基于GPT4All的土壤湿度大模型网络提取服务

周连杰; 杜家宽; 李佳; 邓天民; 张翔

doi:10.12404/j.issn.1671-1815.2505713

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12296-12305 DOI: 10.12404/j.issn.1671-1815.2505713

自动化技术、计算机技术

基于GPT4All的土壤湿度大模型网络提取服务

周连杰 ¹ ,
杜家宽 ¹ ,
李佳 ¹ ,
邓天民 ² ,
张翔 ³

作者信息 +

Soil Moisture Network Extraction Service Based on GPT4All Model

Author information +

文章历史 +

摘要

土壤湿度是农业、水文、气象等领域的关键参数,遥感技术为其大尺度监测提供了高效手段,但传统遥感提取方法存在精度不足、适应性差等问题。针对上述问题,提出基于GPT4All大模型的土壤湿度网络提取服务,通过耦合人工智能与遥感技术提升提取精度与可靠性。系统依托遥感云计算平台处理Landsat 8卫星影像,获取土壤线参数、植被指数、植被覆盖度及垂直干旱指数等指数,引入GPT4All大模型优化垂直干旱指数,结合区域特征和历史数据动态调整校正系数、对比度、噪声抑制及湿度阈值等参数。系统设立开放地理空间信息联盟标准的网络处理服务接口与RESTful API,实现Web端与服务端无缝对接,为用户提供便捷的线上提取及分析功能。以中国河南省开封市永兴镇为研究区,结果显示,GPT4Al大模型提取方法在均方根误差、平均绝对误差与相关系数等指标上均优于传统方法。融合GPT4All大模型后的土壤湿度提取服务,自动化及适应性显著提升,可对不同气候、地表覆盖区域实施高精度监测,为各层次用户提供普适的高精度土壤湿度感知能力,在农业灌溉决策、干旱监测、洪涝预警等领域应用前景广阔。

Abstract

Soil moisture is recognized as a key parameter in agriculture, hydrology, meteorology, and other fields. An efficient means for large-scale monitoring is offered by remote sensing, yet traditional extraction methods are hindered by low accuracy and poor adaptability. In response to the above issues, a soil moisture network extraction service based on the GPT4All large model was proposed, through which accuracy and reliability were enhanced by the integration of AI with remote sensing. Landsat 8 images were processed using remote sensing cloud computing platform to obtain soil line parameters, vegetation indices, coverage, vertical drought indices, and other relevant data. The GPT4All model was employed to optimize the mean pixel dryness index. The GPT4All model was innovatively employed to optimize the modified perpendicular drought index, with dynamic adjustment of correction coefficients, contrast, noise suppression, and moisture thresholds based on regional features and historical data. Compliant with Open Geospatial Consortium standards, the system was equipped with web service interfaces and RESTful APIs, enabling seamless integration between web and server for convenient online extraction and analysis. Taking Yongxing Town in Kaifeng City, Henan Province, China, as the study area, the results show that the GPT4Al large model extraction method outperforms traditional methods in metrics such as root mean square error, mean absolute error, and correlation coefficient. The soil moisture extraction service enhanced by integrating the GPT4All large model demonstrates significantly improved automation and adaptability, enabling high-precision monitoring across diverse climates and land cover regions. This provides universally accessible high-precision soil moisture sensing capabilities for users at all levels, with broad application prospects in agricultural irrigation decision-making, drought monitoring, flood warning, and other fields.

Graphical abstract

关键词

GPT4All大模型 / 土壤湿度 / 网络提取 / 遥感

Key words

GPT4All large model / soil moisture / network extraction / remote sensing

引用本文

引用格式 ▾

周连杰, 杜家宽, 李佳, 邓天民, 张翔. 基于GPT4All的土壤湿度大模型网络提取服务[J]. 科学技术与工程, 2026, 26(28): 12296-12305 DOI:10.12404/j.issn.1671-1815.2505713

ZHOU Lian-jie, DU Jia-kuan, LI Jia, DENG Tian-min, ZHANG Xiang. Soil Moisture Network Extraction Service Based on GPT4All Model[J]. Science Technology and Engineering, 2026, 26(28): 12296-12305 DOI:10.12404/j.issn.1671-1815.2505713

