470 MHz無線信號在混交林中的傳播特性及模型構建

范屹帆,郭根威,吳 寅

(南京林業大學 信息科學技術學院，江蘇 南京210037)

0 引言

混交林是相對于純林而言的一種林分，同屬于人工林。在森林經營上，如果林分內80%以上的樹種為同一樹種，則該林被認為是純林，如果該林分由多個樹種組成，并且這些樹種都未達到總數的80%，則視其為混交林。因此相對于純林而言，混交林的優勢在于物種更加豐富，對各類型資源如養分、水分、光照等的分配利用更高效[1]。對混交林的實時監測是林業物聯網的關鍵。

LoRa信號傳輸距離遠，網絡易于建設和部署，低功耗，低成本，在農業和林業領域有著廣泛的應用。中國無線電委員會，分配470 MHz為LoRa在中國的使用頻段，考慮到使用的合法性，實驗選用470 MHz的LoRa信號。其他頻段的LoRa信號基本調制原理和470 MHz的類似，其特性也基本相同。研究人員對LoRa信號傳播特性曲線進行過深入的研究，文韜等人[2]研究了橘園中無線傳感網絡節點不同的部署方式，無線信號的衰減情況受植被深度、距離及天線高度等因素影響,但實驗環境是橘樹盆栽，植株高度較低，樹林的一些反射衍射影響較小。譚星等人[3]研究了433 MHz無線信號在桉樹人工林中的傳播特性，分析了樹齡、樹干和距離對信號傳播的影響，但是實驗環境是人工林，樹木規則有序，實驗環境較為單一和理想化，不能很好地適用于野外復雜多變的環境。

本文考慮了林業特征參數葉面積指數(Leaf Area Index,LAI)[4]、降雨率(Rain Rate)[5]和傳播距離(Distance)對信號傳播強度的影響。葉面積指數通常的定義為葉面積占土地面積的比值，描述了樹林樹葉的茂密程度，其大小直接反映了信號傳播途中天然障礙的多少。雨衰是指電波進入雨層中引起的衰減，它包括雨粒吸收引起的衰減和雨粒散射引起的衰減，雨衰的直接表征就是降雨率，降雨率越大，信號衰減越大。距離參數直接反映節點和網關之間的遠近，通常情況下距離越遠，信號衰減越大。實驗環境選擇不規則排列的混交林，環境復雜，模型穩定性強。

1 實驗設備和數據采集

1.1 實驗設備

實驗設備包括一個LoRa的網關，多個LoRa節點和多個LAI采集傳感器。其中LoRa網關和節點的設置參數如表1所示。

表1 測量設置參數

1.1.1 LoRa網關

實驗采用RAK7249網關，如圖1所示，它是一款基于低功耗廣域網LoRaWAN協議的室外網關，采用防水外殼，支持以太網供電(Power over Ethernet，PoE)，可連接標準的LoRaWAN終端并進行雙向通信。網關通過標準的以太網將網關設備連接到網絡服務器 (Network Server,NS)，支持網絡和防火墻功能。同時，RAK7249支持4G/LTE、GPS、WiFi等多種通信協議，實現數據上傳。RAK7249內置OpenWRT操作系統，用戶通過Web管理頁面，頁面可以靈活地配置網絡參數和LoRaWAN協議參數。RAK7249可連接標準內置NS，無需用戶在云端和本地部署NS,特別適合于行業應用中小型化的場景，節省數千元的服務器成本和研發投入，并且具有執行效率高、延時更短的優點。RAK7249集成RAK2247的LoRa集中器網卡，最多可擴展支持兩張LoRa集中器網卡，實現16個上行接入通道和兩個下行發送通道，保證了傳輸的穩定性。

圖1 網關Fig.1 Gateway

1.1.2 LoRa節點

實驗的數據采集節點運用RAK811，如圖2所示，它是一款低功耗遠距離LoRa技術收發模塊，具有易用、小巧、傳輸距離遠以及功耗低等特點，是一種非常好的遠距離無線數據傳輸解決方案。RAK811模塊支持最新的LoRaWAN的A類和C類技術協議規范，可以非常方便地接入廣域網物聯網平臺。RAK811模塊集成了Semtech的SX1276和STM32L芯片，并提供了UART接口讓用戶可以發送AT串口指令。林業特色傳感器直接連接節點的串口，給節點發送數據，而后經節點轉發到服務器網關。

