基于物理约束的主动学习方法用于土壤湿度估计与最优传感器布局
信号处理
2024-03-13 v1
摘要
土壤湿度是至关重要的水文状态变量，对全球环境和农业具有重要意义。精准监测作物田地中的土壤湿度对于减少农业干旱和提高作物产量至关重要。埋设于预定深度并分布在田间的现场土壤湿度传感器是监测土壤湿度的有前景的解决方案。然而，高密度传感器部署既不经济也不实用。因此，在有限传感器数量的情况下，通过将基于 Richards 方程的物理模型集成到物理约束深度学习框架中，以准确预测土壤根系区的土壤湿度动态，来实现更高的空间分辨率。该方法确保土壤湿度估计与传感器观测一致，同时遵守物理定律。此外，为战略性地确定传感器布局位置，我们引入一种新颖的主动学习框架，将空间填充设计与物理残差基于抽样结合，以在有限传感器下最大化数据获取潜力。我们的数值结果表明，将物理约束深度学习（P-DL）与主动学习策略在统一框架内集成——称为物理约束主动学习（P-DAL）框架——显著提高了使用现场传感器进行田间尺度土壤湿度监测的预测准确性和有效性。
引用
@article{arxiv.2403.07228,
title = {Physics-constrained Active Learning for Soil Moisture Estimation and Optimal Sensor Placement},
author = {Jianxin Xie and Bing Yao and Zheyu Jiang},
journal= {arXiv preprint arXiv:2403.07228},
year = {2024}
}