基于GPR的复垦土壤压实度精准探测模型构建与实证研究

基于GPR的复垦土壤压实度精准探测模型构建与实证研究一、引言1.1研究背景土地是人类赖以生存和发展的重要资源，而复垦土地作为补充耕地、改善生态环境的重要手段，对于保障粮食安全、促进可持续发展具有至关重要的意义。然而，在土地复垦过程中，由于机械作业等因素的影响，土壤压实问题普遍存在。复垦土壤压实会导致土壤孔隙度减小、通气性和透水性变差，进而影响土壤中微生物的活动和植物根系的生长发育。这不仅会降低土地的生产力，减少农作物的产量和质量，还可能引发土壤侵蚀、水土流失等生态环境问题，对区域生态平衡造成严重威胁。准确探测复垦土壤的压实度，对于评估土地复垦质量、指导后续土地改良措施的制定具有重要意义。传统的土壤压实度检测方法，如环刀法、灌砂法等，虽然精度较高，但属于破坏性检测，操作繁琐，且难以实现大面积快速检测。因此，寻找一种高效、准确、无损的复垦土壤压实探测方法，成为当前土地复垦领域亟待解决的问题。1.2国内外研究现状1.2.1GPR技术发展与应用探地雷达（GroundPenetratingRadar，GPR）技术起源于20世纪初，德国人Leimbach和Lowy在1910年的德国专利中阐明了其基本概念。1926年，Hulsenbeck首次运用电磁脉冲技术研究地下岩性构造并取得成功，为GPR进入物探方法行列奠定基础。此后的40年，GPR技术虽有改进，但因地下介质对电磁波的强衰减和复杂传播特性，其应用局限于介质相对均匀、对电磁波吸收较弱的地质环境，如极地冰层、淡水湖泊、沙漠及岩盐等。20世纪70年代后，电子技术和现代雷达数据处理技术的飞速发展，推动了GPR技术的商业化进程。美国地球物理探测设备公司（SSI）的SIR系统、加拿大探头及软件公司（SSI）的pluseEKKO系列、瑞典地质公司（SGAB）的RAMAC钻孔地质雷达系统及日本应用地质株式会社（OYO）的GEORADAR系列等商业化产品相继问世。如今，GPR技术已广泛应用于矿产资源勘查、基岩面探查、土体中土洞探查、地下溶洞探查、超前预报、考古探查、地下管线探查、军事探测等多个领域。在土壤探测方面，GPR技术可用于土壤分层、土壤水分含量、土壤质地等的探测，为土壤研究提供了重要的技术支持。1.2.2复垦土壤压实探测研究进展目前，针对复垦土壤压实探测，国内外学者已开展了大量研究工作。传统的探测方法主要包括环刀法、灌砂法、核子密度仪法等。环刀法操作简单，但对土壤结构破坏较大，且代表性有限；灌砂法精度较高，但测试过程繁琐，耗时较长；核子密度仪法虽能快速测定土壤压实度，但存在放射性污染风险，且设备昂贵，使用受到一定限制。随着非破坏性检测技术的发展，GPR技术逐渐应用于复垦土壤压实探测领域。研究表明，GPR信号的传播速度、振幅等参数与土壤压实度之间存在一定的相关性，通过分析GPR数据，可以反演土壤压实度信息。一些学者利用GPR对不同压实度的土壤进行了探测实验，建立了基于GPR参数的土壤压实度反演模型，并取得了一定的成果。然而，由于土壤性质的复杂性和多变性，以及GPR信号受到多种因素的干扰，目前基于GPR的复垦土壤压实探测模型仍存在精度不高、适应性不强等问题，有待进一步深入研究和改进。1.3研究目的与意义本研究旨在基于GPR技术，构建一种高精度、适应性强的复垦土壤压实探测模型，实现对复垦土壤压实度的快速、准确、无损探测。具体研究目的包括：分析GPR信号在复垦土壤中的传播特性，明确影响GPR信号与土壤压实度关系的主要因素；建立基于GPR参数的复垦土壤压实度反演模型，并对模型进行优化和验证；利用所构建的探测模型，对实际复垦区域的土壤压实度进行探测和评价，为土地复垦质量评估和后续改良措施的制定提供科学依据。本研究的意义在于：一方面，为复垦土壤压实探测提供了一种新的技术手段和方法，丰富了土地复垦领域的研究内容，推动了GPR技术在土壤探测中的应用和发展；另一方面，准确的土壤压实度探测结果有助于及时发现复垦土壤存在的问题，指导土地复垦工作的科学开展，提高土地复垦质量和效率，对于保障土地资源的可持续利用、促进农业发展和生态环境保护具有重要的现实意义。1.4研究内容与方法1.4.1研究内容GPR信号与复垦土壤压实度关系的理论分析：从电磁波传播理论出发，分析GPR信号在复垦土壤中的传播特性，研究土壤压实度对GPR信号速度、振幅、频率等参数的影响规律，为后续模型构建提供理论基础。基于GPR的复垦土壤压实探测模型构建：通过室内模拟实验和野外实地试验，采集不同压实度复垦土壤的GPR数据，并同步测定土壤的物理性质参数。运用统计学方法和机器学习算法，分析GPR参数与土壤压实度之间的相关关系，建立基于GPR参数的复垦土壤压实度反演模型。模型验证与优化：利用独立的实验数据对所建立的探测模型进行验证，评估模型的准确性和可靠性。针对模型存在的问题，通过改进算法、增加数据样本等方式进行优化，提高模型的精度和适应性。实际应用与效果评价：将优化后的探测模型应用于实际复垦区域的土壤压实度探测，结合实地调查和采样分析结果，对模型的应用效果进行评价，为土地复垦质量评估和管理提供科学依据。1.4.2研究方法实验法：设计并开展室内模拟实验和野外实地试验。在室内模拟实验中，通过控制土壤压实度、含水率等因素，制备不同压实状态的土壤样本，利用GPR进行探测，获取GPR数据和土壤物理性质参数。在野外实地试验中，选择典型的复垦区域，按照一定的采样方案进行GPR探测和土壤采样，为模型构建和验证提供实际数据支持。数据分析法：运用统计学方法，对实验采集的GPR数据和土壤物理性质参数进行相关性分析、主成分分析等，筛选出与土壤压实度相关性较强的GPR参数。采用机器学习算法，如支持向量机、神经网络等，建立基于GPR参数的土壤压实度反演模型，并对模型进行训练和优化。对比验证法：将基于GPR的探测模型结果与传统土壤压实度检测方法（如环刀法）的结果进行对比分析，验证模型的准确性和可靠性。同时，对不同模型之间的性能进行比较，选择最优的探测模型。