基于无线射频信号强度与高斯过程回归的土壤水分空间制图

《Precision Agriculture》：Soil moisture mapping using radio signal strength and gaussian process regression

　　

土壤水分是精准农业中的关键变量，影响灌溉管理、作物生产力及水分利用效率。然而，田间尺度的土壤水分监测仍具挑战性，因传统传感方法通常成本高昂且空间覆盖范围有限。本研究提出了一种基于模拟的土壤水分制图框架，该框架整合了近地面无线射频（RF）感知、高斯过程回归（GPR）以及自适应样本选择方法。配对RF传感器获取的接收信号强度（RSS）测量值被用作土壤水分的路径平均替代指标。GPR被用于降低测量噪声并从稀疏的地面真值观测中重建空间土壤水分分布。研究还开发了一种误差驱动的自适应采样策略，以在采样预算受限条件下确定补充土壤水分测量的位置。该框架通过基于具有不同空间变异性和测量噪声水平的合成土壤水分场的数值模拟进行了评估。模拟结果表明，在仅有有限样本可用时，所提出的框架相比随机采样和传统GPR插值降低了土壤水分估计误差。自适应采样策略通过优先选择预测不确定性较高的区域，提高了数据收集效率。重建精度受土壤水分变异性与测量噪声的共同影响，凸显了传感器质量与田间异质性对系统性能的重要性。本研究表明，将基于RSS的RF感知、概率回归与自适应采样相结合，在精准农业低成本、可扩展的土壤水分制图中具有潜力。尽管该框架仅在理想化模拟条件下进行了评估且未开展田间验证，但结果提供了概念验证，并支持该方法在今后向实际农业应用进行开发、田间测试与拓展。

研究背景与问题：土壤水分是生态过程、农业生产力及水文循环中的关键要素，其准确、及时监测对于水分资源管理、作物建模及精准农业至关重要。然而，土壤水分具有多变量且常呈非线性的特征，其空间分布受降水、温度、植被覆盖、土壤类型及地形等诸多因素影响。现有土壤水分技术存在明显局限：更高精度通常伴随更高成本（如卫星遥感），或需要更长处理时间（如 gravimetric 法），或单次测量覆盖面积较小（如时域反射法TDR、频域反射法FDR）。近年来，近地面无线射频（RF）感知作为一种新兴土壤水分感知技术受到关注，其具有成本低廉、功耗仅需毫瓦级、硬件安装简便等优势，且能实现分钟级数据采集与长期监测。该技术可与深层土壤耦合、覆盖长距离、穿透起伏地形并在多种天气条件下可靠运行。本研究旨在探索将高斯过程回归（GPR）方法与近地面RF感知相结合，利用GPR降低低功率无线电信号的噪声干扰，并通过有限采样点构建土壤水分空间分布图。

研究设计与核心结论：本研究的核心目标为开发并评估一种概念验证框架，用于田间尺度土壤水分制图，以解决现有方法中缺乏将基于接收信号强度（RSS）的路径平均感知、不确定性感知回归与稀疏地面真值条件下自适应采样相整合的方法论空白。研究主要贡献包括：利用RF传感器链路获取路径平均土壤水分信息而非单点测量，实现更大空间范围的间接感知；将多路径RSS测量整合以将田间划分为像素化区域，为稀疏采样条件下的土壤水分重建提供空间结构；将GPR与基于RSS的感知及不确定性信息引导的样本选择策略相结合，以提高噪声存在条件下土壤水分制图的准确性与效率；证明利用有限且数量受限的地面真值样本即可获得令人满意的土壤水分图，从而降低感知与采样成本。该研究发表于《Precision Agriculture》期刊，为可扩展的土壤水分制图提供了方法论基础，并对精准农业与资源高效型水分监测具有相关应用价值。

主要技术方法：研究采用数值模拟方法验证所提框架，基于合成土壤水分场进行，这些场具有不同的空间变异性和测量噪声水平。在技术实现上，首先建立土壤介电特性与RSS值之间的理论关系模型，采用径向基函数（RBF）核函数进行GPR建模，通过设计参数长度尺度（^*）和噪声方差进行优化。对于传感器平行于X轴和Y轴的情况分别设置不同参数。研究构建误差矩阵驱动自适应采样位置选择，通过迭代更新GPR模型和误差矩阵，直至达到足够小的误差或预定样本数量。土壤水分场的模拟采用高斯分布之和的方法，设置不同极点数量和方差以测试GPR方法对不同分布模式土壤水分的估计性能。

研究结果部分：

"Moisture-RSS model"（土壤水分-RSS模型）：通过建立土壤水分与RSS值之间的理论关系，研究人员发现湿润土壤能有效支持地面波传播，配对远程RF传感器可跨公里级距离发送信号。该关系为非线性单调关系，随水分增加敏感性逐渐降低。通过迭代求解器（牛顿法）获取逆函数，可将RSS值转换为土壤水分含量。模型假设土壤剖面近似均质，土壤水分可建模为连续空间场。

"Noise reduction for RF sensors"（RF传感器噪声降低）：GPR被采用以降低RF传感器测量中的噪声。针对平行于X轴和Y轴的传感器路径，分别设置参数=1、=0.2以及=0.99、=0.21。训练数据点为400个，测量噪声为零均值、0.0663标准差。GPR估计结果以95%置信区间呈现，真实土壤水分值有95%的可能性落在此区间内。

