面向自主灌溉的人工智能物联网（AIoT）：系统综述与SA-ISM系统成熟度模型

《Next Energy》：Artificial intelligence of things for autonomous irrigation: A systematic review and system maturity model

　　

智能灌溉是应对全球水资源短缺与气候变异性的战略杠杆。人工智能（Artificial Intelligence, AI）与物联网（Internet of Things, IoT）的融合促进了具备实时数据采集、预测分析和自动化水管理能力的系统开发。本文按照系统评价与荟萃分析优先报告条目（Preferred Reporting Items for Systematic reviews and Meta-Analyses, PRISMA）2020指南，对53篇同行评审研究（2020–2025）进行系统综述。研究人员围绕系统基础设施、AI范式、通信协议、能量管理和网络安全五个维度构建技术分类体系，对现有方法进行分类。分析显示，云中心架构和深度学习占据主导地位，同时在能量与通信剖析方面存在关键透明度不足。值得注意的是，67.9%的研究未涉及网络安全，凸显当前研究中的重大盲点。为弥合这些差距，研究人员提出智能农业集成系统成熟度（Smart Agriculture Integrated System Maturity, SA-ISM）模型，这是一个多层框架，旨在评估并改善智能灌溉系统的运行韧性、能量自主性和安全性。该模型可作为设计下一代自主、可持续且安全的农业水管理解决方案的路线图。

研究背景方面，淡水是粮食安全、经济发展和生态系统稳定的基础性支柱，但农业部门单独消耗了全球可用水资源的70%以上，其中相当比例因低效灌溉而损失。Food and Agriculture Organization的预测显示，2050年全球人口预计约达91亿，在缺水、土壤退化和气候变化影响加剧的背景下，粮食生产需增加约70%。因此，农业正逐步转向更智能、更自主和数据驱动的管理模式，灌溉系统因直接影响用水与农业生产力而成为战略杠杆。物联网（Internet of Things, IoT）基础设施可部署异构传感器网络，实时测量土壤水分、温度、太阳辐射、养分浓度和局地气候参数；机器学习（Machine Learning, ML）、深度学习（Deep Learning, DL）、模糊逻辑系统和强化学习（Reinforcement Learning, RL）等人工智能（Artificial Intelligence, AI）技术可预测作物需水并优化灌溉决策，结合分布式处理平台促成信息物理农业系统自主决策。过去十年相关研究显著增长，但文献呈现明显碎片化：许多研究主要关注算法性能或小规模实验，而架构可扩展性、能效、基础设施互操作性和网络安全等基础方面研究不足或记录不充分。这种碎片化限制了评估系统真实技术成熟度和识别可大规模部署方案的能力，因此需要从系统性和多维视角对现有方法进行分类与评估。研究人员按照PRISMA 2020指南开展2020—2025年智能灌溉系统系统综述，聚焦基础设施架构、AI范式、通信技术、能量管理策略以及安全与韧性机制五个技术维度，并引入SA-ISM概念模型，以分析跨相互关联技术层的系统成熟度，为理解现有方案状态和指导下一代更自主、可持续且能适应未来气候约束的灌溉系统设计提供整合框架。