1.5技术路线本研究的技术路线如图1-1所示，首先进行研究区概况分析和试验设计，确定模拟试验区和典型复垦区，并布置采样点。然后利用探地雷达进行数据采集，同时获取土壤紧实度等数据。接着对探地雷达数据进行处理与分析，提取电磁波速度、振幅等参数。在此基础上，分别建立电磁波速度反演土壤容重模型和电磁波振幅模拟土壤紧实度模型，并对模型进行检验和优化。最后，将优化后的模型应用于实际复垦区，进行土壤压实度探测与评价，得出研究结论并提出展望。\begin{figure}[h]\centering\includegraphics[width=12cm]{技术路线图.jpg}\caption{技术路线图}\end{figure}二、GPR技术原理与复垦土壤特性2.1GPR工作原理2.1.1电磁波传播理论GPR技术基于电磁波在不同介质中的传播特性来实现对地下目标体的探测。电磁波是由同相且互相垂直的电场与磁场在空间中衍生发射的振荡粒子波，是以波动的形式传播的电磁场，具有波粒二象性。其传播速度与介质的介电常数和磁导率密切相关，在真空中，电磁波的传播速度等于光速c=3\times10^{8}m/s，而在介质中，传播速度v可表示为：v=\frac{c}{\sqrt{\varepsilon_{r}\mu_{r}}}，其中\varepsilon_{r}为相对介电常数，\mu_{r}为相对磁导率。在土壤中，由于土壤颗粒、孔隙、水分等成分的存在，使得土壤成为一种复杂的多相介质。土壤的介电常数主要受土壤质地、含水量、孔隙度等因素的影响。一般来说，土壤中的水分具有较高的介电常数（约为80），远大于土壤颗粒（约为3-5）和空气（约为1）的介电常数，因此土壤含水量的变化对土壤介电常数的影响最为显著。当土壤含水量增加时，土壤的介电常数增大，电磁波在土壤中的传播速度减小。此外，电磁波在土壤中传播时还会发生衰减现象。衰减主要由介质的导电性和散射引起。土壤中的盐分、有机质等物质会增加土壤的导电性，使得电磁波在传播过程中能量不断损耗，导致信号衰减。同时，土壤中的颗粒、孔隙等不均匀结构会对电磁波产生散射作用，也会造成信号的衰减。衰减程度通常用衰减系数\alpha来表示，其与电磁波频率f、土壤电导率\sigma、介电常数\varepsilon等因素有关，可表示为\alpha=2\pif\sqrt{\frac{\mu\sigma}{2}}（在导电介质中，当\sigma较大时）。随着电磁波频率的增加，衰减系数增大，信号衰减加剧，这也限制了GPR在土壤中的有效探测深度。2.1.2GPR系统组成与工作流程GPR系统主要由发射天线、接收天线、控制单元、数据采集与存储单元等组成。发射天线用于向地下发射高频电磁脉冲信号，这些脉冲信号的频率通常在几十兆赫（MHz）至几千兆赫（GHz）之间。不同频率的天线具有不同的探测特性，低频天线的穿透能力较强，但分辨率较低，适用于探测较深地层的目标；高频天线的分辨率较高，但穿透能力较弱，主要用于探测浅层目标。接收天线负责接收从地下反射回来的电磁波信号。由于地下不同介质的介电常数存在差异，当发射的电磁波遇到这些介质分界面时，会发生反射、折射和散射现象，其中反射波被接收天线捕获。控制单元用于协调系统各部分的工作，包括控制发射天线的发射频率、发射功率，以及控制接收天线的接收时间、增益等参数。数据采集与存储单元则将接收到的反射信号进行数字化处理，并存储起来以便后续分析。其工作流程如下：首先，操作人员根据探测目标和现场条件，选择合适的天线频率和其他采集参数，然后将GPR设备放置在探测区域的起始位置。启动设备后，发射天线按照设定的频率和时间间隔向地下发射电磁脉冲信号，同时接收天线开始接收反射信号。随着设备沿着探测路线移动，不断重复发射和接收过程，采集到一系列的反射信号数据。这些数据经过初步处理后，以时间-距离剖面的形式显示出来，即雷达图像。在雷达图像中，横坐标表示水平距离，纵坐标表示电磁波的双程旅行时间，根据电磁波的传播速度，可以将旅行时间转换为深度信息。通过对雷达图像的分析，如识别反射波的振幅、相位、频率等特征，可以推断地下介质的结构和性质，从而实现对复垦土壤压实度等参数的探测。2.2复垦土壤特性分析2.2.1复垦土壤物理性质复垦土壤的物理性质是影响其质量和功能的重要因素，主要包括颗粒组成、容重、孔隙度等。颗粒组成决定了土壤的质地，土壤质地可分为砂土、壤土和黏土三大类。砂土颗粒较粗，通气性和透水性良好，但保水保肥能力较差；黏土颗粒细小，保水保肥能力强，但通气性和透水性较差；壤土则兼具砂土和黏土的优点，通气性、透水性和保水保肥能力较为适中。在复垦过程中，由于采矿活动的影响，土壤颗粒组成可能发生改变，导致土壤质地变差，影响植物生长。土壤容重是指单位体积（包括孔隙）土壤的干重，它反映了土壤的紧实程度。正常土壤的容重一般在1.0-1.5g/cm^{3}之间，而复垦土壤由于受到机械压实等作用，容重往往会增大。容重过大，会导致土壤孔隙度减小，通气性和透水性变差，根系生长受到阻碍，影响植物对水分和养分的吸收。例如，当土壤容重超过1.5g/cm^{3}时，一些植物的根系生长就会明显受到抑制，根系难以穿透紧实的土壤，从而影响植物的生长发育和产量。孔隙度是指土壤孔隙体积占土壤总体积的百分比，它与土壤容重密切相关。土壤孔隙分为大孔隙（通气孔隙）和小孔隙（毛管孔隙），大孔隙主要影响土壤的通气性，小孔隙主要影响土壤的保水性和水分运动。复垦土壤压实会使大孔隙减少，小孔隙相对增加，导致土壤通气性降低，水分下渗困难，容易造成土壤积水和缺氧，不利于土壤中微生物的活动和植物根系的呼吸作用。2.2.2复垦土壤压实对电磁波传播的影响复垦土壤压实程度的变化会显著影响电磁波在土壤中的传播特性。随着土壤压实度的增加，土壤颗粒之间的接触更加紧密，孔隙度减小。这使得土壤的介电常数发生变化，进而影响电磁波的传播速度和衰减特性。如前所述，土壤介电常数与土壤的含水量、孔隙度等因素有关。当土壤压实度增加时，孔隙度减小，土壤中空气含量减少，水分相对含量增加（在一定范围内），导致土壤介电常数增大。