登录浏览全文

4963

注册一个新账户忘记密码

土壤湿度是指土壤中水分的保有量,是衡量土壤水分状况的核心指标。作为陆-气交互过程中的关键变量,土壤湿度在农业生产规划、气象灾害预警及生态环境评估等领域具有不可替代的作用^[1]。具体而言,它在天气和气候、径流潜力和洪水控制、土壤侵蚀和边坡破坏、水库管理、岩土工程和水质方面发挥着关键作用。精准追踪土壤湿度的时空动态及其赋存状态,有助于提升对旱涝灾害的应对能力,优化农业水资源管理。因此,及时、准确地获取土壤湿度数据,对于探究全球气候变化机制、构建水文模型及实施干旱监测预警具有重要的科学意义^[1]。

目前,土壤湿度遥感监测技术主要涵盖光学遥感、微波遥感法及热红外遥感三大类。遥感技术的基本原理是利用传感器捕获地表物体的电磁波信息,通过处理与分析识别其物理特性。在土壤湿度反演中,主要依据不同波长的电磁波与土壤介质的交互作用机理,分析其对电磁波的反射、散射及发射特征,进而构建反演模型^[2]。其中,光学遥感方法基于土壤水分对地表反射光谱的影响,通过建立光谱反射率与土壤含水量之间的统计模型进行估算,如修正的垂直干旱指数(modified perpendicular drought index,MPDI)即利用近红外和短波红外波段的反射率差异来反演土壤湿度^[3]。微波遥感则利用微波波段与土壤水分的相互作用机理,分为被动微波和主动微波两种观测模式:前者通过探测地表自然发射的微波辐射亮度温度来推导湿度,后者则通过分析发射微波脉冲的后向散射系数进行估算。此外,热红外遥感方法侧重于土壤水分对地表温度的调节作用,常借助温度植被干旱指数(temperature vegetation dryness index,TVDI)等指标,构建热红外亮温与土壤湿度之间的关系模型^[4]。

传统的土壤湿度监测主要依赖地面站点观测与遥感反演两种技术手段。地面站点观测精度较高,但受限于空间分布的稀疏性(全球仅约5 000个监测站),难以满足大范围、连续尺度的监测需求。相比之下,遥感技术为大区域土壤湿度监测提供了新的途径,但其反演数据常面临精度不足、时空分辨率受限等问题^[5]。综上所述,当前的土壤湿度监测面临着地面观测“点状稀疏”与遥感反演“精度不稳”的双重局限。为了突破这一瓶颈,亟须发展多源数据融合技术。通过协同地基观测、主被动遥感(如Soil Moisture Active Passive、Sentinel系列卫星)及新兴监测手段(无人机、物联网传感器),并结合机器学习等智能算法优化反演模型,从而为农业、气象及防灾减灾等领域提供可靠的数据支撑。近年来,人工智能技术的快速发展为解决上述问题提供了新思路。特别是大语言模型(large language model,LLM)在处理复杂非线性关系方面表现出巨大潜力。GPT4All是一种轻量级大语言模型,凭借其部署方便、资源需求相对较低、推理速度迅速等优势,为提升土壤湿度遥感提取精度提供了技术可行性。将GPT4All大模型与土壤湿度遥感提取技术相融合,不但能提高土壤湿度数据的精确水平,还可凭借网络服务的形式,让数据处理和分析能力惠及范围更广泛的用户群体。

为此,基于GPT4All大模型与遥感云计算平台,构建了土壤湿度遥感提取流程。该流程具体包括:获取并预处理 Landsat 8影像、确定土壤线参数的求取、计算归一化植被指数(normalized difference vegetation index,NDVI)与植被覆盖度(fractional vegetation cover,FVC),并最终求得MPDI^[6]。为提升估算精度,搭建土壤湿度指数识别模块,通过分析区域特征与历史数据对MPDI进行优化。同时,基于开放地理空间信息联盟(Open Geospatial Consortium, OGC)标准和Flask框架,构建土壤湿度网络提取服务,提供网络处理服务(Web Processing Service, WPS)接口与 RESTful API,实现Web端与服务器端的无间隙交互。采用均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error, MAE)和相关系数(R²)等指标对提取精度进行评估^[7],从而凭借GPT4All大模型强化土壤湿度的遥感提取能力,增进土壤湿度数据的效率及可靠性,构建一个简便、高效的土壤湿度网络提取服务平台,以期为农业、水文、气象等领域提供高质量的土壤湿度数据方面的保障。

1 研究方法

1.1 整体研究框架

基于GPT4All大模型的土壤湿度网络提取服务,采用模块化分层架构设计(图1)。系统主要由数据层、服务层及应用层组成,各层级间通过标准化接口实现松耦合交互,有效保障了系统的灵活性与可扩展性。

