基于人工智能的水稻灌溉优化系统综述：技术演进、应用领域与未来展望

《AgriEngineering》：Artificial Intelligence for Irrigation Optimization in Rice Farming: A Systematic Review

　　

全球水资源的稀缺性使得灌溉优化成为可持续农业的关键挑战。水稻作为耗水量最大的种植系统之一，为通过人工智能（AI）技术提高水分利用效率提供了重要机遇。本系统综述在农业4.0背景下评估了AI技术在水稻种植灌溉优化中的应用，旨在识别主要的AI方法、应用领域、研究趋势和未来方向。本综述遵循PRISMA 2020指南，检索了过去五年间ScienceDirect、IEEE Xplore和ACM Digital Library中发表的文献。共有14项符合预定纳入标准的研究被选入定性综合和文献计量分析。结果表明，机器学习和深度学习方法，尤其是长短期记忆（LSTM）网络和随机森林（RF）模型，在当前文献中占主导地位。这些方法主要应用于灌溉调度、作物需水量预测、土壤湿度估算和产量预测。分析还揭示了研究在地理上高度集中于亚洲，占所选研究的64.3%。此外，数据可用性仍然有限，半数数据集仅可在请求后获取，仅有7.1%的数据集可公开获取，这凸显了阻碍基于AI的灌溉解决方案可重复性和更广泛采用的重要障碍。新兴研究方向包括整合遥感、物联网（IoT）技术和智能决策支持系统，以实现自适应、数据驱动的灌溉管理。总体而言，本综述全面概述了AI赋能水稻灌溉优化的现状，识别了现有研究空白，并为开发可持续智能灌溉系统指明了未来机遇。

1. 1.
   引言

农业是全球粮食安全和人类福祉的基础。水资源是其最关键资源之一，在作物生产和农业可持续性中发挥核心作用。全球约71%的地表被水覆盖，但仅有约2.5%为淡水，且大部分无法直接供人类使用。人口增长压力、气候变化和不断扩大的农业需求加剧了水资源短缺。农业是全球淡水消耗的最大用户，约占全球淡水消耗的87%，其中近60%的淡水抽取用于灌溉。

精准农业（PA）通过整合先进传感技术、数据分析和决策支持工具，优化作物生产、提高资源利用效率并支持科学的农场管理决策。水稻是全球种植最广泛、耗水量最大的作物之一，其生产和消费约占全球淡水消耗的24%至30%。传统方法在覆盖大面积种植区域和向决策者提供准确信息方面存在不足。

在此背景下，人工智能（AI）技术应运而生，支持数据驱动的灌溉决策，减少水资源浪费和不合理的管理决策。本系统综述遵循PRISMA指南，综合当前基于AI的方法，评估其有效性和应用领域，识别关键挑战，并概述新兴研究趋势和未来方向。

1. 2.
   相关工作

灌溉是农业的重要组成部分，指在降雨不足时人为向作物供水的过程。灌溉效率定义为作物有效利用的水量（主要通过蒸散发）与总灌溉水量的比值。智能农业作为应对农业生产质量、生产力和可持续性挑战的有效途径，属于农业4.0的概念范畴，通过整合传感器和信息系统优化农业投入管理。

近年来的研究涵盖了植物病害诊断、害虫检测、田间杂草识别、土壤湿度预测、参考蒸散发预测、气候变化对水质影响评估以及作物产量优化等多个领域。在灌溉系统优化方面，研究整合了物联网（IoT）和遥感技术，开发了全自动地下灌溉系统、作物需水量预测模型和智能杂草管理机器人等应用。

1. 3.
   人工智能与灌溉效率的联系

3.1 人工智能和机器学习框架

3.1.1 人工智能概述

AI可广义定义为使机器能够执行复杂任务、从数据中学习并支持决策的计算方法和智能技术的集合。在精准农业中，AI利用机器学习（ML）算法分析大规模异构数据集，开发优化灌溉调度和资源分配的预测模型。AI涵盖多个研究领域，其中ML和深度学习（DL）在农业应用中采用最为广泛。根据标注数据的可用性，ML技术通常分为监督学习和无监督学习范式。

3.1.2 基于AI和ML的方法

ML是机器无需显式编程即可学习算法和统计数据的过程，DL作为ML的子集，专门从事从原始数据中自动获取特征。在农业中，人工神经网络（ANN）、支持向量机（SVM）、k近邻（k-NN）、决策树（DT）、随机森林（RF）和长短期记忆（LSTM）网络是应用最广泛的方法。基于决策树的方法，特别是RF，在模拟农艺与环境变量之间的复杂非线性关系方面得到广泛应用。SVM特别适用于小型高维数据集。ANN常用于预测作物需水量。DL技术中，卷积神经网络（CNN）适用于分析无人机、卫星和地面传感器获取的图像数据，LSTM网络专门设计用于时间序列分析，广泛应用于作物产量预测、灌溉需水预报和植物生长监测。