根据电磁波传播速度公式v=\frac{c}{\sqrt{\varepsilon_{r}\mu_{r}}}，介电常数\varepsilon_{r}增大，电磁波传播速度v减小。因此，通过测量电磁波在复垦土壤中的传播速度，可以间接推断土壤的压实度。同时，土壤压实度的增加还会导致电磁波的衰减加剧。一方面，压实使土壤颗粒间的接触面积增大，土壤的导电性增强，根据衰减系数公式\alpha=2\pif\sqrt{\frac{\mu\sigma}{2}}，电导率\sigma增大，衰减系数\alpha增大，信号衰减加快；另一方面，压实后的土壤结构更加紧密，对电磁波的散射作用也会增强，进一步加剧了信号的衰减。这意味着在压实度较高的复垦土壤中，GPR信号的强度会迅速减弱，有效探测深度减小，对GPR探测复垦土壤压实度带来了一定的挑战。但正是由于土壤压实度与电磁波传播特性之间存在这种紧密的联系，为基于GPR技术构建复垦土壤压实探测模型提供了理论基础。通过深入研究土壤压实度与电磁波传播参数（如速度、振幅、频率等）之间的定量关系，有望实现对复垦土壤压实度的准确探测。三、基于GPR的复垦土壤压实探测模型构建3.1模型假设与参数设定3.1.1模型基本假设为了构建基于GPR的复垦土壤压实探测模型，首先需要对复杂的实际情况进行一定的简化和假设，以便于建立数学模型并进行分析求解。假设复垦土壤在研究范围内是均匀的，即土壤的质地、颗粒组成、含水量等物理性质在空间上呈均匀分布。虽然实际的复垦土壤由于受到采矿活动、复垦工艺以及地形地貌等多种因素的影响，往往存在一定程度的非均匀性，但在小尺度范围内，这种均匀性假设在一定程度上是合理的，能够简化模型的构建过程，并且为后续的模型验证和修正提供基础。例如，在一些经过平整和初步改良的复垦区域，局部范围内土壤的基本性质差异相对较小，可以近似看作均匀介质。假设电磁波在复垦土壤中的传播是线性的，即满足线性叠加原理。在这种假设下，电磁波的传播特性仅与土壤的物理性质有关，而不受其他因素的干扰。当电磁波在土壤中传播时，其反射、折射和散射等现象可以通过简单的数学公式进行描述，不会出现非线性的复杂情况。尽管实际中土壤的一些特性，如土壤颗粒的形状和排列、孔隙结构的复杂性等可能会导致电磁波传播的非线性，但在一般情况下，对于大多数复垦土壤，线性传播假设能够较好地反映电磁波的主要传播行为，使模型具有可操作性和实用性。忽略土壤中其他物质（如有机质、盐分等）对电磁波传播的影响，仅考虑土壤颗粒、空气和水分这三种主要成分对电磁波传播特性的作用。土壤中的有机质和盐分等物质虽然会对电磁波的传播产生一定影响，但在本研究中，将其视为次要因素暂时忽略，以便突出土壤压实度与土壤颗粒、空气和水分之间的关系对电磁波传播的影响。在后续研究中，可以根据实际情况对这些因素进行进一步的考虑和修正，以提高模型的精度和适用性。3.1.2参数选择与定义在构建模型过程中，合理选择和定义相关参数是准确描述复垦土壤压实度与GPR信号之间关系的关键。介电常数是一个重要参数，它反映了土壤对电磁波的极化能力，与土壤的组成成分密切相关。土壤的介电常数主要由土壤颗粒、空气、水分的介电常数及其相对含量决定。如前文所述，水分的介电常数远大于土壤颗粒和空气的介电常数，因此土壤含水量的变化对土壤介电常数的影响最为显著。在模型中，用\varepsilon表示复垦土壤的介电常数，其单位为F/m（法拉/米）。通过实验测量或理论模型计算得到的介电常数，可以用于分析电磁波在土壤中的传播速度和反射特性等。电磁波传播速度v也是一个关键参数，它与介电常数密切相关，在均匀介质中，电磁波传播速度v=\frac{c}{\sqrt{\varepsilon_{r}\mu_{r}}}，其中c为真空中的光速，\varepsilon_{r}为相对介电常数，\mu_{r}为相对磁导率。由于土壤的相对磁导率近似等于1，所以电磁波在土壤中的传播速度主要取决于土壤的相对介电常数。传播速度的单位为m/s（米/秒），通过测量GPR信号在土壤中的传播时间和已知的探测距离，可以计算出电磁波的传播速度，进而推断土壤的压实度信息。土壤压实度C是本研究的目标参数，它表示土壤被压实的程度，通常用土壤的容重或孔隙度来间接衡量。在模型中，将土壤压实度定义为一个无量纲的参数，取值范围在0（完全疏松）到1（完全压实）之间。实际计算中，可以通过测量土壤的容重\rho，利用公式C=\frac{\rho-\rho_{min}}{\rho_{max}-\rho_{min}}来计算土壤压实度，其中\rho_{min}和\rho_{max}分别为土壤在最疏松和最压实状态下的容重。除上述主要参数外，还有一些辅助参数也会影响模型的准确性，如电磁波的频率f，单位为Hz（赫兹），不同频率的电磁波在土壤中的传播特性不同，高频电磁波分辨率高但穿透能力弱，低频电磁波穿透能力强但分辨率低；以及信号的振幅A，它反映了电磁波信号的强度，单位为V（伏特），信号振幅的变化也与土壤压实度存在一定的关联，在模型中可以作为辅助信息用于反演土壤压实度。3.2数学模型推导3.2.1基于电磁波传播方程的推导从电磁波传播的基本理论出发，麦克斯韦方程组是描述电磁波在介质中传播行为的基础。在各向同性、线性、均匀的复垦土壤介质中，麦克斯韦方程组可简化为：\nabla\times\vec{H}=\vec{J}+\frac{\partial\vec{D}}{\partialt}\nabla\times\vec{E}=-\frac{\partial\vec{B}}{\partialt}\nabla\cdot\vec{D}=\rho\nabla\cdot\vec{B}=0其中，\vec{H}为磁场强度，\vec{E}为电场强度，\vec{J}为电流密度，\vec{D}为电位移矢量，\vec{B}为磁感应强度，\rho为电荷密度。