基于机器学习处理分段频率 GPR 场测量的土壤分析：前期研究
信号处理
2025-05-26 v2 人工智能
摘要
地面雷达 (GPR) 已被广泛研究作为从土壤参数中提取数据（与农业和园艺相关）的工具。当与机器学习 (ML) 方法结合使用时，空耦合分段频率连续波地面雷达 (SFCW GPR) 测量可提供一种高性价比的方式来获取深度解析的土壤数据。作为本研究方向的第一步，我们使用一台安装在拖拉机上的空耦合 SFCW GPR 仪器进行了大规模野外调查。通过基于机器学习的数据处理，我们评估了 GPR 仪器的能力，通过预测共记录的电磁感应 (EMI) 仪器测得的 apparent 电导率 (ECaR) 来评估 GPR 仪器的性能。在约 6600 平方米范围内开展的大规模现场测量活动包含 3472 个共定位和地理定位的 GPR 和 EMI 数据样本，该地形提供了高表面均匀性，同时也存在细微的土壤参数变化。基于结果，我们讨论了这种多传感器回归设置中的挑战，并提出将“凑度-平原比”用作评估农业现场调查应用中 ML 模型性能的指标。
引用
@article{arxiv.2404.15961,
title = {Soil analysis with machine-learning-based processing of stepped-frequency GPR field measurements: Preliminary study},
author = {Chunlei Xu and Michael Pregesbauer and Naga Sravani Chilukuri and Daniel Windhager and Mahsa Yousefi and Pedro Julian and Lothar Ratschbacher},
journal= {arXiv preprint arXiv:2404.15961},
year = {2025}
}