(1)数据层。数据层负责基础数据的获取与预处理,主要包含遥感云计算平台数据接口模块和GPT4All模型模块。其中,遥感云计算平台数据接口模块通过调用应用程序接口(API)获取Landsat 8卫星影像数据,并执行云检测、排除云层、辐射校正等预处理操作;GPT4All模型模块承担加载和初始化GPT4All模型的工作,为土壤湿度指数的优化提供算法支撑^[8]。

(2)服务层。服务层作为系统的核心,实现了土壤湿度提取的关键算法。具体包括:土壤线计算模块,通过分析近红外波段与红波段的散点分布,求解土壤线斜率与截距;NDVI/FVC计算模块,利用红波段与近红外波段计算NDVI与FVC;MPDI计算模块,基于土壤线参数与植被覆盖度求解MPDI;大语言模型增强模块,利用模型对MPDI指数进行优化,以提升土壤湿度估算的精度。

(3)应用层。应用层主要由Web服务接口及用户界面两部分组成,Web服务接口依托Flask框架,实现了符合OGC标准的WPS服务与RESTful API, 可进行土壤湿度提取、结果查询、数据下载等操作。用户界面采用响应式设计,兼容移动端与桌面端访问,实现了数据可视化展示及交互操作^[9]。系统各层级间通过标准化接口进行数据交换与控制流传输,确保了模块间的协同工作能力,同时便于后续的功能扩展与技术升级。

1.2 土壤湿度遥感提取方法

土壤湿度遥感提取是本实验的核心功能,主要基于光学遥感数据和改进的MPDI方法实现。土壤湿度遥感提取流程如图2所示。

系统利用遥感云计算平台获取用户指定时间范围内的Landsat 8 Collection 2 Level 2影像数据,Landsat 8卫星影像具有30 m的空间分辨率与16 d的重访周期,包含红波段(0.64~0.67 μm)、近红外波段(0.85~0.88 μm)等多个光谱通道,是土壤湿度遥感研究过程中的重要数据源。影像获取后,系统首先进行云检测与去云处理,剔除云及云阴影覆盖的像元,以提升后续处理的可靠性。随后,系统计算土壤线参数,土壤线是指在近红外波段与红波段构成的散点图中,由裸土像元点形成的分布趋势线。系统采用线性回归手段,基于近红外波段与红波段的数值关系,求解土壤线的斜率与截距,该参数是计算MPDI的重要输入。接着,系统计算NDVI与FVC。NDVI通过近红外波段与红波段的归一化差值运算获得,其计算公式为

(1)NDVI=$\frac{\mathrm{N}\mathrm{I}\mathrm{R}-\mathrm{R}\mathrm{E}\mathrm{D}}{\mathrm{N}\mathrm{I}\mathrm{R}+\mathrm{R}\mathrm{E}\mathrm{D}}$

式(1)中:NIR和RED分别为近红外波段和红波段的反射率。

FVC为植被覆盖度,反映地表被植被覆盖的比例,其计算公式为

(2)FVC=$\frac{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}-\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(2)中:NDVI_min和NDVI_max分别为NDVI的最小值与最大值。

系统实施MPDI计算,MPDI是一种改进型的垂直干旱指数,可减少植被对土壤湿度信息造成的干扰,MPDI的计算公式为

(3)MPDI=$\frac{\mathrm{R}\mathrm{E}\mathrm{D}+M\mathrm{N}\mathrm{I}\mathrm{R}-\mathrm{F}\mathrm{V}\mathrm{C}(0.05+0.5M)}{(1-\mathrm{F}\mathrm{V}\mathrm{C})\sqrt{1+{M}^{2}}}$

式(3)中:M为土壤线斜率。

MPDI越大,说明土壤愈发干燥;MPDI越小,说明土壤越发湿润。系统计算MPDI相关统计指标,包含5%和95%这两个分位数,作为该区域土壤湿度整体状态的一种表征,整个土壤湿度遥感提取流程在遥感云计算平台上实施,充分借助其强大的计算能力和充裕的遥感数据资源^[10]。

1.3 网络服务接口设计

土壤湿度网络提取服务接口采用标准化、多层次的设计策略,既遵循OGC相关标准,也提供了简单易用的表现层状态转移接口(RESTful API)。系统提供的网络服务接口主要分为三类:WPS接口、RESTful API及Web用户界面(图3)。

