基于SVM算法的超声波速度-土壤含水率估计模型

摘要 为快速准确获取土壤含水率信息，便于农业精准灌溉，引入支持向量机算法（SVM）对4 种不同干湿交替处理下超声波速度与土壤含水率进行拟合分析和回归训练优化，构建基于超声波速度的土壤含水率预测模型。结果显示，与传统的烘干法相比较，利用该模型在田间验证土壤含水率，平均相对误差为1.5% 左右。研究结果表明，基于SVM 模型构建的超声波速度-土壤含水率预测模型能够较好地描述被研究区域内土壤含水率，可为利用超声波特性实现对农田土壤水分的持续监测提供参考。

关键词 土壤含水率； 超声波速度； SVM 算法； 干湿交替

中图分类号 S152.7 文献标识码 A 文章编号 1000-2421（2024）02-0247-07

土壤水分的有效性对植被的光合及蒸腾作用起着关键作用，土壤水分不仅是作物赖以生长的重要因素之一［1-2］，而且是肥料能否被作物有效利用的重要前提。目前常用的土壤含水率检测方法如烘干法、电导率法和红外线检测法等都存在着检测时间长、精确度不高的问题，提高土壤含水率信息获取速度及准确率一直是现代农业领域的热点和难点［3］。

土壤的基本物理参数如颗粒尺寸、孔隙度、含水量等，在降雨入渗、土体水分蒸散等气象条件或灌溉排水等水文循环过程中都会发生相应变化，直接导致土壤微结构的改变［4-5］。声波作为一种良好的信息载体，在户外田间传播会受浅层土壤物理性质的影响，而接收波中携带了与土壤相关的基本物理参数及微结构变化的相关信息，因此，声学检测技术在土壤检测领域表现出强有力的优势［6］。如Wei 等［7］利用TH204 型非金属超声波测试系统在实验室对土壤进行超声波测试，研究膨胀土干湿循环次数、循环幅度及含水率变化对超声纵波速度的影响，并得到相关变化规律。Pan 等［8］利用超声波速度和土壤体积质量的双重参数，在湿干交替条件下构建了土壤含水量模型。Xu 等［9］改进了Brutsaert 理论模型，获得了较好的田间土壤含水量预测结果。另外，李君等［10］还考虑了田间土壤因经历多次干湿循环过程造成的结构及物理性质变化对检测结果的影响，构建在综合考虑土壤历经多次干湿交替作用后土壤含水率与超声波速度关系模型，预测误差在6% 左右。然而在这些研究中，无论是采用了数据拟合数学模型或者是理论模型来描述声学参数与土壤含水率之间的关系，模型的变动大且预测精度并不高。近年来随着机器学习、深度学习研究的深入，众多学者尝试应用人工智能方法获取土壤物理信息，如李志国等［11］利用改进SVM 构建了土体压缩指数等的预测模型，李铁牛等［12］提出了SVM 算法模型实现自动拾取土体微震初至波的方法，王辰璇等［13］在众多算法中选择了智能优化的SVM 算法来评估农业的可持续发展。与其他人工智能技术相比，支持向量机是在小样本统计学理论与结构风险最小化基础上建立的机器学习方法，不仅可以用来解决分类问题，对于函数回归问题上也具有较好的泛化能力。

本研究考虑水分干湿交替对于土壤结构的影响，对4 种不同程度干湿交替处理下的土壤含水率与超声波速度进行相关性试验，并采用支持向量机（SVM）的机器学习算法构建模型并选取优化参数值，对比预测集的结果精确度，旨在引入机器学习算法实现声学监测农田土壤含水率信息。