利用可扩展的射频传感器网络进行实时土壤湿度测绘

《Computers and Electronics in Agriculture》：Real-time soil moisture mapping using scalable RF sensor networks

实时土壤湿度监测框架基于可扩展射频传感器网络，结合协方差过程回归（GPR）和动态像素化优化算法，实现了高精度、自适应的土壤湿度实时映射。通过动态调整像素网格和最小化成本函数（平衡映射误差与信号一致性），系统可无缝切换网络拓扑下的湿度图，并通过GPR滤波异步数据噪声。实验表明，在澳大利亚新南威尔士州Cobbitty的实地测试中，平均绝对误差1.28%，平均偏差-0.277%，验证了其在精准农业中的可靠性和可扩展性。

　　土壤湿度地图绘制对于精准灌溉、作物健康管理和水资源利用至关重要，然而传统方法由于采样稀疏和对大型或动态田地适应性差而存在局限性。本文提出了一种实时土壤湿度地图绘制框架，该框架利用可扩展的射频（RF）传感器网络、高斯过程回归（GPR）和基于成本函数的优化方案。该系统能够动态计算最优的像素尺寸和位置，使得土壤湿度地图在底层网络拓扑结构发生变化时能够实现平滑过渡。GPR被用来过滤噪声的接收信号强度指示器（RSSI）值并插值缺失数据，而成本函数则在RSSI到湿度的投影和探针测量之间平衡映射精度与一致性。通过在新南威尔士州Cobbitty进行的模拟和现场试验，验证了该方法在异步数据流、网络规模扩展和可靠精度方面的适应性，取得了平均绝对误差为1.28%和平均偏差为-0.277%的成果。这些结果突显了该框架在精准农业和大规模田地部署中提供稳健实时土壤湿度监测的潜力。

高效水资源管理是现代农业面临的基本挑战。水资源短缺、气候不可预测性和可持续资源利用的迫切需求使得土壤湿度监测变得尤为重要。土壤湿度在决定植物生长、作物产量、灌溉计划和整体田地生产力方面起着关键作用。准确且及时的土壤湿度监测支持农业操作和农产品营销中的决策制定。然而，传统的土壤湿度测量技术，如重力采样或时域反射（TDR），往往需要大量人力，空间覆盖有限，不适用于实时应用。近年来，无线传感器网络（WSN）和物联网（IoT）技术的进步为连续和自主的环境监测提供了新的机遇。射频传感在土壤湿度估计中特别有吸引力，因为它具有成本效益高、低功耗和广泛覆盖的潜力。无线电波受到土壤介电性质的影响，而这些性质随湿度变化而变化。因此，穿过土壤的信号的接收信号强度指示器（RSSI）可以作为估计土壤湿度的代理。尽管有这种潜力，但诸如信号噪声、环境干扰、异步通信和变化的网络拓扑结构等挑战使得仅凭RSSI数据难以获得高分辨率、实时的湿度地图。

一些估计和预测方法是使用统计回归、经验建模和机器学习技术开发的。经验模型通常依赖于曲线拟合来找到信号强度和湿度之间的关系，但它们对环境变化敏感，并且在不同类型的土壤和田地条件下缺乏泛化能力。时间模型和卡尔曼滤波器被用来跟踪时间变化的湿度，但它们需要密集的采样和精细的参数调整。更先进的机器学习技术，包括神经网络和支持向量机，已显示出土壤湿度估计的潜力；然而，它们通常需要大量训练数据集，并且在预测上不够透明。相比之下，高斯过程回归（GPR）提供了一个概率、非参数的框架，非常适合处理稀疏和噪声测量。

传统的土壤湿度地图通常以栅格为基础。它们通常通过固定点测量、卫星遥感或插值传感器数据获得，由克里金法或反距离权重（IDW）推导出来。这些方法通常假设静态、均匀的栅格，并且不考虑传感器故障或动态变化的网络拓扑结构。最近的研究引入了自适应网格或不规则三角网（TIN）以获得更好的非均匀采样性能，但它们通常需要离线计算。本文提出的湿度地图是像素基础的，并通过实时GPS数据推导出的信号路径交点动态构建。这允许在传感器位置或网络结构变化时，实现土壤湿度地图之间的平滑过渡，从而支持可扩展和灵活的传感器网络的实时监测。这种自适应像素化，结合成本函数优化，使我们的方法区别于传统的土壤湿度地图绘制方法。

为了应对上述挑战，本文提出了一种结合GPR和可扩展射频传感器网络的新方法，以计算实时土壤湿度地图。设计了一种算法来处理动态和不规则的网络结构，实现数据连续性，并适应变化的土壤条件。GPR特别适合这种应用，因为它提供了一个概率框架来平滑噪声信号并插值稀疏或异步的测量。本文的系统计算最优的像素位置和大小，以表示田地在栅格中，通过最小化一个成本函数，动态更新土壤湿度值，该成本函数在映射精度和信号一致性之间进行平衡。