WPS服务接口严格按照OGC标准实现,支持GetCapabilities、DescribeProcess和Execute 3种操作。GetCapabilities操作返回服务元数据信息,描述服务提供的处理能力;DescribeProcess操作详细描述特定处理过程的输入参数和输出结果^[11];Execute操作执行具体的处理任务,接收输入参数并返回处理结果。WPS服务接口确保了系统能够与其他地理信息系统和服务进行标准化的互操作,便于集成到现有的地理信息基础设施中^[12]。RESTful API提供了一组基于超文本传输协议(hypertext transfer protocol,HTTP)的轻量级接口,遵循表现层状态转移(representational state transfer,REST)架构风格,资源由统一资源标识符(uniform resource identifier, URI)唯一标识,操作通过HTTP方法(GET、POST等)表示。RESTful API采用对象表示法(JavaScript object notation, JSON)格式进行数据的互换,具有轻量级、简单易懂且易用的特点,适合各类应用程序开展集成^[13]。

Web用户界面是面向终端用户的交互窗口,基于前端开发框架构建,提供直观的可视化操作界面。界面主要由4个功能模块组成:系统概览、参数配置、结果展示与历史记录管理。其中,参数配置模块允许用户设定提取日期范围、研究区域及处理选项;结果展示模块利用图表等形式呈现处理结果;历史记录模块支持对过往任务的查询与数据下载。

上述3种接口彼此补充,构建了完善的服务访问体系:WPS服务接口确保了标准合规性,RESTful API 提供了灵活的编程调用方式,Web用户界面为非专业用户提供了友好的操作入口。这种多层次的接口设计满足了不同用户群体的需求,显著提升了系统的可用性与通用性。

2 实验过程与分析

2.1 研究区概括

选取河南省开封市尉氏县中南部的永兴镇作为研究区,该镇地处黄淮海平原核心区,属该区域典型的农业乡镇。研究区地势平坦,海拔多在30~50 m,土地利用类型以集约化农田为主,作物种植结构复杂,主要轮作小麦、玉米及油菜等粮食与经济作物。镇域内水系发育,河渠纵横,但因受暖温带半湿润—半干旱季风气候影响,农作物生长季对地下水及引黄灌溉依赖程度较高。长期高强度耕作与灌溉活动导致部分区域地下水超采,使得土壤湿度在时空尺度上呈现明显差异。该镇年均降水量为500~700 mm,降水季节分配不均,主要集中在夏季,且年际间波动明显。受季风降水、密集农事活动及多样化下垫面条件的综合影响,土壤湿度及农田水分状况表现出显著的非线性与异质性特征。因此,永兴镇是研究黄淮海平原土壤水分及农业水文变化的典型区域。

2.2 开发环境与技术栈

基于GPT4All大模型的土壤湿度网络提取服务采用现代化的技术栈和开发环境,主要技术组件如表1所示。

系统后端主要基于Python语言开发,选择Flask作为Web框架,具备良好的灵活性与可扩展性。选择PyWPS作为OGC WPS标准的实现,提供标准化的地理处理服务接口。数据处理方面,系统通过遥感云计算平台的 Python 应用程序接口(API)调用遥感影像数据与计算资源,使用NumPy进行数值计算,使用Matplotlib进行数据可视化^[14]。人工智能方面,系统使用GPT4All库加载和使用GPT4All模型,进行土壤湿度指数增强^[15]。系统前端采用HTML5、CSS3及JavaScript构建,采用Bootstrap框架达成响应式的设计,使界面可适应多样的设备;采用Leaflet库来实现交互式地图功能,实现地理范围的可视化选取功能,后端与前端借助RESTful API进行数据交换,采用JSON格式进行数据传输。

开发运维方面,系统选用VS Code作为主要的代码编辑器,采用Git实施版本控制和协作开发。系统支持Windows和Linux双平台部署,并提供Docker容器化部署方案,有效简化了环境配置与后期维护流程。上述技术组件的筛选遵循开源、轻量及高效的原则,不仅保障了系统的性能与可维护性,也因其成熟的技术生态与丰富的社区资源,降低了开发与运维的复杂度。

2.3 Earth Engine接口实现

Earth Engine接口是系统获取和处理遥感数据的核心模块,其实现流程涵盖身份认证、数据获取及影像处理等关键环节。在身份认证方面,系统支持两种认证模式:开发测试阶段采用交互式认证,用户通过浏览器完成OAuth授权;生产部署阶段则采用服务账号认证,系统利用预配置的服务账号密钥文件自动完成身份验证,无需人工交互。认证通过后,系统即可调用遥感云计算平台的数据与计算资源^[15]。

获取Landsat影像是Earth Engine接口的基础功能,系统借助ImageCollection API查询指定时间区间和地理区域内的Landsat 8 Collection 2 Level 2数据集,构建影像集合。随后,通过filter方法筛选有效影像,利用map方法对每一个影像进行预处理,并采用mean方法合成时间序列的平均值,生成综合影像样本。

