当前位置：首页 > news >正文

无人机雷达与LiDAR协同监测农业土壤湿度技术解析

news 2026/5/12 5:50:50

1. 无人机雷达与LiDAR技术在农业土壤湿度监测中的协同应用

现代农业正经历着从传统经验种植向数据驱动决策的转型。作为精准农业的核心参数之一，土壤湿度直接影响作物生长、水资源利用效率和产量预测。传统接触式测量方法（如时域反射仪TDR和电容式传感器）虽然精度较高，但存在采样密度低、破坏土壤结构、难以大面积连续监测等局限。无人机载雷达与LiDAR技术的结合，为解决这些痛点提供了创新方案。

这套系统的技术优势主要体现在三个方面：首先，工作于200-900MHz频段的穿透雷达（GPR）能够穿透作物冠层，获取地表反射信号，其散射特性与土壤介电常数直接相关；其次，LiDAR通过激光脉冲飞行时间测量，可构建厘米级精度的三维冠层模型，量化叶面积指数（LAI）和植被密度等关键参数；最后，基于辐射传输理论的联合反演算法，能有效解耦冠层衰减与土壤反射的耦合效应。我们的田间试验表明，在玉米和大豆等典型作物覆盖下，该系统可实现土壤体积含水量（VWC）4.5%以内的估算精度，且单次飞行可覆盖4000平方米的监测区域。

2. 技术原理与系统设计

2.1 雷达散射截面（RCS）的土壤湿度反演机制

雷达散射截面是表征目标电磁散射能力的物理量，定义为入射波与散射波功率密度之比。对于土壤介质，其RCS频率响应特性主要受两个因素影响：介电常数实部决定反射系数，虚部影响信号穿透深度。土壤含水量与介电常数的关系可通过Topp公式描述：

ε_soil = 3.03 + 9.3·VWC + 146·VWC² - 76.7·VWC³

其中VWC为体积含水量。我们的实测数据显示（图11），在相同地表粗糙度条件下，湿润土壤（21%VWC）比干燥土壤（11%VWC）的RCS值平均高出2-3dBsm，尤其在600MHz以下频段差异更为显著。这种频散特性为湿度反演提供了可靠依据。

2.2 LiDAR冠层参数提取算法

冠层结构对雷达信号的衰减主要体现在两个方面：植被体散射造成的信号扩散和水分吸收导致的能量损耗。我们采用体素化处理方法从LiDAR点云中提取三个关键参数：

叶面积指数（LAI）：基于间隙率模型计算： LAI = -ln(P_gap)/G 其中P_gap为激光穿透概率，G取0.5（随机叶向分布假设）
冠层高度：通过地面点滤波与植被点云高度百分位数确定
叶面密度：结合单叶面积实测数据换算： D_leaf = LAI / A_leaf

玉米与大豆的建模存在显著差异：玉米采用分段介质圆柱体模拟茎叶结构，大豆则简化为随机取向的介质圆盘。这种差异化处理使冠层模型的平均高度误差控制在9%以内（图21）。

2.3 硬件系统配置

飞行平台采用大疆Matrice 350 RTK无人机，搭载三组传感器：

Zond Aero 500 NG探地雷达：
- 带宽：200-900MHz（符合FCC Part 15规范）
- 采样率：14GS/s
- 天线：60°波束宽度蝶形天线
- 发射波形：Ricker脉冲
大疆L2激光雷达：
- 波长：905nm
- 点云密度：5000点/平方米
- 测距精度：±3cm
定位系统：
- RTK定位（水平1cm+1ppm精度）
- IMU姿态测量（±0.1°精度）

整套系统成本约3万美元，但相比固定监测网络，其边际成本几乎为零——每增加一公顷监测面积仅增加约15分钟飞行时间。

3. 核心算法实现

3.1 雷达信号校准流程

为保证RCS测量的绝对精度，我们设计了一套基于金属板的单次校准方案（图10）：

将90×90cm铝板架设于离地1m高度
无人机在6-9m高度区间采集7组数据
根据理想导体平板RCS理论值计算校准系数： σ_r(f) = 4πl⁴/λ²
建立频率相关校准函数C(f)

实测表明（图11a），该校准方法可使不同场地、不同高度的测量结果保持一致，误差小于1dBsm。关键在于金属板与地面的高度隔离，避免了地杂波干扰。

3.2 联合反演算法架构

土壤湿度反演本质上是求解辐射传输方程的逆问题。我们构建的代价函数包含三个分量：

雷达观测与模型预测的RCS残差
LiDAR实测与模型预测的冠层结构残差
介电常数物理约束（克雷默斯-克勒尼希关系）

具体实现采用网格搜索法，在500×500的二维参数空间（ε_canopy, ε_soil）中寻找最优解。为提高效率，先通过宽网格（10%步长）定位大致范围，再在局部区域进行1%步长的精细搜索。

关键细节：玉米冠层的介电常数实部通常在12-18之间（取决于含水量），而土壤介电常数实部范围更广（干燥土壤约3，饱和土壤可达25）。这种差异为参数解耦提供了物理基础。

4. 田间验证与性能分析

4.1 实验设计

我们在美国伊利诺伊州开展了为期9天的田间试验，涵盖三种地表类型：

裸土：用于基准测试
玉米田：株高1.8-2.4m，LAI 2.5-3.8
大豆田：分绿叶期和黄叶期，LAI 1.2-2.1

土壤类型均为Drummer粉质黏壤土，通过TEROS-12传感器获取地面真实数据。每个田块设置3-10个采样点，每个点采集100次雷达扫描（约30秒）和LiDAR全景扫描。

4.2 精度评估

整体性能如图14-15所示：

裸土：MAE=2.1%VWC
玉米田：MAE=3.7%VWC
大豆田：MAE=5.8%VWC

误差主要来源于两个场景：1）无人机姿态倾斜导致信号衰减（可通过IMU数据校正）；2）低频段（<500MHz）的地下湿层反射造成干扰。后者在玉米田更显著，因其根系层水分分布不均匀。

4.3 参数敏感性分析

带宽影响（图17）：
- 全带宽（200-900MHz）比窄带（700-800MHz）误差降低32%
- 低频段对深层湿度敏感，高频段更适合表层测量
飞行高度（图18）：
- 6m与8m高度结果差异<1.5%
- 验证了小脚印近似模型的合理性
冠层建模必要性（图19）：
- 启用冠层校正后，绿叶大豆田误差从7.2%降至3.5%
- 对玉米田改善幅度较小（3.1%→2.8%）

5. 实操经验与优化建议

5.1 飞行任务规划要点

时间窗口选择：
- 避免正午强光照导致的无人机阴影干扰
- 雨后至少等待2小时再进行测量（避免叶面水滴影响）
航线设计：
- 航高6-8m，速度3-5m/s
- 重叠率≥60%（保证点云连续性）
- 采用"田"字形飞行路径（覆盖中心与边缘）
气象条件：
- 风速<8m/s（保证姿态稳定）
- 相对湿度<80%（减少大气衰减）

5.2 数据处理技巧

雷达信号预处理：

def preprocess_rf(raw_scan): # 直流偏置去除 scan = raw_scan - np.mean(raw_scan[:100]) # 带通滤波 b, a = butter(4, [200e6,900e6], btype='bandpass', fs=14e9) return filtfilt(b, a, scan)