3.2 灌溉效率概述

灌溉效率反映了灌溉系统有效向作物输水同时最大限度减少水分损失的能力。水分利用效率定义为作物产生的生物量或产量相对于消耗水量的有效性。节水灌溉策略可大幅减少水分损失，促进水资源可持续管理。然而，农民可能缺乏预测特定灌溉方法效果或追溯评估灌溉系统有效性所需的技术知识。

1. 4.
   方法论

4.1 研究问题

本研究旨在回答“AI如何在灌溉水稻作物优化过程中实现创新”这一核心问题，并围绕所采用的模型方法、数据类型与来源、性能表现以及研究趋势与未来方向四个方面展开。

4.2 检索与筛选程序

研究采用文献调研方法，按照PRISMA指南，包括数据库选择与检索策略、检索过程与标准、概念框架分析和PRISMA方法实施四个阶段。研究选用ScienceDirect、IEEE Xplore和ACM Digital Library三个数据库，检索2020至2025年间发表的研究论文。共检索到595条记录，去除78条重复记录后剩余517条，经筛选排除454条，最终纳入14篇相关研究进行定性综合和文献计量分析。

4.3 质量与偏倚风险评估

研究采用定制化质量评估清单，基于数据集质量与描述、验证策略、模型透明度、性能评估指标、可重复性、过拟合评估和外部验证七项标准进行评估，每项按“是”（1分）、“部分”（0.5分）或“否”（0分）计分。

4.4 最终综合

采用描述性分析和文献计量分析相结合的方法，利用VOSviewer软件构建关键词共现网络，识别主要研究主题和新兴趋势。

1. 5.
   主题分析

5.1 结果初步分析与数据可视化

2024年是发表数量最多的年份。研究地域分布显示，中国、台湾、西班牙和布基纳法索为主要研究地区。亚洲占64.29%，非洲占21.43%，欧洲占14.29%。数据集可获取性分析显示，50%的数据集需请求后获取，仅7.1%可公开获取，28.6%的数据集不允许共享。AI模型应用频率分析显示，DL方法占主导，LSTM网络出现5次，RF算法出现3次，遗传算法（GA）和模糊逻辑（FL）各出现2次。

5.2 文献计量分析关键结果

5.2.1 关键词共现

关键词共现网络揭示了该领域的主题结构。“machine learning”、“deep learning”、“irrigation”和“Long Short-Term Memory”等关键词具有最高密度，凸显其在当前研究中的核心地位。

5.2.2 主题研究与开发集群

共现分析识别出四个主要研究集群：精准农业集群聚焦于通过AI算法优化生产系统，包括智能灌溉系统、基于高光谱成像和LSTM网络的作物水分胁迫预测等应用；灌溉优化与管理技术集群涵盖灌溉需水量评估模型（IWRAM）、干湿交替（AWD）灌溉方法以及模糊逻辑与遗传算法混合模型等；智能系统-传感器与物联网集群展示了基于IoT的智能灌溉平台和ML预测模型的应用；决策支持系统与农艺管理集群则聚焦于将AI模型与多源数据整合，实现水分利用效率、作物生产力和风险管理的同步优化。

5.3 区域比较分析：亚洲、非洲与欧洲

亚洲研究占64.29%，主要聚焦于整合传感器、IoT、无人机和气象数据的智能灌溉系统开发。欧洲研究更强调精准农业方法、预测建模和决策支持系统。非洲研究数量有限，主要突出适应本地约束的低成本智能灌溉系统。

5.4 纳入研究的质量评估

所选研究总体表现出令人满意的方法学质量，所有研究均清晰描述了所用数据集。然而，在可重复性方面存在局限，仅少数研究公开数据集；过拟合评估方面，仅少数研究明确讨论过拟合风险；外部验证是最显著的方法学弱点，大多数模型仅在原始数据集或相似条件下评估。

1. 6.
   智能灌溉的主要发现、挑战与战略方向

AI和智能灌溉系统相比传统方法具有显著提高灌溉效率的潜力。先进预测模型，特别是循环神经网络和混合方法，在提高预测精度方面展现出强大潜力。然而，模型对历史数据的依赖、气候预测的不确定性、模型复杂性以及跨不同农业生态背景验证的局限性仍是重大挑战。未来研究应聚焦于开发整合实时数据、可靠气候预测和基于物理过程方法的更稳健混合模型。

1. 7.
   结论

ML和DL技术，特别是LSTM网络和RF模型，主导当前研究。这些方法已成功应用于灌溉调度、蒸散发估算、土壤湿度监测、作物需水量预测和产量预测。然而，数据可获取性有限仍是研究可重复性、模型客观比较和跨农业生态条件可迁移性的主要障碍。未来研究应聚焦于开发开放标准化数据集、跨多样农业生态环境的外部验证、模型可迁移性和可解释性改进，以及整合遥感、IoT、数字孪生和多模态数据源的混合AI框架设计。