圖2 節點Fig.2 Node

1.1.3 LAI測量傳感器——PAR光量子傳感器

傳感器設備使用了PAR傳感器，如圖3所示，用于檢測自然光的光合有效輻射，這是植物進行光合作用的太陽輻射，設備使用簡單，當有光照時，產生一個與入射輻射強度成正比的電壓信號。由于其值的數量級很小，通過轉接放大器，再利用單片機采集得到放大幾百倍的電壓值，兩個PAR傳感器組成了一個LAI測量設備。

圖3 PAR傳感器Fig.3 PAR sensor

1.1.4 網關內置服務器

RAK網關標準固件集成了消息隊列遙測傳輸 (Message Queuing Telemetry Transport，MQTT) Bridge功能，讓用戶自行選擇使用用戶數據報協議(User Datagram Protocol，UDP)或MQTT協議轉發數據到指定的NS服務器。上電后通過WiFi掃描連接對應網關的服務集標識(Service Set Identifier，SSID)，連上后在網頁界面登錄網關。

1.2 設備部署

采用LoRaWAN星型組網方式，如圖4所示。

圖4 組網布局Fig.4 Network layout

在混交林水平方向上每隔5 m布置一個節點，即距離LoRaWAN網關5,10,15,…,85 m的位置;垂直方向上，每隔0.5 m布置一個節點，分別在確定好水平位置的前提下，距離地面0.5,1,1.5,2,2.5 m位置布置節點。如圖5所示，每個位置放置兩個節點，分別連接PAR傳感器，其中一個PAR傳感器放置在樹木底部脫離陰影區域，用來作為光合有效輻射的參照值;另一個PAR傳感器放置在樹木冠層下方，用來測量透過樹木冠層的有效輻射，其采集傳輸過程如圖6所示。

圖5 節點布局Fig.5 Node layout

圖6 硬件設備工作流程Fig.6 Hardware equipment workflow

網關布置在混交林的入口處，直立向上。上位機是一臺筆記本電腦，通過無線WiFi連接網關的內置NS，如圖7所示，用于實時監測數據采集。

圖7 網關架設圖Fig.7 Gateway erection diagram

在實際測量中，發射節點和接收網關的天線均保持垂直向上，在同一測量位置的同一高度，由于樹葉、樹枝和灌木叢分步的隨機性和實時微小變化性(如風吹動影響葉子的正對面積等)，傳輸信號的強度可能會發生很大的變化。因此同一個測量節點測量多組數據，當擁有足夠大的數據集后，其特征將無限逼近信號的真實特性，而后再采用均值來代替大數據集。同一個位置節點的接收信號強度指示(Received Signal Strength Indication,RSSI)的平均值，用作后續數據分析的參照值。

2 測量結果與數據分析

路徑損耗是電波在傳輸過程中由傳播距離、傳播環境產生的損耗，表示信號衰減的程度[6]。路徑損耗會縮短信號的傳播距離，降低信號的質量，不同環境下路徑損耗指數的取值也有差異[7]。

2.1 路徑損耗參數分析

對數-常態分布模型多用于無線電傳播模型建設，其表達式為：

(1)

式中，PL(d0)為經過單位距離后的路徑損耗，d0為單位距離，通常d0=1 m;PL(d)為經過單位距離d后的路徑損耗；X0均值為0的高斯分布隨機量，n為一個和環境相關的路徑損耗指數[8]。

RSSI在常規正常使用情況下，可以將單位距離d0取1，使用簡化的模型公式為：

RSSI=-(10nlgd+A)，

(2)

式中，d為待測節點和參考節點之間的距離(單位：m)；n為路徑損耗指數，取值范圍一般為2～4；A為待測節點和參考節點之間的距離d為1 m時，測得的信號基準功率[9]。考慮到路徑損耗和RSSI之間的關系，本文利用RSSI這一更加直觀且便于采集的特征量來分析470 MHz無線信號的傳播特性。

實驗采集到的LoRa節點傳遞到網關的RSSI，每個節點多次測量，測量后進行相應的數據清洗，將異常值去除，而后取平均值，其處理流程如圖8所示。

圖8 數據處理流程Fig.8 Data processing flow

根據處理后的數據，進行相應的繪圖，測量結果顯示，LoRa信號的RSSI數據分布，隨距離的增加呈指數衰減，符合信號衰減的普遍規律，數據具有說服力，如圖9所示。

(a) 秋冬季節

2.2 LAI結果處理與分析

許多基于太陽輻射與植物冠層定量相互作用的間接非接觸LAI估算模型都利用了植物在VIS光譜中的透光率特性。所使用的monte-saeki模型是一種簡化的基于輻射的模型，它反演了用于評估LAI的著名的表示均勻混濁介質中輻射衰減的Beer-Lambert定律[10]：

(3)

