《Scientific Reports》：A hybrid framework combining microwave sensing and deep learning for real-time soil volumetric water content estimation
编辑推荐：
本研究介绍了一种集成的非破坏性方法，用于实时土壤水分测量，该方法结合了2.4 GHz微波/射频（RF）传感系统与机器学习。它克服了传统称重法（gravimetric）的局限性，后者是破坏性的、耗能且需要24小时延迟，通过提供快速的现场体积含水量（VWC）估计来
本研究介绍了一种集成的非破坏性方法，用于实时土壤水分测量，该方法结合了2.4 GHz微波/射频（RF）传感系统与机器学习。它克服了传统称重法（gravimetric）的局限性，后者是破坏性的、耗能且需要24小时延迟，通过提供快速的现场体积含水量（VWC）估计来支持紧急岩土工程决策。该系统将2.4 GHz雷达平台与树莓派5（Raspberry Pi 5）的边缘计算相结合，收集和分析反射信号功率，该功率与土壤介电特性密切相关。卷积神经网络（CNN）对土壤质地（砂土、黏土或混合土）进行分类，从而选择最优的多项式回归模型进行精确预测。使用目标含水量0.05、0.15、0.25、0.35和0.45 L进行验证，测量值与预测值之间高度一致，砂土、黏土和混合土的平均准确率分别约为99.8%、99.7%和99.4%。该系统将测量时间大幅缩短至实时，同时保持与传统称重法（通常需要24小时）相当的可靠性。该方法为土木工程和农业中的连续土壤监测提供了一种经济高效、可扩展的解决方案，改进了地基稳定性评估并实现了主动风险管理。
**论文解读：基于微波传感与深度学习的实时土壤体积含水量估计混合框架**
**研究背景与问题**
土壤水分是岩土工程和农业系统中控制机械、水文和环境行为的关键状态变量。在岩土工程中，体积含水量（VWC）影响基质吸力、抗剪强度、压缩性、胀缩响应、承载力及边坡稳定性，从而决定地基、路面、堤坝等结构的性能。在农业中，VWC控制入渗、蒸散、灌溉调度和根区水分可用性。然而，传统称重法（gravimetric method）虽为标准参考，但具有破坏性、耗能且需24小时延迟，无法满足现代工程中快速决策的需求。近年来，电磁（EM）和雷达传感技术逐步替代点式测量，但现有基于雷达的方法仍受限于场地特定校准、对土壤性质的敏感性以及缺乏实时嵌入式处理集成。机器学习（ML）和深度学习（DL）虽能改善信号解释，但多数模型依赖复杂平台或离线处理，且跨土壤纹理的预测模型可迁移性差。因此，亟需一种能自动识别土壤类型并应用纹理特异性预测模型的适应性框架，以实现实时、非破坏性的土壤水分监测。
**研究内容与意义**
研究人员开发并验证了一种混合框架，将2.4 GHz微波/射频（RF）传感与边缘机器学习相结合，用于实时土壤体积含水量估计。该系统通过雷达平台获取反射信号功率（RSSI），利用卷积神经网络（CNN）实时分类土壤质地（砂土、黏土或混合土），并动态选择预校准的四阶多项式回归模型进行精确预测。实验在控制实验室条件下，对三种土壤类型（砂土、黏土及砂质黏土混合土）进行校准和验证，平均预测准确率分别达99.8%、99.7%和99.4%。与传统称重法相比，测量时间从24小时缩短至实时，且结果高度一致。该论文发表在《Scientific Reports》，为土木工程和农业中的连续土壤监测提供了低成本、可扩展的解决方案，改进了地基稳定性评估并支持主动风险管理。
**关键技术方法**
研究采用以下主要技术方法：（1）基于2.4 GHz微波/射频（RF）传感系统，使用Ubiquiti NanoStation M2 LOCO收发器（工作在ISM频段，集成60°定向天线，增益10 dBi）进行电磁测量，通过树莓派5（Raspberry Pi 5）实现边缘计算，采集反射信号功率（RSSI）作为土壤介电特性的代理变量。（2）采用定制化MobileNetV3-Small骨干网络的卷积神经网络（CNN）进行土壤质地分类，在1,200张高分辨率图像（每类400张，砂土、黏土、混合土）上训练，经数据增强至4,800张，并转换为单通道灰度图以抑制颜色干扰。模型参数量约1.5 M，内存占用4.2 MB，推理延迟12.4±1.2 ms。（3）针对每种土壤类型，通过控制干燥和增量水化（0%至40% VWC）建立RSSI-VWC校准数据集，拟合四阶多项式回归模型，决定系数R2>99.5%。样本来源为实验室制备的三种土壤：砂土（85%砂含量）、黏土（60%黏土含量）及砂质黏土混合土。
**研究结果**
**Calibration phase（校准阶段）**：通过四阶多项式回归拟合RSSI与VWC关系，砂土、黏土和混合土的R2分别达到99.76%、99.76%和99.49%，验证了强非线性关系。回归系数（β?–β?）因土壤类型而异，表明纹理特异性校准的必要性。
**Model training and validation performance（模型训练与验证性能）**：CNN模型在30个训练周期（epoch）后，训练和验证准确率均呈上升趋势，损失同步下降，无过拟合。混淆矩阵显示砂土分类完美（准确率100%），黏土和混合土有少量误分类，整体准确率94%–98%，F1分数>0.94。
**Evaluation of the System Performance（系统性能评估）**：使用5个已知含水量（0.05、0.15、0.25、0.35、0.45 L）的样本进行验证，测量值与实际值高度一致，砂土平均准确率99.8%，黏土99.7%，混合土99.4%，证明系统具有良好的预测精度。
**Comparison with the Standard Gravimetric (oven-drying)（与标准称重法比较）**：与烘箱法（105°C干燥24小时）对比，三种土壤的VWC测量结果接近，但系统实现实时数据获取，而传统方法需24小时，显著提升时间效率。
**讨论与结论**
讨论部分指出，系统在实验室控制条件下验证，未考虑现场因素如土壤压实、表面粗糙度、盐度、温度、有机质、矿物组成及分层等对电磁和光学响应的影响。未来需扩展数据集，涵盖更多纹理、密度、盐度水平，并进行现场验证，评估长期稳定性和模型鲁棒性。此外，可集成不确定性量化、与高阶/低阶回归模型比较，以及通过物联网（IoT）监测网络部署。
**结论部分翻译**：本研究开发并验证了一种非破坏性实时土壤含水量估计框架，通过集成2.4 GHz微波/射频（RF）传感与边缘机器学习实现。该系统结合RSSI电磁测量与基于卷积神经网络（CNN）的土壤分类，能够自适应选择针对砂土、黏土和混合土的纹理特异性四阶多项式回归模型。校准结果显示RSSI响应与含水量之间呈强非线性关系，所有测试土壤类型的决定系数（R2）均超过0.95。CNN分类器表现优异，整体准确率94%–98%，F1分数>0.94，证实了其支持纹理相关模型选择的适用性。验证结果进一步表明，该框架能够以高一致性估计土壤含水量，与制备参考值相比，砂土、黏土和混合土的平均预测准确率分别约为99.8%、99.7%和99.4%。与称重法（烘箱干燥）参考方法对比，三种土壤纹理的结果高度一致，同时测量时间从约24小时缩短至近实时。这些发现表明，将土壤分类与纹理特异性RSSI-含水量校准相结合，可提高电磁土壤水分估计的适应性和实际应用性。