云检测与去云处理是保证影像质量的关键步骤,系统运用Landsat 8数据中的QA_PIXEL波段对云和云阴影像元进行识别,创建掩膜图层并应用于所有波段。同时,利用QA_RADSAT波段识别辐射饱和像元,进一步提升数据质量^[16]。在参数计算方面,系统调用Earth Engine的reducer功能计算土壤线参数。通过选取影像的红波段与近红外波段,借助linearFit reducer拟合出两个波段之间的线性关系,求解土壤线斜率和截距。采用normalizedDifference方法计算NDVI,直接对近红外波段和红波段的归一化差值进行计算。FVC则基于NDVI的最小值与最大值,通过线性归一化方法求得^[17]。

MPDI计算是Earth Engine接口的核心功能,系统通过expression方法定义MPDI计算公式,以红波段、近红外波段、FVC及土壤线斜率为输入变量,计算每个像元的MPDI。为评估区域土壤湿度状况,系统利用百分位函数(percentile reducer)计算MPDI的5%与95%分位数作为统计指标。Earth Engine接口充分利用了遥感云计算平台的分布式计算能力,所有栅格计算均在云端完成,本地仅负责处理最终的统计结果。这种设计显著降低了本地计算负载,提升了系统的处理效率与响应速度^[18]。

2.4 GPT4All模型训练

本实验的核心难点在于GPT4All模型的训练,旨在实现大语言模型与遥感数据处理的有效融合。GPT4All模型训练模块主要由模型管理、提示词工程和结果解析三个关键组件构成。

模型管理负责GPT4All模型的下载、加载及初始化。系统凭借Python的GPT4All库加载模型,默认采用ggml-gpt4all-j-v1.3-g.n模型,模型大小为4 GB,可在普通个人计算机设备上运行。系统首次启动时会自动校验模型文件的完整性,若文件缺失则触发自动下载流程。为优化系统性能,采用了延迟加载策略,仅在用户发出使用模型增强功能的请求时才加载模型,从而避免不必要的内存占用^[19]。

提示词工程是引导GPT4All模型输出高质量结果的关键环节,针对永兴镇研究区特点,系统构建了结构化提示词模板。该模版引导模型结合区域气候背景、地表覆盖特征及历史遥感信息,对土壤湿度相关参数进行自适应调整。一个典型的提示词由以下三个部分构成。

(1)任务描述。设定模型为“土壤湿度遥感专家”,明确其需执行数据增强的任务。

(2)输入数据。提供MPDI指数范围、土壤线参数、NDVI范围等关键变量。

(3)输出要求。明确规定输出参数的类型、格式及取值范围。

这种结构化设计有效引领了模型的输出方向,提升了输出的实用性与可靠性。在GPT4All模型训练过程中,面临的主要挑战包括模型体量、推理速度及结果稳定性。为解决这些难题,系统实施了多项优化措施:选用轻量级模型版本以平衡精度与效率;设置合理的token生成数量限制以防止冗余输出;制定结构化且明确的提示词模板以规范输入;实现鲁棒的结果解析逻辑以确保输出格式统一。上述措施确保了GPT4All模型能够稳定、高效地集成至系统中,为土壤湿度提取提供了智能化增强能力。

2.5 界面与交互

用户界面采用响应式的设计策略,采用Bootstrap框架构建,可自适应不同设备及屏幕尺寸。界面主要由4个功能区组成:首页、服务、结果及关于。首页概述系统基本情况及其功能;服务区实现参数设置与提交处理请求功能;结果区展示处理结果与历史相关记录;关于区介绍系统背景及技术细节。系统的用户界面如图4所示。

网络服务与用户界面是系统与用户交互的通道,直接影响用户体验。系统构建了完整的网络服务后端与友好的Web前端界面,提供了便捷的土壤湿度提取服务。网络服务后端借助Flask框架得以实现,给出RESTful API和WPS服务这两类的接口,RESTful API遵循表现层状态转移(representational state transfer,REST)架构风格,通过超文本传输协议(hypertext transfer protocol,HTTP)方法实现操作,并采用JSON格式进行数据交换。系统实现了GET与POST两种HTTP方法,分别用于查询数据和处理请求递交。针对土壤湿度提取等计算密集型任务,系统采用异步处理模式:用户提交请求后立刻获得处理ID,并通过该ID查询任务状态与结果,避免了长时间的同步等待。WPS服务接口基于PyWPS库开发,严格遵循OGC WPS标准规范^[20]。系统将土壤湿度提取功能组合成一个WPS处理服务,定义了输入参数(时间范围、地理范围、处理选项)和输出结果的格式(JSON 结果数据、Base64编码预览图像),如图5所示。WPS服务支持3种操作模式:GetCapabilities(返回服务元数据)、DescribeProcess(返回处理流程详细描述)及Execute(执行任务并返回结果)^[21]。