对于复垦土壤这种非导电介质（电导率\sigma\approx0），且忽略自由电荷（\rho=0），根据本构关系\vec{D}=\varepsilon\vec{E}，\vec{B}=\mu\vec{H}（\varepsilon为介电常数，\mu为磁导率，在土壤中\mu\approx\mu_{0}，\mu_{0}为真空磁导率），对上述方程组进行推导。由\nabla\times\vec{H}=\frac{\partial\vec{D}}{\partialt}，两边同时取旋度可得：\nabla\times(\nabla\times\vec{H})=\nabla\times\frac{\partial\vec{D}}{\partialt}=\frac{\partial}{\partialt}(\nabla\times\vec{D})又因为\nabla\times\vec{E}=-\frac{\partial\vec{B}}{\partialt}，即\nabla\times\vec{E}=-\mu\frac{\partial\vec{H}}{\partialt}，代入上式可得：\nabla\times(\nabla\times\vec{H})=\frac{\partial}{\partialt}(\nabla\times\vec{D})=\frac{\partial}{\partialt}(\varepsilon\nabla\times\vec{E})=-\varepsilon\mu\frac{\partial^{2}\vec{H}}{\partialt^{2}}根据矢量恒等式\nabla\times(\nabla\times\vec{H})=\nabla(\nabla\cdot\vec{H})-\nabla^{2}\vec{H}，且\nabla\cdot\vec{H}=0，则有：\nabla^{2}\vec{H}-\varepsilon\mu\frac{\partial^{2}\vec{H}}{\partialt^{2}}=0这就是波动方程的形式，对于沿z方向传播的均匀平面电磁波，其电场强度\vec{E}和磁场强度\vec{H}都只与z和t有关，可表示为\vec{E}(z,t)和\vec{H}(z,t)，波动方程进一步简化为：\frac{\partial^{2}E}{\partialz^{2}}-\varepsilon\mu\frac{\partial^{2}E}{\partialt^{2}}=0\frac{\partial^{2}H}{\partialz^{2}}-\varepsilon\mu\frac{\partial^{2}H}{\partialt^{2}}=0设电磁波的电场强度E=E_{0}e^{j(\omegat-kz)}（E_{0}为电场强度幅值，\omega=2\pif为角频率，k为波数），代入波动方程可得：-k^{2}E_{0}e^{j(\omegat-kz)}+\varepsilon\mu\omega^{2}E_{0}e^{j(\omegat-kz)}=0整理可得k^{2}=\varepsilon\mu\omega^{2}，又因为波数k=\frac{2\pi}{\lambda}（\lambda为波长），且电磁波传播速度v=\frac{\omega}{k}，所以v=\frac{1}{\sqrt{\varepsilon\mu}}，在土壤中\mu\approx\mu_{0}，则v=\frac{c}{\sqrt{\varepsilon_{r}}}（c=\frac{1}{\sqrt{\varepsilon_{0}\mu_{0}}}为真空中光速，\varepsilon_{r}=\frac{\varepsilon}{\varepsilon_{0}}为相对介电常数）。通过实验测量得到电磁波在复垦土壤中的传播速度v，就可以根据上述公式计算出土壤的相对介电常数\varepsilon_{r}。又因为土壤压实度与土壤的孔隙度、含水量等因素密切相关，而这些因素又会影响土壤的介电常数，通过大量实验数据建立土壤压实度C与相对介电常数\varepsilon_{r}之间的关系模型，如C=f(\varepsilon_{r})，经过一系列的数据拟合和分析，最终得到基于电磁波传播速度的复垦土壤压实度反演模型：C=a+b\frac{c^{2}}{v^{2}}其中，a、b为模型参数，可通过实验数据拟合确定。3.2.2模型优化与改进虽然上述基于电磁波传播方程推导得到的模型在一定程度上能够反映复垦土壤压实度与GPR信号之间的关系，但在实际应用中，由于土壤的复杂性和多变性，以及测量过程中存在的各种误差和干扰因素，模型可能存在一定的局限性和不足之处。模型中假设土壤是均匀介质，但实际复垦土壤往往存在不同程度的分层现象，各层土壤的物理性质（如质地、含水量、压实度等）可能存在差异，这会导致电磁波在传播过程中发生多次反射和折射，使得实际的传播情况比模型假设更为复杂，从而影响模型的准确性。此外，土壤中的有机质、盐分等物质对电磁波传播特性的影响在模型中未充分考虑，这些因素也可能导致模型与实际情况存在偏差。为了提高模型的精度和适应性，需要对模型进行优化和改进。针对土壤分层问题，可以采用多层介质模型来描述电磁波在分层土壤中的传播行为。将复垦土壤划分为若干层，每层土壤具有不同的物理参数（如介电常数、磁导率等），根据电磁波在多层介质分界面上的反射和折射原理，建立相应的数学模型来计算电磁波在各层土壤中的传播特性和反射信号。通过对多层介质模型的求解，可以更准确地模拟电磁波在实际复垦土壤中的传播过程，从而提高土壤压实度反演的精度。对于土壤中其他物质对电磁波传播的影响，可以通过实验研究和数据分析，建立相应的修正模型。例如，通过在不同有机质含量和盐分含量的土壤样本上进行GPR实验，测量电磁波传播参数的变化，并分析这些变化与土壤压实度之间的关系，从而确定有机质和盐分对模型参数的影响规律，进而对原模型进行修正。此外，还可以引入更多的辅助信息，如土壤的质地、含水量等，利用多参数融合的方法来提高模型的性能。利用更先进的机器学习算法对模型进行优化。