"Estimation of soil moisture map"（土壤水分图估计）：利用有限土壤水分样本估计田间土壤水分分布。定义 moisture sample（水分样本）为位置与水分值的组合，通过GPR方法估计任意位置的土壤水分。研究提出数据归一化技术，通过调整估计值的最大最小值使其与训练数据对齐，改善数值稳定性，无需为新的训练数据重新调整参数。使用公式（7）优化GPR参数，最小化估计误差并最大化置信范围。

"Moisture sensor network and estimation error"（水分传感器网络与估计误差）：通过N_x对沿X轴的传感器和N_y对沿Y轴的传感器，将田间划分为N_x×N_y个像素化区块。建立关于各区块水分含量的方程组，利用路径平均水分含量与在空间关系，构建估计误差矩阵E_X和E_y，以确定估计误差并指导进一步采样位置。

"Sample selection"（样本选择）：提出基于误差矩阵的样本选择策略。定义误差矩阵E=[e_ij]，其中e_ij=min{E_i, E_Nx+j}，通过寻找矩阵中的最大误差确定需要补充采样的像素化区块位置。该策略通过迭代更新GPR模型和误差矩阵，逐步降低估计误差，直至达到足够小的误差或收集到预定数量的样本。

"Measurement noise reduction"（测量噪声降低）：测试不同测量噪声条件下GPR方法的性能。噪声采用零均值正态分布，标准差从0.05至0.6变化。结果表明，估计误差随噪声增大而增加；核函数和GPR方法需要根据噪声水平进行调整以达到最优性能。观察到在0.5dB噪声处误差有明显下降，可能与水分共振现象有关。

"Sample selection"（样本选择仿真验证）：使用图5中的土壤水分圈进行仿真，设置=1、=0.002。比较优化采样、随机采样与理想采样的性能，结果显示在有限样本（20~50个）条件下，优化采样优于随机采样。例如，使用30个土壤水分样本时，优化采样的平均估计误差和方差均为随机采样的一半。值得注意的是，理想采样（基于真实误差）并未在有意义层面展现更优性能，因其为确定性方法，缺乏对广泛土壤水分分布模式的泛化能力。当样本增至400个时，GPR方法的土壤水分估计误差为6.135%，即使增加更多测量，基于GPR的解仍将存在非零估计误差。

"Moisture maps for simulation"（模拟用土壤水分图）：GPR方法性能对土壤水分分布模式敏感。使用不同极点数量和方差随机生成土壤水分图进行测试，结果显示更多极点用于模拟更大方差的土壤水分时，平均估计误差更小。较高方差（0.24）的土壤水分图比较低方差（0.012）时，GPR估计更接近真实值，参数优化后的GPR能更好地逼近土壤水分分布。

讨论与结论部分总结：该研究提出了一种基于模拟的概念验证框架，用于田间尺度土壤水分制图，整合了基于RSS的路径平均感知、概率空间回归以及稀疏地面真值条件下的自适应样本选择。研究结果表明，RSS可被有意义地解释为发射器-接收器路径上的空间平均信息，在直接测量受限时为土壤水分重建提供有价值的约束。分析揭示了若干重要洞察：第一，基于RSS的感知的主要价值在于其增强有限原位测量的能力，而非替代它们，通过提供补充性空间信息改善数据稀缺条件下的重建精度；第二，采样策略的比较评估表明，样本放置对估计性能至关重要，由RSS衍生信息和模型不确定性引导的自适应采样持续优于随机采样，尤其在空间变异性和噪声较高条件下，凸显了知情采样设计在实际部署中的重要性。研究同时明确了适用范围与边界条件：报告的性能反映了控制模拟条件下可达到的上限，真实环境中精度将取决于环境异质性、特定地点的RSS-水分校准关系，以及信号频率、功率和天线配置等系统设计参数。这些因素强调在田间部署前进行仔细的系统调优和验证的必要性。总体而言，该工作为将基于RSS的感知、不确定性感知回归和自适应采样整合到土壤水分制图工作流中建立了方法论基础。虽然进一步实验验证尚属必需，但结果表明这种整合具有支持精准农业中成本效益型、可扩展土壤监测策略的强潜力。

研究局限性：该研究存在若干重要局限。RSS测量本质上反映的是发射器-接收器传播路径上所有材料的电磁衰减和电导率，而非仅土壤水分。植被覆盖、地表水和其他环境水分源可导致额外衰减，动物移动或农业机械等瞬态干扰可能引入短期测量变异性。此外，RSS与土壤水分的关系为非线性、地点依赖性，且对土壤质地、结构、电导率、温度及盐碱度或pH等化学性质敏感。 particularly，RSS对土壤水分的敏感性在干燥条件下趋于降低，可能限制低水分水平下的估计精度。这些效应在当前模拟中未显式建模。当前实现未捕获完整的二维空间相关性或各向异性土壤水分模式，可能限制具有强方向变异性田间的重建精度。研究假设固定传输频率和功率水平，而实际中信号穿透深度和耦合效率强烈依赖于这两个参数，较低频率和较高发射功率通常增强土壤相互作用，但增加能耗和系统复杂性。频率选择、功率控制和天线配置的影响未在此探讨，是未来系统设计的重要考量。

未来研究方向：应集中于基于真实RSS测量和独立土壤水分观测（如TDR/FDR或 gravimetric 采样）的田间验证，以量化真实环境条件下的性能。扩展至完整二维和各向异性空间模型、整合地形、热力和卫星衍生数据、以及探索多频率或多功率感知策略，可进一步提高鲁棒性和分辨率。最终，推动基于RSS的感知向独立、低成本且长期的土壤水分监测解决方案发展，仍是重要且开放的研究方向。