式中，A為冠層上方觀測到的無遮擋天空亮度，B為冠層下觀測到的天空亮度，P為特定品種、特定場地項，即所謂的消光系數。它是由植物葉片特定光吸收特性的數量給出，并受如冠層結構及其他因素影響，此外，太陽高度對該系數影響顯著。考慮混交林相關參數后，取值為1.24，將PAR傳感器采集到的數據代入公式計算得出相應的LAI。利用式(3)，即可對不同采集點收集到的冠層上下方的光強電壓值進行計算，從而得到不同采集點處的LAI值。具體的LAI計算值如表2所示。

表2 不同采集點的LAI計算值

將基于LoRa的LAI傳感器和專業HM-G20植物冠層圖像分析設備的LAI測量結果進行對比和驗證，結果表明，基于LoRa的LAI傳感器的測量結果較為精準，并且更為便捷，具體結果對比如表3和圖10所示。

表3 兩種不同測量方法的結果對比

圖10 不同測量方法的結果對比Fig.10 Comparison of results of different measurement methods

如圖10所示，基于LoRa的LAI傳感器和HM-G20植物冠層圖像分析儀兩種方法的LAI測量結果的擬合曲線是很接近的。同時，經計算得到其對應的均方誤差為0.137%，因此，基于LoRa的LAI傳感器測量結果較為精準，相對來說LAI的獲取方式也更為便捷。

2.3 降雨率影響分析

電波進入雨層中會發生衰減，包括雨粒吸收引起的衰減和雨粒散射引起的衰減。導致雨衰的直接因素就是降雨率，從氣象臺獲取不同天數的降雨率數據，并比較降雨率不同時直接導致的RSSI變化，如圖11所示。選取LAI=1.54，高度為1.5時，同一測量區域不同降雨率下，RSSI值的曲線走勢圖。結果發現，降雨率的值與RSSI成反相關。

圖11 降雨率對RSSI的影響Fig.11 Impact of rainfall on RSSI

2.4 高度選取分析

實驗過程中，實驗人員距離地面0.5,1,1.5,2,2.5 m位置布置節點，進行數據采集，從垂直方向上比較了RSSI值的分布情況，選取LAI=1.1，降雨率為0.3的點進行數據分析，如圖12所示。由圖可知，數據整體上隨著距離的增加呈指數衰減，數據符合LoRa的分布，對比看出節點高度為1.5 m的RSSI整體最大，接收信號強度最佳。為方便后續建模，后續數據處理直接選取高度為1.5 m的數據。

圖12 不同高度的RSSI值Fig.12 RSSI values of different heights

3 模型建立

3.1 BP神經網絡

在人工神經網絡應用當中，被采用最多的是前饋反向傳播網絡，即BP神經網絡[11]，典型的BP神經網絡是一個含有隱含層的3層結構網絡。BP神經網絡的算法流程如圖13所示。

圖13 神經網絡算法流程Fig.13 Neural network algorithm flow

圖14 神經網絡預測圖Fig.14 Neural network prediction graph

3.2 支持向量機

支持向量機(Support Vector Machine,SVM)[13]，也稱為支持向量網絡，是機器學習中獲得關注最多的算法，它源于統計學習理論。從學術角度來看，SVM是最接近深度學習的機器學習算法。從實際應用來看，SVM在各種實際問題中的表現都非常優秀。它在手寫識別數字和人臉識別中應用廣泛，在文本和超文本的分類中舉足輕重。人們還使用SVM來識別用于模型預測的各種特征，以找出各種基因表現結果的影響因素。

SVM回歸預測基于不敏感函數及核函數算法進行計算,針對非線性回歸,常通過非線性映射核函數(Φ)把數據映射到高維空間進行線性回歸處理[14],其中懲罰系數(C)和不敏感損失函數(ε)兩個參數最為重要,用于平衡誤差和調整模型復雜程度[15]。通過網格搜索(GridSearchCV)工具設置參數選項C值(5,8,10,12,15,18,20)和ε值(0.01,0.005,0.001,0.000 5,0.000 1)進行逐步參數組合計算,根據訓練集和驗證集R2最為接近為原則,確定懲罰系數(C=10)和損失函數(ε=0.001)為模型外推的最優參數進行預測。SVM模型的構建和預測通過python中SVR模塊實現，訓練集占比80%，驗證集和測試集各占10%,對RSSI模型進行分類預測，結果如圖15 所示。

