1. 引言
对土壤和水分资源的高效管理是可持续农业生产的根本，尤其在气候变化加剧、水资源短缺和土壤退化日益严重的背景下更是如此。精准农业越来越依赖对土壤、水分、作物和环境条件及时且空间明确的信息，以刻画田间变异并支持科学的管理决策。在此背景下，先进的土壤和水分传感器技术（包括原位传感器和遥感技术）已成为精准农业不可或缺的重要组成部分，能够在广泛的时空尺度上实现观测 [1,2]。
近期的技术进步显著拓展了农业和环境观测与监测应用的范围和尺度。原位和近感传感器能够提供土壤和根区条件的连续时空信息，而无人机和卫星观测（多光谱和高光谱）则使得在更大范围内刻画空间变异性成为可能 [1,2]。地球观测数据与人工智能的进一步结合，使得异质性土壤信息能够被转化为高分辨率空间产品 [3]，而近年来的发展越来越强调机器/深度学习以及多传感器数据融合以实现可扩展的土壤和水分监测 [4]。这些进步共同推动感知技术从孤立的测量向对更广泛的土壤-水-植物-环境连续系统的集成化表征转变。虽然这种转变为科学和整合性决策提供了新的视角，但也凸显了数据标准化工作的必要性 [3]。
在这一背景下，专题"精准农业与环境监测中土壤和水分传感器技术的进展"汇集了关于土壤和水分感知、植物-土壤相互作用、原位和卫星观测、空间表征、传感器网络以及数据驱动监测的原创研究和综述文章。这些贡献共同展示了从单个传感器测量向集成化、多尺度和数据驱动观测框架的转变。本编者按总结本专题的主要贡献，并突出新兴的科学进展、尚存的挑战以及未来向更加集成化和可操作性感知发展的方向。
2. 专题贡献
土壤水分的准确表征仍然是精准灌溉和可持续水分管理的基石。Loconsole等人 [5] 的综述全面概述了土壤水分传感技术，涵盖从侵入式方法（如介电传感器、基质势传感器和热脉冲传感器）到非侵入式方法（包括微波遥感、电磁感应和探地雷达）。除技术进步外，该综述还指出了一些持续存在的挑战，涉及传感器校准、环境敏感性、空间代表性、成本以及与决策支持系统的集成。这些局限性表明，有效的土壤水分监测不仅取决于测量精度，还取决于在特定土壤和农业条件下解读传感器信息的能力。这种将传感器测量与作物响应相联系的需求，进一步体现在Mirás-Avalos和Araujo [6] 的研究中，他们调查了通过电容探针测量的土壤水分含量与葡萄及桃树和梨树正午茎水势之间的关系。其结果揭示了依赖于作物种类和深度的关系，既说明了利用土壤感知作为植物水分状况代理变量的潜力，也说明了其局限性，并强调了将地下测量与植物层面响应相联系的的重要性。从水分状况转向过程动态，Li等人 [7] 研究了在不同近地表土壤孔隙度条件下土壤水分蒸发的时空变异性。其研究结果表明，孔隙度的微小差异可以显著影响蒸发的强度、时机和垂直推进过程。总体而言，这些贡献表明，土壤水分感知的进步正日益超越仅测量水分含量本身，向理解土壤特性、水分动态和植物响应如何在时空上相互作用转变。
在更大的空间尺度上，光谱和遥感技术提供了将局部观测扩展为空间明确表征的机会。Liu等人 [8] 利用GF-5高光谱影像进行了土壤水分反演研究，将分数阶光谱微分与双波段光谱指数和机器学习模型相结合。其结果表明，高光谱观测在反演土壤水分和刻画其空间分布方面具有潜力，尤其在水资源受限的农业环境中。Gkrimpizis等人 [9] 的工作进一步展示了空间信息对农业管理的价值，他们在希腊北部的两个葡萄酒产区开发并评估了一种划分葡萄种植亚区的方法。将容易获取的基于卫星的土壤、地形和气候信息整合在一起以定义适宜性区域，随后利用实验葡萄园的田间观测进行验证。这种方法突出展示了远程获取的环境信息如何支持识别与作物适宜性和特定地点农业管理相关的空间变异性。光谱感知还可以超越土壤水分评估，延伸至更广泛的环境监测。在他们的综述中，Qiu等人 [10] 考察了利用光谱技术在陆地、航空器和航天器平台上估算农田土壤重金属浓度的应用。他们强调了光谱预处理、特征提取、反演建模以及重金属与光谱活性土壤组分之间间接关系的重要性，同时也指出了与土壤异质性和模型可迁移性相关的挑战。总体而言，这些贡献展示了光谱和空间感知如何桥接局部测量与更大尺度的表征，将农业感知的角色从监测单一土壤特性扩展到对土壤、作物和环境条件的空间评估。
除了单个感知方法之外，农业监测正日益向互联化、数据驱动和智能化系统发展。Ho?ei等人 [11] 开发了一种基于自制电容式土壤水分传感器和无线传感器网络的低成本精准农业监测与灌溉控制系统。环境及土壤测量数据被传输至中心节点，并结合远程可配置阈值实现自动灌溉控制。通过将感知硬件、无线通信、数据存储和灌溉控制整合在一个框架内，该研究展示了如何将传感器观测直接转化为运营管理工作。Choi等人 [12] 提出了一种互补的数据驱动方法，将冠层多光谱信息与温室环境及灌溉时间序列数据相结合，以预测无土草莓栽培中基质的水分含量和电导率。他们的多模态框架将光谱信息与机器学习和深度学习模型相结合，包括一种交叉注意力LSTM架构。重要的是，数据融合的效果取决于目标变量：基质水分预测在光谱和环境信息结合时得到改善，而电导率则可以仅从任一模态中准确预测。这一发现表明，多传感器整合应由目标过程的信息需求驱动，而非仅由数据可用性决定。总体而言，这些研究展示了智能农业监测的两个互补方向：即将感知与自动控制相结合，以及将异质性观测与高级预测建模融合。两种方法都超越了数据获取本身，强调了互联和数据驱动的感知系统在将环境观测转化为可支持及时农业管理的可操作信息方面的日益增长的作用。
3. 新兴趋势、未来展望与结论
本专题的贡献共同强调，农业和环境感知的价值不仅在于测量精度，还在于跨尺度观测的语境化解释以及整合或融合。将土壤条件与植物响应、空间变异性和环境过程相联系，可以为理解农业系统提供更全面的基础。重要的是，这些研究还表明，增加感知模态的数量或复杂度并不一定会提高信息质量；模态的选择和整合应与所针对的过程或管理目标紧密保持一致 [5,12]。
这些贡献中识别出的若干挑战对未来研究仍然十分重要，包括：传感器校准及其对环境及土壤条件的敏感性 [5]、光谱和预测模型在异质性土壤和观测条件下的可迁移性 [10]，以及互补感知模态的有效集成 [12]。因此，进一步取得进展需要在不同作物、土壤和环境条件下进行严格的验证，同时还需要能够整合不同时空尺度观测的方法。
归根结底，未来的发展应加强感知、解释与管理之间的联系。研究不应仅聚焦于改善单个测量，而应日益致力于将可靠的观测转化为及时的、具有语境特异性的和可操作的决策信息。这样的进步可以提升土壤和水分资源的使用效率，并支持更加可持续和科学明智的农业管理。