在用户界面设计中,地图交互是实现空间感知的关键功能。用户可利用地图直观地挑出研究区域,系统凭借Leaflet库实现了交互式地图的相关功能,支持地图做缩放、平移和区域选择方面的操作,用户借助拖动地图上的矩形框选定研究区域,系统自动计算完毕后填充对应的经纬度范围^[22]。

结果展示是用户界面里的另一核心组成部分。系统提供多元化的结果呈现,包括土壤湿度分布图、统计指标及结构化数据(JSON)。其中,土壤湿度分布图采用渐变色展示不同湿度等级的空间分异特征(图6)。统计指标主要包含MPDI的5%与95%分位数,用于表征区域整体土壤湿度的统计特征。以图6为例,绿色区域代表中等湿度区,分布广泛,反映了该区域大部分耕地的平均土壤水分状况;黄色与橙色区域指示湿度偏高区域,主要集中在局部低洼地带或水源附近;红色点代表湿度较高的极值区;蓝色点则标记为观测站点或土壤水分测量点,用于校准和验证模型反演结果。此外,JSON数据存有完整的处理结果,便于用户进行后续分析与利用。

将土壤湿度计算MPDI结果和土壤湿度实测进行相关性分析,如图7所示。实际土壤湿度数据与MPDI数据的相关性较高,多项式函数的相关系数为0.730 5,对数函数的相关系数为0.503,线性函数的相关系数为0.469 4。

网络服务与用户界面的设计遵循易用性、响应性与可靠性原则。为优化加载效率,系统采用递进式加载策略,先呈现出界面框架,随后异步加载数据与功能,从而缩短页面首屏渲染时间,提升用户体验。针对处理过程中可能出现的异常,系统构建了完善的错误处理与提示机制,确保用户能够获得清晰的交互反馈。此外,系统提供了详尽的帮助文档和操作指引,有效降低了用户学习成本。

2.6 实验精度评估与分析

精度评估采用国际土壤水分网络(International Soil Moisture Network,ISMN)实测数据,通过十折交叉验证法,对比了传统MPDI方法与GPT4All增强MPDI方法的反演性能。结果表明(图8),GPT4All增强方法在两个时间点的永兴镇均显著优于传统方法。在2015年3月永兴镇,RMSE从0.057 m³/m³降至0.041 m³/m³,MAE从0.043 m³/m³降至0.032 m³/m³,R²从0.68提升至0.79;在2015年9月永兴镇,RMSE从0.062 m³/m³降至0.046 m³/m³,MAE从0.048 m³/m³降至0.035 m³/m³,R²从0.65提升至0.77。进一步分析表明,该方法在中等植被覆盖区及植物生长季表现出更明显的精度提升,且能有效降低极端干湿条件下的反演误差。总体而言,GPT4All增强MPDI方法相较传统方法平均精度提升约15.6%,验证了大语言模型在遥感土壤湿度提取中的有效性与稳定性。

该实验通过实现土壤湿度的网络提取服务,为土壤湿度数据的获取提供了一条更加高效迅速的途径,将复杂的遥感分析、传感器数据处理等专业能力转换成通过用户的自然语言来获取土壤湿度数据,大幅提升了数据获取效率,同时,GPT4All 增强MPDI方法相比传统方法在土壤湿度提取中精度明显提升。在2015年3月永兴镇,RMSE降低约 28.1%,MAE降低约25.6%,R²相对提升了16.2%;在2015年9月永兴镇,RMSE 降低约25.8%,MAE 降低约27.1%,R²相对提升了18.5%。该方法在不同地表类型和季节条件下均表现出稳定可靠的性能。使得不具备专业遥感背景的用户也能通过简单的交互操作获取高质量的土壤湿度数据^[23-24]。

3 结论

开发了以GPT4All大模型为基础的土壤湿度网络提取服务,将大语言模型技术与遥感数据处理整合,提升了土壤湿度遥感提取的精准度与可靠性,为各个层次的用户赋予了广泛适用的土壤湿度高精度感知能力,得出如下主要结论。

(1)运用GPT4All大模型的土壤湿度指数增强方式,极大提高了土壤湿度遥感提取的数据获取效率,基于OGC标准与Flask框架搭建的网络服务架构,实现了土壤湿度提取服务标准化、网络化以及智能化,系统配备了WPS服务接口和RESTful API两类标准接口,同时设有友好的Web用户界面,顺应了不同用户群体的多样要求,性能测试表明,系统能在普通硬件环境之下稳定地运行,操作便捷。