一个关键的创新是采用像素化地图方案。该方案允许在传感器网络结构偶尔变化时实现土壤湿度地图之间的无缝过渡。在这样的方案下，系统能够保持对现实世界环境的稳健性和适应性，即使传感器出现故障、通信中断或节点重新定位。此外，我们提出了一种轻量级的成本函数，以整合映射误差（等式约束的不平衡）和探针误差（传感器读数与像素估计之间的差异），从而实现准确且响应迅速的实时处理。

本文旨在通过提供一种实时、可扩展的土壤湿度监测解决方案，弥合理论建模与现场部署之间的差距。我们的系统处理三种类型的数据流（RSSI、GPS坐标和湿度探针读数），并使用时间同步框架来保持地图的一致性和适应性。设计支持空间栅格的可变维度，并引入转换矩阵以确保在网络配置变化时，连续地图之间的连续性。本文的贡献如下。

• 设计了一种实时框架，用于计算和转换湿度地图。

• 提出了一种从映射误差和RSSI-湿度投影的成本函数。

• 使用GPR方法平滑RSSI和探针流，以获得最大可信度。

在论文的其余部分，我们首先介绍问题描述。定义了数据模型，并使用GPR方法来过滤异步数据流。然后，我们呈现了土壤-水动态的数学模型，以及基于信号路径上平均湿度值的等式约束。我们开发了一种动态田地像素化方案，从而提出了湿度地图转换。根据这些约束的不平衡和与地面实测值的差异，我们制定了成本函数，并设计了一种算法以计算土壤湿度地图。实验验证提供了，随后是对限制和未来研究方向的讨论。参见表1以获取本文中使用的符号列表。

尽管这些结果令人鼓舞，但仍然存在一些限制。首先，RSSI作为土壤湿度代理的可靠性受到众多环境因素的影响，如温度、植被和土壤成分，这些因素在本研究中没有被显式建模。其次，传感器节点的静态定位限制了空间分辨率，并可能无法捕捉高度异质田地中的小尺度湿度变化。第三，虽然GPR方法具有鲁棒性，但在输入数据边界或稀疏数据条件下可能会出现性能下降。此外，随着网络规模的扩大，实时更新的计算成本可能会变得显著。

本文提出的框架的一个重要组成部分是使用GPR进行噪声去除和缺失数据插值。结果表明，GPR有效地平滑了RSSI和探针信号，并在数据流不规则或部分缺失时提供了可靠的估计。这种插值确保了土壤湿度地图的连续性，并减少了估计误差，如现场试验中观察到的低平均绝对误差所证实。然而，GPR的性能可能在训练数据边界或非常稀疏采样时下降，插值可能引入更高的不确定性。尽管本研究中使用的平方指数核表现出色，但未来的工作可以探索其他内核或混合插值方法，以进一步提高在极端数据丢失或高度异质田地条件下的鲁棒性。

提出的框架旨在适应精准农业的不同应用场景。在Cobbitty的现场试验中，监测区域包括13个像素块（边长为32.72米的正方形像素），总面积为13,918平方米（约1.392公顷，约3.44英亩），由七个节点提供连续的实时映射。由于算法能够动态适应传感器节点的数量和分布，相同的方法可以通过增加节点密度或覆盖范围扩展到更大的田地，而无需重新设计计算框架。这种可扩展性使该方法适用于小型研究地块和商业农田。

从实际角度来看，每个传感器节点由低功耗射频收发器、GPS接收器和土壤湿度探针组成。每个节点的估计硬件成本为数百澳元，具体取决于探针类型。与传统的密集探针监测系统相比，部署成本有所降低，因为该映射方案利用了信号传播路径，而不是仅依赖于探针密度。维护需求也相对较低，适合长期运行和连续监测。这些特点支持成本效益高的长期监测，并有助于精准灌溉和大规模农业管理的采用。

未来的研究可以通过几种方式解决这些限制。首先，整合额外的环境变量，如土壤温度和质地，可以提高RSSI到湿度的投影。其次，部署移动传感器节点或无人机可以增强空间覆盖和分辨率。第三，探索替代的机器学习方法，如深度学习或在线集成方法，可以减少估计误差并提高可扩展性。最后，该框架可以扩展到多层土壤剖面或与灌溉管理系统集成，以支持精准农业应用。

在本文中，我们提出了一个结合射频传感器网络和GPR的实时土壤水分绘制框架，以动态和准确地监测和绘制土壤水分含量。该系统有效利用接收信号强度指示器（RSSI）数据，结合GPS和探针测量，通过优化成本函数在映射精度和等式约束之间进行平衡，估计空间分布的土壤水分。开发的算法通过引入基于像素的田地表示和连续地图状态之间的平滑转换，能够处理变化的网络结构和地图尺寸。

提出的框架通过模拟和现场试验进行了验证。在Cobbitty的现场部署中，系统相对于地面实测探针测量取得了平均绝对误差为1.28%和平均偏差为-0.277%的结果，同时在网络拓扑结构变化时保持地图的平滑过渡。这些定量结果证实了该框架在实时精准农业应用中的准确、稳健和可扩展的土壤水分绘制能力。