传统的基于电磁波传播方程的模型往往是基于一定的假设和简化条件建立的，对于复杂的非线性关系可能描述不够准确。而机器学习算法，如支持向量机（SVM）、人工神经网络（ANN）等，具有强大的非线性建模能力，能够自动学习数据中的复杂模式和规律。可以将GPR探测得到的电磁波参数（如传播速度、振幅、频率等）以及土壤的其他物理性质参数（如容重、孔隙度、含水量等）作为输入特征，将土壤压实度作为输出标签，对机器学习模型进行训练。通过不断调整模型的参数和结构，使模型能够更好地拟合实验数据，提高土壤压实度的预测精度。通过以上多种方式对模型进行优化和改进，有望得到更准确、更可靠的基于GPR的复垦土壤压实探测模型，为实际的土地复垦工作提供更有力的技术支持。四、实验设计与数据采集4.1实验区域选择4.1.1典型复垦区域概况本研究选取了位于[具体省份]的[复垦区域名称]作为实验区域。该区域地处[地理位置描述，如某流域中下游、某山脉脚下等]，地理坐标为[具体经纬度范围]。其土壤类型主要为[主要土壤类型，如砂壤土、粉质黏土等]，这种土壤质地具有一定的代表性，在该地区的复垦土地中较为常见。该复垦区域的复垦历史可追溯至[复垦起始年份]，当时因[采矿活动类型，如露天煤矿开采、金属矿开采等]对土地造成了严重破坏，随后开展了土地复垦工作。经过多年的复垦整治，目前该区域已初步恢复了一定的土地利用功能，部分区域已用于农业种植，种植作物主要包括[主要种植作物，如小麦、玉米、大豆等]。然而，由于复垦过程中机械压实等因素的影响，土壤压实问题仍然较为突出，对农作物的生长和产量产生了一定的制约。4.1.2实验区域代表性分析选择该区域作为实验区域具有较强的代表性，主要体现在以下几个方面。首先，从土壤类型来看，该区域的砂壤土在当地复垦土地中分布广泛，其物理性质（如颗粒组成、容重、孔隙度等）与周边复垦区域的土壤具有相似性，能够较好地反映该地区复垦土壤的一般特性。其次，该区域的复垦历史和复垦方式在当地具有普遍性。采用的复垦工艺和技术在该地区较为常见，受到的机械压实程度和影响因素也与其他复垦区域类似，因此通过对该区域的研究，所得出的结论和构建的模型具有一定的推广应用价值。再者，该区域已开展农业种植，农作物的生长状况和产量受到土壤压实度的明显影响，这使得研究结果能够直接与实际农业生产相结合，为解决实际问题提供有力支持。综合以上因素，该复垦区域能够代表一般复垦土壤压实情况，适合作为本研究的实验区域。4.2实验设备与仪器4.2.1GPR设备选型与参数设置本研究选用了[GPR设备品牌及型号，如SIR-3000型探地雷达]作为探测设备。该设备具有高精度、高分辨率的特点，能够满足复垦土壤压实探测的要求。其工作频率范围较宽，可根据不同的探测深度和分辨率需求进行调整。在参数设置方面，根据实验区域的土壤特性和探测目标，将发射频率设置为[具体频率值，如200MHz]。较低的发射频率可以增加电磁波的穿透深度，适用于对较深土层的探测；而较高的发射频率则能够提高分辨率，更清晰地反映浅层土壤的结构信息。本研究旨在探测一定深度范围内的土壤压实情况，综合考虑穿透深度和分辨率的要求，选择200MHz的发射频率较为合适。采样间隔设置为[具体采样间隔值，如0.5ns]。采样间隔决定了数据采集的精度，较小的采样间隔可以获取更详细的信号信息，但同时也会增加数据量和处理难度。经过前期的试验和分析，确定0.5ns的采样间隔能够在保证数据精度的前提下，有效地控制数据量，便于后续的数据处理和分析。此外，还对增益、时窗等参数进行了合理设置。增益设置为[具体增益值，如自动增益模式或手动设置的增益倍数]，以增强信号的强度，使微弱信号能够更清晰地显示出来。时窗设置为[具体时窗范围，如0-200ns]，根据预计的探测深度和电磁波在土壤中的传播速度，确定合适的时窗范围，确保能够采集到目标深度范围内的反射信号。4.2.2土壤压实度传统测量工具为了与GPR探测结果进行对比验证，采用了传统的土壤压实度测量工具。主要包括环刀法和灌砂法。环刀法是一种常用的测量土壤压实度的方法，适用于细粒土。其原理是利用环刀取土，通过测量环刀内土壤的湿重和干重，计算出土壤的干密度，进而求得土壤压实度。实验中使用的环刀规格为[环刀内径和高度尺寸，如内径61.8mm，高20mm]，环刀材质为不锈钢，具有较高的精度和稳定性。配套的工具还包括天平（精度为[天平精度，如0.01g]）、修土刀、小铁锹等。灌砂法是一种较为精确的测量土壤压实度的方法，适用于各类土。其原理是利用均匀颗粒的砂去置换试洞的体积，通过测量试洞内砂的质量和已知的砂的密度，计算出试洞的体积，进而得到土壤的湿密度，再结合土壤含水量，计算出土壤的干密度和压实度。实验中使用的灌砂筒规格为[灌砂筒的主要尺寸参数，如储砂筒直径150mm，容积4600cm³，流砂孔直径15mm等]，标准砂的密度为[标准砂密度值，如1.35g/cm³]。同时，还配备了基板、金属标定罐、试样盘、天平（精度满足实验要求）、含水量测定器具（如酒精、铁盒等）等量砂和测量所需的工具。这些传统测量工具在土壤压实度测量领域具有广泛的应用和较高的认可度，能够为GPR探测结果的验证提供可靠的参考依据。4.3数据采集方案4.3.1GPR数据采集在GPR数据采集过程中，首先确定了采集路线。根据实验区域的地形和土地利用情况，将采集路线设计为网格状，网格间距为[具体间距值，如5m]。这样的设计能够全面覆盖实验区域，获取不同位置的土壤信息，同时便于后续的数据处理和分析。采集点间距设置为[具体采集点间距值，如0.2m]。较小的采集点间距可以提高数据的分辨率，更准确地反映土壤压实度的空间变化情况。在采集过程中，确保GPR设备的天线与地面紧密接触，以保证电磁波能够有效地发射和接收。同时，保持设备匀速移动，移动速度控制在[具体移动速度值，如0.5m/s]左右，避免因速度过快或过慢导致数据采集不准确。采集过程中的注意事项如下：在采集前，对GPR设备进行全面检查和调试，确保设备各项参数设置正确，运行正常。检查天线的连接是否牢固，有无损坏。