Soil analysis with machine-learning-based processing of stepped-frequency GPR field measurements: Preliminary study

地质探测雷达（GPR）已经被广泛研究作为提取与农业和园艺相关的土壤参数的工具。当结合基于机器学习（ML）的方法时，高分辨率阶梯频率连续波雷达（SFCW）测量具有成本效益的优点，可以深度解析土壤参数，包括根系深度。在这个方向的第一步中，我们使用安装在拖拉机上的SFCW GPR仪器进行了广泛的现场调查。使用ML数据处理，我们测试了GPR仪器预测表观电导率（ECaR）的能力，同时记录了电磁感应（EMI）仪器的测量值。这个大规模的现场测量活动涉及3472个共同注册和地理定位的GPR和EMI数据样本，分布在约6600平方米的高尔夫球场上。所选地形具有高表面均匀性的优点，但也面临着测量土壤参数的微小变化难以辨别的挑战。根据定量结果，我们建议使用块状体到饱和体比作为评估农业环境中端到端ML性能的性能指标，并讨论多传感器回归设置中的限制因素。该代码已作为开源发布，并可在https://opensource.silicon-austria.com/xuc/soil-analysis-machine-learning-stepped-frequency-gpr上获得。

本论文旨在探讨利用机器学习方法结合高分辨率的步进频率连续波雷达（SFCW GPR）测量，提取与农业和园艺相关的土壤参数，包括根层深度。论文通过对一块高表面同质性但土壤参数变化微小的高尔夫球场进行大规模野外调查，使用机器学习数据处理方法，测试了GPR仪器预测电磁感应（EMI）仪器测量的表观电导率（ECaR）的能力。

论文的关键思路是将机器学习方法与高分辨率的SFCW GPR仪器相结合，通过对大规模野外数据的处理和分析，实现对土壤参数的提取和预测。同时，论文提出了用块头-门槛比作为评估农业环境下机器学习性能的性能指标，并讨论了多传感器回归设置中的限制因素。

论文的实验采用了大规模的野外测量数据集，并通过机器学习方法实现了对土壤参数的预测。论文提出了用块头-门槛比作为评估农业环境下机器学习性能的性能指标，为农业环境下的机器学习应用提供了新的思路。此外，论文开源了代码，方便其他研究者进行相关研究。

在相关研究方面，最近的研究主要集中在利用机器学习方法提高土壤参数预测的准确性。例如，论文“Machine learning in soil science: a practical introduction”介绍了机器学习在土壤科学中的应用，而论文“Deep learning for soil moisture retrieval using Sentinel-1 and Sentinel-2 data”则探讨了利用深度学习方法从Sentinel卫星数据中提取土壤水分信息的方法。