(2)精度评估结果表明,基于 GPT4All 增强的MPDI方法在不同时期的研究区均表现出显著优势。在河南省开封市永兴镇作区中,该方法在 RMSE、MAE及R²等指标上均明显优于传统MPDI方法,整体精度提升幅度约为15.6%,验证了所提方法在跨区域应用中的稳定性与泛化能力。

(3)系统在农业灌溉决策支持以及干旱监测评估两个典型应用的实际案例里展现出良好实用价值,在农业灌溉规划决策案例里,系统为农户优化灌溉计划,减少对水资源的消耗,提高经济收益;在干旱监测与评估的案例里,系统确切探测到干旱的时空演变走向,作出了全面的干旱影响评估,为水资源管理及生态保护提供了重要借鉴。所开发的依托GPT4All大模型的土壤湿度网络提取服务,成功实现了大语言模型与遥感技术的融合,为土壤湿度遥感监测提供新的技术途径与应对策略,系统依靠网络服务形式,把先进技术的应用门槛降低了,让更多用户便捷地获取到高质量的土壤湿度数据,为农业生产、水资源管理、生态保护等领域提供有效支持。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	刘原华, 杨成, 牛新亮. 一种顾及噪声和天气突变的土壤湿度反演方法[J]. 测绘科学, 2023, 48(9): 191-201.

[2]	Liu Yuanhua, Yang Cheng, Niu Xinliang. A soilmoisture retrieval method considering noise and sudden weather changes[J]. Science of Surveying and Mapping, 2023, 48(9): 191-201.

[3]	姜凯升, 刘宇, 刘英, 等. 西北地区植被覆盖度与气候因子响应关系探究[J]. 测绘科学, 2023, 48(6): 172-180.

[4]	Jiang Kaisheng, Liu Yu, Liu Ying, et al. Exploring the relationship between vegetation coverage and climate factors in northwest China[J]. Surveying and Mapping Science, 2023, 48(6): 172-180.

[5]	何赛克, 张培杰, 张玮光, 等. 大模型时代下的决策范式转变[J]. 中国地质大学学报(社会科学版), 2023, 23(4): 82-91.

[6]	He Saike, Zhang Peijie, Zhang Weiguang, et al. Paradigm shift in decision-making in the era of large models[J]. Journal of China University of Geosciences (Social Sciences Edition), 2023, 23(4): 82-91.

[7]	江志斌, 邓业雯. AI大模型赋能的工业工程学科: 挑战, 应用, 趋势及人才培养[J]. 工业工程, 2025, 28(1): 1-8.

[8]	Jiang Zhibin, Deng Yewen. Industrial engineering discipline empowered by AI large models: challenges, applications, trends and talent training[J]. Industrial Engineering, 2025, 28(1): 1-8.

[9]	王式太, 杨可心, 殷敏, 等. GNSS-IR多星融合的稳健回归土壤湿度反演方法[J]. 测绘通报, 2024(3): 69-74.

[10]	Wang Shitai, Yang Kexin, Yin Min, et al. A robust regression soil moisture inversion method based on GNSS-IR multi-satellite fusion[J]. Bulletin of Surveying and Mapping, 2024(3): 69-74.

[11]	何佳星, 郑南山, 丁锐, 等. 粒子群优化卷积神经网络GNSS-IR土壤湿度反演方法[J]. 测绘学报, 2023, 52(8): 1286-1297.

[12]	He Jiaxing, Zheng Nanshan, Ding Rui, et al. Particle swarm optimization convolutional neural network GNSS-IR soil moisture inversion method[J]. Journal of Surveying and Mapping, 2023, 52(8): 1286-1297.

[13]	刘原华, 杨成, 牛新亮. 一种顾及噪声和天气突变的土壤湿度反演方法[J]. 测绘科学, 2023, 48(9): 191-201.

[14]	Liu Yuanhua, Yang Cheng, Niu Xinliang. A soil moisture retrieval method considering noise and sudden weather changes[J]. Science of Surveying and Mapping, 2023, 48(9): 191-201.

[15]	Li Y, Luo L, Guo F, et al. Quality control and improvement of GNSS-IR soil moisture robust inversion model[J]. Advances in Space Research, 2025, 75(1): 244-258.

[16]	何善宝, 庞晶晶, 程星, 等. 卫星遥感数据反演土壤湿度方法研究[J]. 安徽师范大学学报(自然科学版), 2024, 47(1): 1-10.