在现场记录详细的地质信息和环境条件，包括土壤质地、地形起伏、地表植被覆盖情况等，以便后续对数据进行分析和解释时参考。注意避免周围环境中的电磁干扰，如远离高压线、通信基站等。在数据采集过程中，实时观察采集数据的质量，如发现异常数据，及时检查设备和采集参数，必要时重新进行采集。4.3.2土壤压实度数据采集按照规范进行土壤压实度数据采集。在GPR数据采集的同时，在每个采集点附近进行土壤采样。使用环刀法时，先将采样点周围的地面铲平，去除表面松散的土层，然后将环刀垂直压入土壤中，至环刀盖顶面与地面齐平。用修土刀削去环刀两端多余的土壤，使土壤表面平整，然后将环刀及土壤取出，称重并记录湿土质量。将土壤样品带回实验室，在105-110℃的烘箱中烘干至恒重，称重并记录干土质量，计算土壤含水量和干密度，进而得到土壤压实度。使用灌砂法时，先在采样点处挖一个直径与灌砂筒一致的试洞，深度等于测定层厚度。在挖洞过程中，注意保持试洞壁的垂直和光滑，避免扰动周围土壤。将挖出的土壤全部取出，装入塑料袋中，防止水分蒸发。用灌砂筒向试洞中灌砂，直到砂不再下流为止，称量灌砂筒内剩余砂的质量，计算试洞内砂的质量和试洞体积。从挖出的土壤中取出有代表性的样品，测定其含水量。根据试洞内砂的质量、试洞体积和土壤含水量，计算土壤的湿密度和干密度，最终得到土壤压实度。通过严格按照规范进行土壤压实度数据采集，确保采集数据的准确性和可靠性，为后续基于GPR的复垦土壤压实探测模型的验证和优化提供坚实的数据基础。五、模型验证与结果分析5.1数据处理与分析方法5.1.1GPR数据预处理GPR数据在采集过程中，不可避免地会受到各种噪声的干扰，这些噪声会降低数据的质量，影响后续对土壤压实度的分析和反演。因此，对采集到的GPR原始数据进行预处理是至关重要的步骤。采用滤波方法去除噪声。滤波是一种通过特定的数学算法对信号进行处理，以保留有效信号、去除噪声的技术。常见的滤波方法包括带通滤波、低通滤波和高通滤波等。在本研究中，根据GPR信号的频率特性和噪声的频率分布，选择合适的带通滤波器。带通滤波器可以允许特定频率范围内的信号通过，而抑制其他频率的信号。例如，通过前期的试验和分析，确定GPR信号的主要频率范围为[具体频率范围，如100-300MHz]，则设置带通滤波器的通带范围为该频率区间，这样可以有效地去除低于100MHz的低频噪声（如来自地面的低频干扰）和高于300MHz的高频噪声（如电子器件的高频干扰），使GPR信号更加清晰，突出与土壤压实度相关的特征信息。除了滤波，增益调整也是常用的数据预处理方法。由于GPR信号在土壤中传播时会发生衰减，特别是在深层土壤或压实度较高的区域，信号强度会显著减弱。为了增强这些微弱信号，使其能够在后续分析中被准确识别和利用，需要进行增益调整。增益调整是通过对信号的幅度进行放大或缩小来实现的。可以采用线性增益或指数增益等方式。线性增益是按照固定的比例对信号幅度进行调整，而指数增益则根据信号的衰减特性，对不同深度或位置的信号进行自适应的幅度调整。例如，在数据处理软件中，可以设置指数增益函数，使得随着信号传播深度的增加，增益倍数逐渐增大，从而补偿信号的衰减，增强有效信号的显示效果。经过滤波和增益调整等预处理操作后，GPR数据中的噪声得到了有效抑制，信号的信噪比得到提高，为后续准确提取与土壤压实度相关的GPR参数（如电磁波传播速度、振幅等）奠定了良好的基础。通过对预处理后的数据进行进一步分析，可以更准确地建立GPR参数与土壤压实度之间的关系，提高基于GPR的复垦土壤压实探测模型的精度和可靠性。5.1.2土壤压实度数据统计分析对采集到的土壤压实度数据进行统计分析，有助于深入了解数据的分布特征和变化规律，为后续的模型验证和结果分析提供重要的参考依据。计算土壤压实度数据的均值。均值是一组数据的集中趋势的度量，它反映了数据的平均水平。通过计算均值，可以了解实验区域内土壤压实度的总体平均情况。例如，对于一组包含[样本数量]个土壤压实度数据的样本集\{C_1,C_2,\cdots,C_n\}，其均值\overline{C}的计算公式为\overline{C}=\frac{1}{n}\sum_{i=1}^{n}C_i。如果计算得到的均值较大，说明该区域土壤整体压实度较高；反之，则说明整体压实度较低。计算土壤压实度数据的标准差。标准差是衡量数据离散程度的指标，它反映了数据相对于均值的分散程度。标准差越大，说明数据的离散程度越大，即不同位置的土壤压实度差异较大；标准差越小，则说明数据相对集中，土壤压实度在空间上的分布较为均匀。其计算公式为S_D=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(C_i-\overline{C})^2}。例如，当标准差较大时，可能意味着实验区域内存在不同的压实区域，如某些区域由于机械作业频繁导致压实度较高，而另一些区域则相对较低，这对于分析土壤压实度的空间变化和影响因素具有重要意义。通过绘制直方图、箱线图等图表来直观展示土壤压实度数据的分布特征。直方图可以清晰地显示数据在各个区间的分布频率，帮助判断数据是否符合某种特定的分布规律，如正态分布等。箱线图则可以展示数据的中位数、四分位数、最大值和最小值等信息，同时还能直观地识别出数据中的异常值。例如，从直方图中可以看出土壤压实度在某个范围内的样本数量较多，而在其他范围较少，从而了解土壤压实度的主要分布区间；通过箱线图可以快速发现是否存在压实度异常高或异常低的样本点，这些异常值可能是由于测量误差或特殊的土壤条件导致的，需要进一步分析和处理。对土壤压实度数据进行统计分析，能够全面了解数据的特征和变化规律，为评估基于GPR的复垦土壤压实探测模型的性能提供客观的参考依据，同时也有助于发现数据中的潜在问题，为后续的研究和分析提供方向。5.2模型验证5.2.1对比验证方法为了评估基于GPR的复垦土壤压实探测模型的准确性和可靠性，将模型的预测结果与传统方法测量结果进行对比验证。