圖15 支持向量機預測圖Fig.15 Support vector machine prediction graph

3.3 隨機森林

隨機森林是算法模型中的一種，是一種比較新的機器學習技術。隨機森林是由Leo Breiman和Cutler Adele在2001年開發完成的一種數據挖掘方法，它是一種現代分類與回歸技術，同時也是一種組合式的自學習技術[16]。隨機森林是非常具有代表性的Bagging集成算法，它的所有基評估器都是決策樹，分類樹組成的森林稱為隨機森林分類器，回歸樹所集成的森林稱為隨機森林回歸器。

對隨機森林進行優化，需要對3個參數進行調參：max_features、n_estimators和min_sample_leaf。

(1) max_features

隨機森林允許單個決策樹使用特征的最大數量。增加max_features一般能提高模型的性能，因為在每個節點上，有更多的選擇可以考慮。然而，這未必完全是對的，因為它降低了單個樹的多樣性，而這正是隨機森林獨特的優點。參數擇優的范圍:1～11,步長為1。

(2) n_estimators

森林中子樹的數目，即基評估器的數量。基評估器的數量越大，模型的效果往往越好，選擇盡可能高的值使預測更好、更穩定。參數擇優的范圍是:1～101，步長為10。

(3) min_sample_leaf

最小樣本葉片大小。葉是決策樹的末端節點。較小的葉子使模型更容易捕捉訓練數據中的噪聲，最小樣本葉片大小很重要，一般選擇50以上。參數擇優的范圍:50～100,步長為1。

在可承受的內存/時間內，參數調試采用十折用交叉驗證法，交叉驗證(Cross Validation，CV)法的原理是將原始數據分為兩組：訓練集和驗證集，其次使用訓練集的數據分類器，用驗證集的數據來驗證訓練好的模型，從而獲得能夠評價分類器的性能指標-準確率(Accuracy)。因此，CV法能在一定意義上獲取最優參數。常見的CV方法有Hold-Out Method 、K-CV和LOO-CV三種。尋得的最優參數如表4所示。

表4 最優參數表

選取合適的值，max_features=6；n_estimators=81；min_sample_leaf=73。訓練集占比80%，驗證集和測試集各占10%,預測結果如圖16所示。

圖16 隨機森林預測圖Fig.16 Random forest prediction graph

3.4 模型對比分析

對比3個預測模型，其中通過兩個特征值MSE和R2來顯示模型的優良性，RMSE為均方根誤差，R2為決定系數。

(4)

(5)

表5 3種模型結果對比

圖17 實際接收信號強度值與各個模型預測值比較Fig.17 Actual received signal strength value is compared with the predicted value of each model

4 結束語

混交林占中國南方地帶的大部分林地，對混交林的實時監測，信號傳輸是林業物聯網的關鍵點。本文的工作總結如下：

① 驗證了葉面積指數、降雨量和距離的參數變化對信號傳輸存在干擾，經過數據分析與比較，發現同等條件下，降雨量越大，RSSI越小；葉面積指數越大，RSSI越小；距離越遠，RSSI越小。

② 本研究聯合LAI數值、林場降雨率和傳輸距離，使用機器學習方法分析了LoRa信道在樹林中的RSSI。通過對隨機森林、BP神經網絡和支持向量機3種學習模型的對比，發現隨機森林的預測效果最為接近真實數據，模型擬合精度達92.2%，均方根誤差為3.17，具有良好的穩定性。

③ 利用所設計的基于優化參數的隨機森林算法測試了學校南大山實驗林場中的LAI及其RSSI數值，預測驗證結果表明精度可達90.8%，均方根誤差為3.56，可正常滿足LoRa節點林間通信的功率控制需求。

本文的研究內容也有一些不足的地方，基于當前的研究情況，未來可以從以下三點進一步完善：

① 路徑損耗模型的輸入參數有待擴充。LoRa信號在林中傳播時，除了受到林間葉面積指數和降雨率的影響，也可能受到其他參數的影響。比如樹干的胸徑(DBH)、環境溫度和大氣相對濕度等，未來可以聯合多個相關因素進行分析建模。

② 實驗數據的獲取方式有待完善。在實地測量LoRa無線信號的RSSI值時，盡管采取每隔5 m獲取10個數值，并取其平均值作為測量點的RSSI值方法，但是教學主樓西側的觀賞林和南大山實驗林場環境有一定的坡度，不能保證LoRa節點收發信號時直線放置，同時RAK7249網關設備數據波動較大，即使在同一個測量點采取平均值法，也很難避免出現較大的測量誤差。因此在今后試驗中對設備進行更新換代，或者使用其他能夠定點實時測量數據的設備，這樣既能方便獲取數據，也能夠減少誤差。

③ 數據建模可以較為準確地推算出預測節點的RSSI值，后續還需通過得到的RSSI值，準確地定位出節點應該擺放的具體位置，實現混交林中的節點定位。