月到6月的转变是唯一一个NDVI提高预测准确性的跨活动方向（EBM提高了约0.2，XGBoost提高了0.08），我们的EBM分解——专注于这一转变——因此确定植被变化是季节性路径损耗增加的主要驱动因素。然而，在其他活动方向上，NDVI没有带来好处，甚至降低了性能，这表明基于NDVI的跨活动迁移需要更高分辨率的植被数据。一个混合LNS和XGBoost模型——其中XGBoost在每个活动的对数正态阴影拟合残差上训练——在单个活动上与纯XGBoost相当，但在合并数据集上提高了准确性，当NDVI缺失时，因为每个活动的路径损耗指数起到了季节性代理的作用。当NDVI可用时，这种优势消失了：带有NDVI的纯XGBoost（准确率为0.888）优于不带NDVI的混合模型（准确率为0.864），这证实了卫星衍生的植被指数比单独的实证路径损耗参数更有效地捕捉了季节性变化。对于农村5G部署，这些结果表明，基于单季节测量的覆盖预测可能会因植被密度的增加而低估路径损耗多达7-9 dB。由于这些结果来自3.75 GHz频段的单一葡萄园站点，未来的工作应该验证这些方法论发现是否适用于其他农村站点、频率和作物类型——特别是（i）植被指数的跨活动与活动内作用，（ii）对卫星分辨率的敏感性，以及（iii）EBM除了特定于站点的量（如路径损耗系数和排名较低的特征）之外，是否适用于传播分析。第二个优先事项是提高跨季节预测能力。我们将迁移限制归因于可用的卫星分辨率，在这种分辨率下，NDVI将葡萄树冠与行间地面覆盖混淆，其相对贡献由于葡萄园管理而非单调变化——因此，只有当所有子像素植被成分一致增加时，NDVI才能在活动之间可靠地迁移。解决这种歧义可能需要从免费的Sentinel-2图像（10米分辨率）切换到商业卫星数据（1-3米），后者可以分辨出单个葡萄树行，或者用地面真实照片补充卫星数据。