传统的土壤压实度测量方法中，环刀法和灌砂法是应用较为广泛且精度较高的方法，在本研究中，选择这两种方法作为对比验证的参考标准。在实验区域内，按照一定的采样方案，分别使用GPR设备和环刀法、灌砂法对相同位置的土壤压实度进行测量。对于GPR测量，根据构建的探测模型，通过对采集到的GPR数据进行处理和分析，得到土壤压实度的预测值。在使用环刀法测量时，严格按照相关标准规范操作，在选定的采样点处，将环刀垂直压入土壤，然后取出环刀内的土壤样本，测定其湿重和干重，进而计算出土壤的干密度，再根据干密度与土壤压实度的关系，得出土壤压实度的测量值。灌砂法的操作同样遵循标准流程，在采样点挖取一定体积的土壤，用已知密度的标准砂填充试洞，通过测量试洞内砂的质量和体积，计算出土壤的湿密度，结合土壤含水量，计算得到土壤的干密度和压实度。将GPR模型预测得到的土壤压实度值与环刀法和灌砂法测量得到的结果进行一一对比。对比过程中，不仅关注预测值与测量值的数值差异，还分析它们在不同土壤条件、不同深度层次以及不同空间位置上的变化趋势是否一致。例如，在同一采样点的不同深度，分别记录GPR模型预测的压实度和传统方法测量的压实度，观察随着深度的增加，两者的变化趋势是否相似。如果GPR模型预测结果与传统方法测量结果在数值上较为接近，且变化趋势一致，说明基于GPR的探测模型具有较好的准确性和可靠性；反之，如果两者差异较大，则需要进一步分析原因，对模型进行优化和改进。通过与传统方法测量结果进行对比验证，可以直观、有效地评估基于GPR的复垦土壤压实探测模型的性能，为模型的进一步完善和实际应用提供有力的支持。5.2.2验证结果评估指标为了准确评估基于GPR的复垦土壤压实探测模型的验证结果，选择合适的评估指标至关重要。常用的评估指标包括均方根误差（RMSE）、相关系数（R）等，这些指标从不同角度反映了模型预测值与实际测量值之间的差异和相关性。均方根误差（RMSE）能够衡量模型预测值与实际值之间的平均误差程度，它对误差的大小较为敏感，尤其是较大的误差。其计算公式为RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(C_{i}^{pred}-C_{i}^{meas})^2}，其中n为样本数量，C_{i}^{pred}为第i个样本的模型预测值，C_{i}^{meas}为第i个样本的实际测量值。RMSE的值越小，说明模型预测值与实际值越接近，模型的预测精度越高。例如，当RMSE值小于某个设定的阈值（如0.05）时，可以认为模型的预测误差在可接受范围内，具有较好的精度。相关系数（R）用于衡量模型预测值与实际值之间的线性相关程度，取值范围在-1到1之间。当R的值接近1时，表示两者之间存在很强的正线性相关关系，即模型预测值能够很好地反映实际值的变化趋势；当R的值接近-1时，表示存在很强的负线性相关关系；当R的值接近0时，则说明两者之间几乎不存在线性相关关系。相关系数的计算公式为R=\frac{\sum_{i=1}^{n}(C_{i}^{pred}-\overline{C^{pred}})(C_{i}^{meas}-\overline{C^{meas}})}{\sqrt{\sum_{i=1}^{n}(C_{i}^{pred}-\overline{C^{pred}})^2\sum_{i=1}^{n}(C_{i}^{meas}-\overline{C^{meas}})^2}}，其中\overline{C^{pred}}和\overline{C^{meas}}分别为模型预测值和实际测量值的均值。在本研究中，如果相关系数R大于0.8，说明基于GPR的探测模型预测结果与传统方法测量结果之间具有较强的线性相关性，模型能够较好地拟合实际数据。除了均方根误差和相关系数外，还可以考虑其他评估指标，如平均绝对误差（MAE）、决定系数（R²）等。平均绝对误差是预测值与实际值偏差的绝对值的平均数，它反映了模型预测误差的平均大小，计算公式为MAE=\frac{1}{n}\sum_{i=1}^{n}|C_{i}^{pred}-C_{i}^{meas}|。决定系数R²用于衡量模型对数据的拟合优度，其值越接近1，表示模型对数据的拟合效果越好，计算公式为R^{2}=1-\frac{\sum_{i=1}^{n}(C_{i}^{pred}-C_{i}^{meas})^2}{\sum_{i=1}^{n}(C_{i}^{meas}-\overline{C^{meas}})^2}。综合运用这些评估指标，可以全面、客观地评估基于GPR的复垦土壤压实探测模型的验证结果，为模型的性能评价和改进提供科学依据。5.3结果分析与讨论5.3.1模型精度分析通过对基于GPR的复垦土壤压实探测模型的验证结果进行分析，可以评估模型的精度。将模型预测结果与传统方法测量结果进行对比，计算各项评估指标的值，如均方根误差（RMSE）、相关系数（R）、平均绝对误差（MAE）和决定系数（R²）等，从不同角度分析模型的精度情况。假设经过计算，得到该模型的RMSE值为[具体RMSE值，如0.06]，这表明模型预测值与实际测量值之间的平均误差程度为[具体误差程度，如0.06]。与预先设定的精度标准（如RMSE应小于0.08）相比，该模型的RMSE值在可接受范围内，说明模型的预测精度较高，能够较为准确地反演复垦土壤的压实度。然而，如果RMSE值较大，超过了可接受范围，这可能意味着模型在某些方面存在不足，需要进一步分析原因。相关系数R的值为[具体R值，如0.85]，说明模型预测值与实际测量值之间存在较强的正线性相关关系，模型能够较好地反映实际值的变化趋势。当土壤压实度的实际值发生变化时，模型预测值也能相应地呈现出类似的变化趋势，这为利用该模型进行土壤压实度的探测和评估提供了有力的支持。如果相关系数R较低，如小于0.6，可能表明模型对实际数据的拟合效果不佳，无法准确捕捉土壤压实度与GPR参数之间的关系。