编辑推荐：
本文全面回顾了 2013 - 2024 年土壤特定地点养分管理（SSNM）的研究。分析了电化学传感、光谱学等技术在 SSNM 中的应用、局限，探讨数据融合及模型选择对养分预测的影响，指出挑战并展望未来研究方向，为精准农业发展提供参考。
1. 引言
随着世界人口增长，确保粮食和营养安全成为全球重大关切。联合国可持续发展目标要求到 2030 年全球农业产量提高 60 - 110%。盲目增加化肥和化学品投入虽能短期提高作物产量，但会损害土壤健康，威胁土地可持续利用。精准农业利用先进技术优化作物生产，土壤特定地点养分管理（SSNM）是其中关键实践。
SSNM 依据 4R 养分管理理念，即使用正确肥料、在正确时间施用、选择正确来源、采用正确方法，通过识别农田养分时空变异性，按需变量施肥，减少肥料用量，提高养分利用效率，维护土壤健康。目前，已有多种光学方法用于测定土壤养分，但土壤性质复杂多变，测量难度大，现有技术存在局限性。
本综述旨在全面分析 SSNM 中使用的技术和传感器，探讨其工作原理、集成应用、发展趋势、局限性及前景，为相关研究提供参考。
2. 方法
通过在‘Science Direct’‘Google Scholar’‘Agricola’和‘Web of Science’等学术数据库中，使用特定关键词搜索 2013 - 2024 年的相关技术文章。经筛选，最终确定 97 篇符合要求的文章进行详细分析。将文献分为电化学传感器、光谱学、数据融合和建模四类，提取关键信息。分析发表趋势发现，VNIR 光谱学相关研究最多，LIBS 最少，2021 年研究数量达到峰值。
3. 结果
3.1 电化学传感器
电化学传感器用于检测土壤中特定离子，如 H+、NO3?、K+等，主要有离子选择电极（ISE）和离子敏感场效应晶体管（ISFET）两种类型，可在实验室和现场测量多种养分。研究人员还开发了多传感器探头，用于实时监测多种土壤性质，甚至探索了在移动平台上的应用。此外，一种新型智能电化学方法可测量土壤有机碳，但该方法能否测量所有土壤养分仍不确定。
电化学传感器的主要局限性在于需要土壤预处理，这一过程繁琐，且易损坏电极，缩短其使用寿命。每次测量后还需清洗传感器和校准离子敏感电极，这些问题限制了其在土壤分析中的应用。
3.2 光谱学
光谱学通过分析材料与光或电磁辐射相互作用产生的光谱来确定土壤性质。不同土壤成分具有独特光谱特征，可用于识别土壤特性。光谱学在土壤研究中的应用日益广泛，包括实时和实验室测量。
- 3.2.1 可见 - 近红外和短波红外光谱（VNIR）：VNIR 光谱通过分析土壤反射光谱测量土壤性质，光谱范围通常为 400 - 2500nm。它可测量多种土壤养分，如土壤有机碳（SOC）、土壤有机质（SOM）、有效氮、磷、钾等，还可用于不同深度土壤养分测量和田间变异性评估。然而，VNIR 光谱不能直接显示土壤养分吸收特征，需建立预测模型，且易受土壤水分、有机质等因素干扰，可通过光谱预处理技术改善，但可能会损失重要信息。
- 3.2.2 中红外光谱（MIR）：MIR 光谱在 2μm - 20μm（500 - 5000cm?1）范围内提供物质组成和性质信息。在原位土壤分析中，MIR 光谱对 SOM、Ca 和 Mg 的预测性能较高，但受土壤水分和表面粗糙度影响较大。通过光谱预处理和多点平均可减少误差。
- 3.2.3 X 射线荧光（XRF）：XRF 光谱仪利用 X 射线检测土壤性质，便携式 XRF 光谱仪的出现使其可用于原位土壤分析，能测量多种元素。XRF 在预测 TN、CEC 和 SOM 等方面表现良好，与其他数据融合可提高预测准确性。但土壤水分会影响其预测精度，且只能提供表面荧光值，无法确定穿透深度。
- 3.2.4 激光诱导击穿光谱（LIBS）：LIBS 利用高能量激光脉冲激发土壤样品，通过发射光谱分析土壤性质。由于需要繁琐的土壤样品制备，主要用于实验室分析。优化建模程序和简化样品制备过程是扩大其应用的关键。
3.3 数据融合
为克服单一传感器局限性，研究人员采用多传感器 / 数据融合方法，将不同传感器或光谱数据整合，提高养分预测准确性。多种传感器组合已被探索，不同组合对不同属性的预测效果各异，且结合光谱预处理和特征选择技术可进一步提高预测精度。
3.4 机器学习和深度学习模型
土壤性质预测准确性很大程度上依赖于模型选择和光谱预处理技术。在 SSNM 研究中，机器学习模型应用更广泛，偏最小二乘回归（PLSR）是最常用模型，在预测多种土壤性质方面表现良好，但其他模型如随机森林（RF）、支持向量机（SVM）等在某些情况下表现更优。数据融合模型中，基于卷积神经网络（CNN）的光谱融合和 RDNet 模型在养分估计方面表现出色。
4. 讨论
研究表明，由于土壤性质的复杂性和变异性，目前没有单一理想的土壤养分管理技术。电化学传感研究相对较少，但有改进空间。多数光谱学研究发现，实验室分析比现场传感预测准确性更高，主要原因是现场传感易受土壤多种性质干扰。选择合适的校准样本数量和采样策略、开发区域校准模型、结合特征选择和预处理技术等可提高预测准确性。模型选择对土壤性质预测准确性影响重大，结合辅助参数可增强模型性能。
4.1 挑战
SSNM 技术在实际应用中面临诸多挑战。土壤成分复杂多变，不同土壤性质差异大，影响预测准确性。选择合适传感器困难，建立标准化土壤采样协议也不易，数据采集和分析中的变量不确定，增加了获取准确光谱数据的难度。数据分析是关键挑战，数据质量、预处理和模型选择都会影响预测准确性，还存在模型过拟合和欠拟合等问题。
4.2 未来方向和研究展望
未来需要开发统一的 SSNM 技术或协议。可探索替代技术，如基于比色计的传感器和智能电化学传感方法。自动化土壤传感是重要发展方向，可将变量施肥与土壤养分变异检测相结合，实现自动施肥。此外，还需优化传感器、数据集、区域校准、预处理技术、模型选择，并考虑添加辅助参数以提高模型准确性。
5. 结论
本综述全面研究了 SSNM 技术，发现近年来相关研究关注度增加，主要集中在 VNIR 光谱学、数据融合等方面。每种技术都有局限性，选择合适光谱子集、进行数据预处理、选择合适模型、建立区域校准和定制数据融合方法等对提高预测准确性至关重要。本综述为 SSNM 技术研究提供了全面参考，有助于研究人员了解研究现状和未来方向。
