基于土壤传感器数据的PSO-CatBoost算法：一种估算田间持水量的新型原位智能方法

《Agriculture Communications》：A PSO-CatBoost Algorithm Based on Soil Sensor Data: A Novel In-Situ Intelligent Method for Estimating Field Capacity

　　

田间持水量（FC）是智能灌溉的关键参数，但仍需手动测量，这限制了技术进步。增强土壤水分传感器的原位智能分析能力对于推动该领域发展至关重要。在11种常见的基于树的模型中，Categorical Boosting（CatBoost）在FC模拟中表现最佳。因此，研究人员采用CatBoost结合粒子群优化（PSO）进行参数优化，提出了一种数据驱动的智能在线FC测量方法。该方法利用传感器数据动态表征不同深度土壤水分消退曲线，同时提高了时间分辨率并降低了FC估算的复杂度。利用包含中国主要粮食产区118个农田土壤水分监测点的数据集，通过模拟对提出的方法进行了验证。将模拟误差与其他新兴集成算法模型进行了比较，结果表明所提出的方法实现了更优的性能。当应用于FC模拟时，该模型达到了极高的决定系数（R²）为0.99，平均绝对误差（MAE）范围为0.41%–1.35%，均方误差（MSE）范围为0.63%–7.27%，均方根误差（RMSE）范围为0.80%–2.64%。这些结果证实，将人工智能与土壤传感器相结合能够实现准确的原位FC估算。在实践中，该方法能够动态调整灌溉阈值，为现代农业中的自动化决策和精准水管理提供支持。

**论文解读：基于PSO-CatBoost算法的土壤水分传感器原位田间持水量智能估算方法**

**研究背景、问题与意义**

全球约24%的农田为灌溉农田，却贡献了约40%的粮食产量。然而，全球平均灌溉效率仅为50%–60%，水资源短缺压力日益增大，亟需发展现代精准灌溉系统。基于实时土壤水分含量的灌溉调度是智能农业的有效手段，而田间持水量（Field Capacity, FC）是此类灌溉决策的关键参考参数。传统FC测量依赖人工方法，如环刀取土、饱和、排水、烘干和称重，存在耗时长（2–3天）、破坏性采样、低频率和代表性差等局限，难以实现自动化与连续监测。随着物联网（IoT）技术发展，频域反射（FDR）等传感器可高频率采集土壤水分数据，但如何从这些数据中自动、准确地估算FC仍是一个挑战。已有研究利用传感器曲线拐点或双仪器联合测量，但存在需专家校准、成本高或操作复杂等问题。人工智能（AI）尤其是机器学习（ML）算法在非线性问题建模中具有优势，但FC估算通常基于短期时间序列数据，小样本量难以满足传统模型训练需求。基于树的集成学习算法（如随机森林、梯度提升决策树GBDT、极端梯度提升XGBoost）能有效处理此类问题，而CatBoost通过有序提升（ordered boosting）机制缓解了梯度偏差和过拟合，尤其适用于小样本、噪声数据。为进一步优化模型，研究人员引入粒子群优化（PSO）算法进行超参数调优。本研究旨在开发一种基于土壤传感器数据和AI的FC智能在线测量方法，实现原位、动态、高时间分辨率的FC估算，减少人工依赖，提升灌溉决策自动化水平。该论文发表在《Agriculture Communications》。

**主要技术方法**

本研究利用中国主要粮食产区（西南、西北、其他南方、华北、东北）共118个农田土壤水分监测点（2019年9月至2021年8月）的FDR传感器数据，获取0–20 cm、20–40 cm、40–60 cm、60–80 cm四个深度的每小时体积含水量。FC标签定义为土壤水分消退曲线中连续3小时含水量稳定时的值（基于72小时消退过程）。模型构建采用以下关键技术：（1）CatBoost算法作为核心回归模型；（2）PSO算法对CatBoost的超参数（如深度、学习率、L2正则化系数、迭代次数、边界数）进行全局优化；（3）留一法交叉验证（LOOCV）评估模型泛化能力，避免空间相关性偏差。输入特征包括原始小时含水量、空间协变量（经度、纬度、海拔）和时间协变量（月份）。通过比较11种常见树模型（线性回归、决策树、随机森林、梯度提升、AdaBoost、K近邻、极端随机树、Bagging、XGBoost、LightGBM、CatBoost）的初始性能，选定CatBoost后结合PSO优化。