平均绝对误差MAE的值为[具体MAE值，如0.04]，这表示模型预测误差的平均大小为[具体误差大小，如0.04]，进一步说明了模型在预测过程中的误差水平相对较低。决定系数R²的值为[具体R²值，如0.75]，接近1，表明模型对数据的拟合效果较好，能够解释大部分数据的变异。综合各项评估指标的分析结果，可以认为基于GPR的复垦土壤压实探测模型在一定程度上具有较高的精度，能够满足复垦土壤压实度探测的实际需求。但同时也应注意到，模型在某些样本点或特定条件下可能仍存在一定的误差，需要进一步优化和改进，以提高模型的稳定性和可靠性。5.3.2影响模型精度的因素探讨尽管基于GPR的复垦土壤压实探测模型在精度方面取得了一定的成果，但仍存在一些因素可能影响模型的精度，需要进行深入探讨。土壤含水量是影响模型精度的重要因素之一。土壤中的水分对电磁波的传播特性具有显著影响，因为水分的介电常数远大于土壤颗粒和空气的介电常数。当土壤含水量发生变化时，土壤的介电常数也会随之改变，进而影响电磁波在土壤中的传播速度和衰减特性。在土壤含水量较高的情况下，电磁波传播速度会显著降低，信号衰减加剧。这可能导致模型在反演土壤压实度时出现误差，因为模型建立时所依据的电磁波传播特性与实际情况发生了偏差。例如，在一些潮湿的复垦区域，由于土壤含水量较高，模型预测的土壤压实度可能会比实际值偏高，这是因为模型将部分由于水分增加导致的电磁波传播速度降低误判为土壤压实度的增加。地形因素也会对模型精度产生影响。在地形起伏较大的复垦区域，GPR设备与地面的接触情况可能不稳定，导致电磁波的发射和接收受到干扰。地形的变化还会使土壤的厚度和结构发生改变，进而影响电磁波在土壤中的传播路径和反射特性。在山坡地带，土壤的厚度可能不均匀，且存在一定的倾斜角度，这会使得电磁波在传播过程中发生多次反射和折射，增加了信号的复杂性。模型在处理这些复杂信号时，可能无法准确地提取与土壤压实度相关的信息，从而导致预测精度下降。土壤质地的差异也是影响模型精度的因素。不同质地的土壤，如砂土、壤土和黏土，其颗粒组成、孔隙结构和物理性质存在较大差异，这会导致电磁波在不同质地土壤中的传播特性不同。砂土颗粒较大，孔隙度高，电磁波在其中传播时衰减相对较小；而黏土颗粒细小，孔隙度低，对电磁波的吸收和散射作用较强，信号衰减较大。如果在模型构建过程中没有充分考虑土壤质地的影响，当应用模型于不同质地的复垦土壤时，就可能出现预测误差。例如，对于砂土质地的复垦土壤，模型可能能够较为准确地预测压实度，但对于黏土质地的土壤，由于其特殊的物理性质对电磁波传播的影响，模型预测结果可能与实际值存在较大偏差。除了上述因素外，测量误差、数据采集的代表性以及模型本身的局限性等也可能对模型精度产生影响。在实际测量过程中，无论是GPR数据采集还是传统土壤压实度测量，都可能存在一定的误差，这些误差会累积到模型的验证和分析中，影响模型的精度评估。数据采集的代表性不足，如采样点分布不均匀、样本数量有限等，也可能导致模型无法准确反映整个复垦区域的土壤压实度情况。模型本身的假设和简化条件，以及对复杂土壤环境的考虑不全面，都可能限制模型的精度和适用性。深入探讨影响基于GPR的复垦土壤压实探测模型精度的因素，有助于针对性地采取改进措施，进一步提高模型的性能和可靠性，使其能够更好地应用于实际的复垦土壤压实度探测和评估工作中。六、案例应用与实践6.1具体复垦项目案例6.1.1项目背景与目标本案例选取位于[省份名称]的[复垦项目具体名称]，该区域因[矿山开采活动或其他导致土地破坏的原因]，大面积土地遭到严重破坏，土壤结构被打乱，原有植被消失，生态环境恶化，土地生产力丧失。随着土地资源保护与可持续利用意识的增强，对该区域进行土地复垦迫在眉睫。复垦目标主要有以下几点：一是恢复土地的基本农业生产功能，通过土壤改良、地形平整等措施，使复垦后的土地能够满足农作物生长的基本要求，提高土地的生产力，预计农作物产量达到当地平均水平的[X]%以上；二是改善土壤质量，降低土壤压实度，使土壤容重恢复至适宜农作物生长的范围，孔隙度提高[X]%，增强土壤的通气性和透水性；三是修复生态环境，在复垦区域种植适宜的植被，提高植被覆盖率至[X]%，减少水土流失，促进生态系统的平衡和稳定；四是遵循相关土地复垦标准和规范，确保复垦后的土地质量符合[具体土地质量标准名称]的要求，为后续土地的合理利用和管理提供保障。6.1.2基于GPR模型的土壤压实探测实施过程在该复垦项目中，运用前文构建的基于GPR的复垦土壤压实探测模型进行土壤压实探测。首先，根据复垦区域的地形和土地利用现状，制定详细的数据采集计划。将复垦区域划分为多个探测单元，每个探测单元设置纵横交错的探测线，形成网格状的探测布局，确保能够全面覆盖复垦区域，获取不同位置的土壤压实信息。使用[具体型号]的GPR设备进行数据采集，根据土壤特性和探测深度要求，设置发射频率为[具体频率值]MHz，采样间隔为[具体采样间隔值]ns，时窗为[具体时窗范围]ns等参数。在采集过程中，保持GPR设备匀速移动，速度控制在[具体移动速度值]m/s左右，确保数据采集的稳定性和准确性。同时，记录每个探测点的地理位置信息，以便后续数据处理和分析。采集完成后，对原始GPR数据进行预处理，采用滤波、增益调整等方法去除噪声，增强有效信号。然后，利用数据处理软件提取电磁波传播速度、振幅等与土壤压实度相关的参数。根据构建的探测模型，输入提取的GPR参数，计算得到每个探测点的土壤压实度预测值。为验证GPR模型探测结果的准确性，在部分探测点采用环刀法和灌砂法进行传统土壤压实度测量。将GPR模型预测结果与传统测量结果进行对比分析，对模型进行验证和修正。根据验证结果，对模型参数进行优化调整，进一步提高模型的精度和可靠性。通过基于GPR模型的土壤压实探测实施过程，全面、快速地获取了复垦区域的土壤压实信息，为后续复垦工程决策提供了科学依据。6.2应用效果评估6.2.1对复垦工程决策的支持作用基于GPR模型的土壤压实探测结果为复垦工程的方案制定和施工调整提供了重要依据。通过探测结果，清晰地了解到复垦区域内