[17]	He Shanbao, Pang Jingjing, Cheng Xing, et al. Research on soil moisture retrieval methods from satellite remote sensing data[J]. Journal of Anhui Normal University (Natural Science Edition), 2024, 47(1): 1-10.

[18]	秦其明, 游林, 赵越, 等. 基于二维光谱特征空间的土壤线自动提取算法[J]. 农业工程学报, 2012, 28(3): 167-171.

[19]	Qin Qiming, You Lin, Zhao Yue, et al. Automatic extraction algorithm of soil line based on two-dimensional spectral feature space[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(3): 167-171.

[20]	Jesus J D, Walker P, Grant M, et al. WPS orchestration using the Taverna workbench: the eScience approach[J]. Computers, 2012, 47(1): 75-86.

[21]	赵安周, 张学培, 张靓涵, 等. 基于多源遥感数据的京津冀环境质量动态监测[J]. 地理信息世界, 2021, 28(4): 93-99.

[22]	Zhao Anzhou, Zhang Xuepei, Zhang Lianghan, et al. Dynamic monitoring of environmental quality in Beijing-Tianjin-Hebei Region based on multi-source remote sensing data[J]. Geomatics World, 2021, 28(4): 93-99.

[23]	Richardson L, Amundsen M, Ruby S. RESTful Web APIs[M]. Sebastopol, CA: O’Reilly Media Inc., 2013.

[24]	Hastuti A W, Ismail N P, Nagai M. Analysis of coastline extraction indices using Sentinel-2 and Google Earth Engine, case study in Bali, Indonesia[J]. BIO Web of Conferences, 2024, 106: 13.

[25]	Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27.

[26]	张赟, 李鹏, 李振洪, 等. 黄河三角洲Sentinel-3高精度时空连续海陆表面温度反演[J]. 测绘通报, 2023(1): 120-126.

[27]	Zhang Yun, Li Peng, Li Zhenhong, et al. High-precision spatiotemporal continuous land-sea surface temperature inversion of the Yellow River Delta using Sentinel-3 data[J]. Bulletin of Surveying and Mapping, 2023(1): 120-126.

[28]	李娅丽, 汪小钦, 陈芸芝, 等. 福建省地表温度与植被覆盖度的相关性分析[J]. 地球信息科学学报, 2019, 21(3): 445-454.

[29]	Li Yali, Wang Xiaoqin, Chen Yunzhi, et al. Correlation analysis between land surface temperature and vegetation coverage in Fujian Province[J]. Journal of Geo-Information Science, 2019, 21(3): 445-454.

[30]	Anand Y, Nussbaum Z, Treat A, et al. GPT4All: an ecosystem of open source compressed language models[J]. 2023, 7(5): 59-64.

[31]	Xu N, Daccache A, Ahmadi A, et al. Soil moisture estimation with microwave remote sensing: a systematic review and Meta-analysis[J]. International Journal of Digital Earth, 2025, 18(1): 1-27.

[32]	Castronova A M, Goodall J L, Elag M M, et al. Models as web services using the Open Geospatial Consortium (OGC) Web Processing Service (WPS) standard[J]. Environmental Modelling & Software, 2013, 41(3): 72-83.

[33]	Chen Y, Feng X, Fu B. An improved global remote-sensing-based surface soil moisture (RSSSM) dataset covering 2003—2018[J]. Earth System Science Data, 2021, 21(1): 98-101.

[34]	武英洁, 朱永超, 孔祥宁. 基于Landsat-8影像的农田土壤含水量反演研究[J]. 中国农学通报, 2024, 40(32): 129-134.

[35]	Wu Yingjie, Zhu Yongchao, Kong Xiangning. Inversion of farmland soil water content based on Landsat-8 images[J]. Chinese Agricultural Science Bulletin, 2024, 40(32): 129-134.

[36]	Zhang C, Zhang C, Zheng S, et al. A complete survey on generative AI (AIGC): is ChatGPT from GPT-4 to GPT-5 all you need?[J]. arXiv Preprint, arXiv: 2303.11717, 2023.

[37]	冯益明, 乔琨, 冯世昂, 等. 1990—2021年环塔里木盆地植被覆盖度(FVC)时空数据集[J]. 中国科学数据, 2023, 8(2): 307-314.

[38]	Feng Yiming, Qiao Kun, Feng Shi’ang, et al. Spatiotemporal dataset of vegetation coverage (FVC) in the circum-Tarim Basin from 1990 to 2021[J]. China Scientific Data, 2023, 8(2): 307-314.