**研究结果**

**3.1 不同区域土壤水分的时空变化特征**
通过分析全国118个站点数据，发现土壤水分含量总体呈现南高北低的趋势。西南（SW）地区水分含量最高（0.243–0.308 m³·m^-3），变异系数较小；东北（NE）地区最低（0.139–0.216 m³·m^-3），离散度较大。随深度增加，土壤水分含量增加，但变异系数也增大。6–9月各层水分含量显著升高，与灌溉和降水频繁有关。

**3.2 土壤水分变化曲线与FC特征**
不同区域土壤水分消退曲线形态差异显著。北方地区波动大于南方。NE地区曲线范围最宽（0.060–0.390 m³·m^-3），SW地区最窄（0.350–0.470 m³·m^-3）。平均消退时长：其他南方（OS）38.37 h，华北（NR）36.47 h，NE 24.18 h，西北（NW）19.94 h，SW 16.91 h。消退速率：SW最快（0.0047 m³·m^-3·h^-1），OS最慢（0.0019 m³·m^-3·h^-1）。表层（L20）消退时长和速率均高于深层。FC在北方低于南方，OS和NR的FC离散度较大。

**3.3 FC估算模型精度比较**
在11种默认参数树模型中，CatBoost表现最优。经PSO优化后，PSO-CatBoost模型在四个深度的FC估算中R²达到0.98–0.99，MAE为0.35%–0.66%，MSE为0.26%–0.96%，RMSE为0.51%–0.98%。相比单一CatBoost，R²提升最高达2.06%，MAE、MSE、RMSE分别降低30.85%、54.40%、34.92%。通过分析72小时消退过程中各小时数据的重要性，发现关键时间节点随深度增加而推迟（L20第9小时、L40第17小时、L60第62小时、L80第23小时）。区域验证显示，OS地区模拟效果最佳（R²=0.90–0.98），NW地区相对较差（R²=0.86–0.97）。全国尺度模拟R²为0.98–0.99，表明模型具有高精度和可靠性。误差空间分析显示，北方地区误差较大（MAE 0.62%–1.35%，MSE 0.73%–7.27%，RMSE 0.86%–2.64%），南方地区误差较小（MAE 0.41%–1.14%，MSE 0.63%–6.89%，RMSE 0.80%–2.62%）。

**讨论与结论**
讨论部分指出，土壤水分时空分布特征与已有研究一致，表层水分含量低主要受蒸发影响，6–9月是FC估算的关键时期。PSO-CatBoost方法相比传统仪器方法（如FDR+中子探针、FDR+张力计）仅需单一种类传感器，且R²更高（0.99 vs 0.93/0.96），不受土壤质地限制，具有良好的稳定性和泛化能力。模型可嵌入土壤水分传感器实现感算一体，动态更新多深度FC，为精准灌溉决策提供实时上限参考。研究结论翻译如下：本研究提出了一种基于PSO-CatBoost人工智能算法的土壤田间持水量测定方法，通过土壤水分传感器采集数据自动识别土壤水分变化曲线上的FC值。该估算模型的R²可达0.99，MAE、MSE和RMSE分别在0.41%–1.35%、0.63%–7.27%和0.80%–2.64%之间。最准确的估算时段为6月、7月、8月和9月。该方法的主要优势之一是能够动态更新同一位置多深度（四层）的FC，不受土壤类型或地理区域限制。此外，FC估算模型可直接嵌入土壤水分传感器，实现感知与计算集成。这一进步增强了土壤传感器的功能，为智能农业中关键参数的更智能、自动化采集提供了技术支持。