农业水质和温室气体排放的同步监测对于评估农业活动的环境影响至关重要。然而，传统的水质和温室气体监测方法存在成本高、便携性差、人力需求大等问题。研究团队开发了一种基于物联网（IoT）和智能算法的水质和温室气体排放同步监测系统（WG-IoT-MS）。该系统配备了低成本传感器并集成了智能算法，能够实时监测溶解的N2O浓度。结合空气-水气体交换模型，该系统实现了对农业水体CO2和N2O排放的有效监测和模拟，并将监测成本降低了约60%。![]()
本研究利用2023年观测数据对六种智能算法进行了训练，以通过测试集数据的预测精度来评估溶解态N2O浓度模型性能。从预测精度指标来看（图2），额外树回归（ETR）和基于径向基函数的支持向量回归（SVR-rbf）算法的预测精度较高（图2b和d），其次是随机森林回归（RFR）、梯度提升回归（GBR）和反向传播神经网络（BPNN）算法（图2a、c和f），预测精度最差的是K最近邻（KNN）（图2e）。![]()
图2 比较不同模型测试集上实测溶解态N2O浓度和模拟溶解N2O浓度：（a）RFR、（b）ETR、（c）GBR、（d）SVR-rbf、（e）KNN、（f）BPNN。蓝线表示通过数据的线性回归，灰线表示1:1拟合。
为探究模型输入参数缺失对溶解态N2O浓度预测精度的影响，本研究在六种不同的缺失场景和四种缺失比例（MP=25%、50%、75%、100%）下进一步比较了ETR与SVR-rbf的性能。随着缺失变量个数和缺失比例（MP）的增加，预测精度出现了差异（图3）。尽管SVR-rbf在整体数据的预测精度上略低于ETR，但其预测精度下降得相对较慢。总体而言，SVR-rbf在整体性能上优于ETR，表现出更强的预测稳定性和抗干扰能力。因此，本研究选择SVR-rbf作为溶解态N2O浓度的最佳算法。![]()
图3 ETR和SVR-rbf输入参数缺失对预测精度的影响：判定系数（R2）选定最佳模型后，通过观察该模型在不同场景下预测性能的稳定性来评估其适用性。根据采样点的类型，这些场景分为三类：稻田、池塘和湖泊。当测试数据来自湖泊（图4c）时，模型表现良好（R2=0.82，MAPE=13％）。当测试数据来自稻田（图4a）时，R2略有下降，但预测性能仍然可以接受（R2=0.80，MAPE=13％）。然而，当测试数据来自池塘场景（图4b）时，预测性能相对较差（R2=0.62，MAPE=15％）。这种差异可能源于养殖池塘中养殖的不同水生生物种，导致水温和pH值的特殊性。![]()
图4 基于SVR-rbf在不同应用场景下溶解态N2O浓度预测：（a）稻田，（b）池塘，（c）湖泊确定溶解态N2O浓度模型的输入参数后，根据空气-水气体交换模型选择了智能且经济高效的传感器。选定的传感器包括pH、水温、气温、水深、流量、硝态氮、气态和溶解态CO2传感器。系统使用Arduino Mega2560作为微控制器，通过GPRS模块与OneNET进行通信，将数据存储在云数据库中。此外，监测系统由12 V蓄电池和18 W太阳能电池板交替供电，确保在偏远地区的可靠运行。![]()
图5 WG-IoT-MS：（a）系统电路连接图，（b）系统内部图，（c）池塘监控展示基于WG-IoT-MS，利用溶解态N2O浓度模型和空气-水气体交换模型对研究区CO2和N2O排放进行监测/模拟，并与浮箱法结果进行比较。结果表明（图6），两种方法的排放通量测量结果相对一致（R2>0.7）。在不同时间点，两个稻田监测点CO2和N2O排放通量模拟值与测量值的平均绝对误差（MAE）的差分别为7.16 mg C/(m2·h)和2.01 μg N/(m2·h)。该研究成功实现了低成本、便携式的CO2和N2O排放通量监测，表现出了可接受的性能。![]()
图6 CO2和N2O排放通量观测值与模拟值比较：以研究区内的稻田点（B1和B2）为例
