面向地面传感器网络近地表气温与相对湿度双目标估计的虚拟感知框架VS-DCFF：融合Copula概率建模与确定性特征工程的方法

《Sensors》：VS-DCFF: An AI-Based Virtual Sensing Approach for Dual-Target Environmental Parameter Estimation via Deterministic and Copula-Driven Feature Fusion

　　

摘要

地面环境监测网络中的物理传感器部署通常受限于高昂的安装成本、硬件故障以及有限的空间覆盖范围，导致观测数据集不完整以及各监测站点的感知能力下降。数据驱动的虚拟感知提供了一种具有成本效益的替代方案，它通过利用相关传感器测量数据训练的机器学习模型来估计目标环境参数，从而降低了对密集物理基础设施的依赖。本文提出了VS-DCFF，一种面向地面传感器网络数据近地表气温和相对湿度双目标估计的应用型虚拟感知框架。VS-DCFF集成了：(i) 一个确定性流水线，通过时间编码、滚动窗口统计和基于互信息的特征选择来捕捉线性趋势/季节分量，并选取对残差信号具有预测能力的特征；(ii) 一个概率性流水线，采用高斯Copula模型生成在统计上一致且保持变量间依赖关系的合成残差样本；以及(iii) 一种早期特征级融合策略，将Copula增强的XGBoost残差提升阶段的输出与线性趋势分量相结合以产生最终预测。在严格的时序评估协议下，VS-DCFF与持续性基线、线性及集成回归基线，以及VSG-SGL框架统计核心的同协议重新实现进行了基准比较，在近地表气温方面取得了C、的指标，在相对湿度方面取得了、的指标，优于所有测试基线。该框架还通过留一站点的空间泛化验证、模拟传感器故障和目标历史丢失下的鲁棒性评估、Copula变体与合成数据保真度诊断，以及轻量级边缘部署消融实验进行了进一步验证。所有发现，包括测试的扩展（如空间上下文特征）未能带来稳健改进的案例，均以透明方式报告。结果表明，所提出的架构为现实部署条件下的双目标环境虚拟感知提供了一种计算效率高且经过广泛验证的方法。