《Frontiers in Environmental Science》:Maximizing the information return of vehicle-based sensors: optimal routing for mobile cosmic ray neutron sensing
编辑推荐:
本研究旨在最大化运行于道路网络上的移动环境数据采集系统的信息回报。研究人员提出一个两步调查设计框架,该框架融合描述景观异质性的空间密集辅助数据与道路网络信息,并将路线规划表述为组合优化问题。首先使用模糊聚类和定向越野优化构建信息丰富的初始路线,随后通过辅助数据
本研究旨在最大化运行于道路网络上的移动环境数据采集系统的信息回报。研究人员提出一个两步调查设计框架,该框架融合描述景观异质性的空间密集辅助数据与道路网络信息,并将路线规划表述为组合优化问题。首先使用模糊聚类和定向越野优化构建信息丰富的初始路线,随后通过辅助数据空间中的凸包分析进行经济化步骤以保留信息内容。该框架通过德国中部一项大规模(4,500 km2)移动宇宙射线中子传感(CRNS)土壤水分测量案例研究进行评估。与相似长度的经验设计路线相比,优化路线在将稀疏CRNS测量区域化到重力土壤水分图时产生了更具代表性的空间覆盖并减少了外推需求,从而降低了基于回归的土壤水分制图中的本体论不确定性。结果表明,明确的信息驱动路线设计显著提高了调查效率和数据质量。所提出的框架为地球与环境科学中基于便利性的移动采样策略提供了一种通用且可转移的替代方案。
移动宇宙射线中子传感(CRNS)是一种用于区域尺度土壤水分稀疏测量的有效技术,但现有调查常依赖便利采样策略,导致数据信息回报低、空间覆盖不均,进而影响基于回归的土壤水分制图可靠性。本研究旨在解决这一困境,提出一个通用的信息驱动路线优化框架,以最大化车载传感器在道路网络上的信息回报。研究人员通过融合描述景观异质性的空间密集辅助数据(如土壤属性、地形)与道路网络信息,将路线规划表述为组合优化问题,并在德国中部约4,500 km
2区域开展大规模案例研究。与经验设计路线相比,优化路线在后续CRNS测量区域化中显著降低了外推需求,并减少了模型结构依赖性(本体论)不确定性,从而提高了调查效率与数据质量。该成果发表在《Frontiers in Environmental Science》。
为开展研究,研究人员采用以下关键技术方法:(1)特征工程:使用奇异值分解(SVD)从辅助数据中提取主成分;(2)模糊C均值(FCM)聚类:将调查区域划分为若干土地单元,量化空间异质性;(3)初始路线构建:基于聚类信息值,利用蚁群优化(ACO)求解定向越野问题(OP);(4)经济化:通过凸包分析识别关键采样点,并采用粒子群优化(PSO)保留凸包体积;(5)回归评估:使用随机森林(RF)和人工神经网络(ANN)进行土壤水分区域化,以模型差异指示本体论不确定性。样本数据来源于德国萨克森-安哈尔特州Magdeburg西南部区域,辅助数据包括SoilGrids(土壤容重、黏土、砂粒、有机碳)和BKG数字高程模型(200 m分辨率)。
3.1 调查区域与数据库:研究人员选择德国Magdeburg西南部约4,500 km
2区域,涵盖哈茨山脉、森林、湿地(Grosses Bruch)和肥沃平原(Magdeburger B?rde)。使用土壤容重、黏土含量、砂粒含量、土壤有机碳、数字高程模型及坡度作为辅助数据,通过SVD提取主成分,经FCM聚类确定15个土地单元,以捕捉空间异质性。该选择基于相对残差误差的肘部准则,并保留了90%以上的信息。
3.2 初始路线构建:融合聚类结果与OpenStreetMap道路网络,排除不可达网格节点(距道路>50 m)。计算每个道路段的信息价值,并利用蚁群优化(ACO)求解定向越野问题(OP),构建初始路线(长度341 km),确保每个聚类类型至少被访问一次。该路线覆盖了约50%的网格节点位于其凸包内,归一化外推距离多低于0.5,表明良好的空间代表性。
3.3 路线经济化:初始路线在六维辅助数据空间中的凸包包含437个顶点。通过粒子群优化(PSO)选择50个最优保留凸包体积的点(约70%体积),构建最终路线(长度270 km)。该路线在保持信息回报的同时缩短了行驶距离,并降低了外推需求。对比经验路线(相似长度)显示,优化路线在空间覆盖和归一化外推距离上更均衡。
4 结果与讨论:研究人员于2025年6月30日和7月1日分别沿优化路线(速度<20 km/h,获1184个有效测量)和经验路线(速度<30 km/h,获800个有效测量)采集CRNS数据,并采用RF和ANN进行土壤水分制图。优化路线产生的RF-ANN土壤水分图差异较小,差异的95百分位为0.23,而经验路线为0.38;RF-ANN差异与外推距离的Spearman相关系数在优化路线为0.35,经验路线为0.53。这表明优化路线降低了模型结构依赖性不确定性,并提高了空间制图可靠性。讨论指出,优化路线实施中遇到道路关闭、OSM数据不一致等问题,但总体效果优于经验路线,并建议未来研究对比其他采样策略。
总结讨论部分强调,优化路线通过信息驱动设计,显著降低了外推需求和本体论不确定性,而经验路线由于未考虑信息价值,导致模型差异更大。研究结论翻译如下:研究人员开发了一个通用解决方案框架,用于最大化道路网络上移动数据采集系统的信息回报。该框架融合多源空间密集辅助数据与道路网络信息,将路线设计表述为组合优化问题。通过两步策略确保计算可行性和信息保留:首先构建信息丰富的初始路线,然后通过凸包分析确定关键采样点进行经济化。在德国中部的大规模案例研究中,优化路线实现了更高且空间更均衡的信息回报,土壤水分图的外推需求和本体论不确定性均低于经验路线。该方法可广泛应用于地球与环境科学中的移动传感问题,为经验性采样策略提供了系统替代方案。