研究人员开展的是系统文献综述（Systematic Literature Review, SLR），遵循PRISMA 2020框架以保证研究选择过程的透明性、可重复性和可追溯性。先通过Google Scholar和arXiv预印本库进行探索性检索，识别关键术语、主导技术和新兴研究领域，并据此定义研究问题和检索策略。设置五个研究问题，分别涉及技术基础设施、AI技术及农业决策任务、农业与环境数据采集处理与可视化、环境与气候信息融入决策过程、网络安全隐私与系统可靠性。系统检索ScienceDirect、IEEE Xplore、SpringerLink、ACM Digital Library和MDPI，检索策略由灌溉域、IoT技术和AI三个主题块通过布尔运算符组合，并针对各数据库查询限制进行迭代与合并。筛选包括标题摘要审查和全文评估，纳入标准包括2020年以来、原创研究、同行评审期刊或会议论文、明确涉及农业灌溉管理控制或优化、至少包含AI、IoT、智能传感器、无人机（Unmanned Aerial Vehicles, UAV）、遥感或自动决策支持系统之一、聚焦土壤基农业作物、可开放获取或机构订阅、英文撰写；排除综述、调查、社论、书章、非同行评审技术报告、提及IoT或AI但未应用于农业灌溉、无土栽培、2020年前、重复、无全文和纯描述无方法或实验贡献的研究。通过后向和前向滚雪球补充文献覆盖，最终保留53篇同行评审研究（2020—2025）进行定性综合和概念分析。数据提取矩阵覆盖系统架构、AI模型、通信技术、能源、安全与隐私机制、性能指标六个维度，用于横断面分析主导技术趋势、科学缺口和新兴研究方向。关键技术方法可概括为：基于PRISMA 2020的SLR设计；五数据库布尔检索与探索性检索；标题摘要筛选、全文 eligibility 评估及前后向滚雪球；六维数据提取矩阵；技术分类与SA-ISM成熟度映射；文献来源为ScienceDirect、IEEE Xplore、SpringerLink、ACM Digital Library和MDPI，最终样本为53篇2020—2025年同行评审研究，无额外样本队列。

研究结果方面，3.1 架构分层：从集中式云到边缘智能。基于对53项研究的分类分析，云中心架构仍是最常记录的配置，约占语料近40%，通常将多传感器节点数据汇聚至AWS或私有服务器等集中式存储库，并出现通过OpenAI API集成大语言模型（Large Language Models, LLMs）以支持自然语言决策；但云依赖在农村地区网络中断时会干扰关键灌溉周期。边缘与嵌入式架构作为韧性替代方案，在微控制器如ESP32、Raspberry Pi 4上进行实时处理，例如每20秒更新控制回路的嵌入式回归模型和基于超高频射频识别（Ultra High Frequency Radio Frequency Identification, UHF RFID）的无电池传感。混合架构在本地执行关键控制并将重型训练任务外包至云，适用于多目标优化，例如本地集成AquaCrop模型并利用云天气预报将灌溉深度从44.1 mm调整至64.8 mm。无线传感器网络（Wireless Sensor Networks, WSN）和Mesh拓扑强调网络自组织和覆盖，适用于超过标准Wi-Fi范围的大规模果园监测，LoRa节点在SF12下报告120 m通信范围并保持复杂地形信号稳健性。3.2 智能建模范式：精度与可解释性。规则和模糊逻辑系统因可解释性和低计算足迹仍具运行价值，通过将专家知识转化为语言变量实现最高70%节水且无需大规模历史数据集；监督机器学习仍是最广泛范式，线性回归、支持向量回归（Support Vector Regression, SVR）和随机森林用于短期需水预测，训练时间可低至0.002 s，适合边缘部署；深度学习架构如长短期记忆网络（Long Short-Term Memory, LSTM）、卷积神经网络（Convolutional Neural Network, CNN）和ConvLSTM用于非线性环境序列高精度建模，报告R² > 0.97但能耗足迹很少评估；强化学习被探索为不确定性下顺序决策问题，优化信息年龄（Age of Information, AoI）以保证控制回路数据新鲜度。3.3 数据工程与通信栈。基于通信栈分析，农村场景偏好LoRa和LoRaWAN，低功耗广域网（Low-Power Wide-Area Network, LPWAN）可穿透植被并覆盖数公里，开阔地丢包率低至0.95%；需要高吞吐实时流或复杂API调用的系统使用Wi-Fi、HTTP和消息队列遥测传输（Message Queuing Telemetry Transport, MQTT）；2024—2025年文献出现区块链用于安全数据工程，为水交易和资源分配提供不可篡改账本；RFID、GSM/SMS和XBee用于移动机器人灌溉节点或被动土壤传感器等特定场景；高级系统依赖地理信息系统（Geographic Information System, GIS）、激光雷达（Light Detection and Ranging, LiDAR）和实时遥测等异构数据流，为数字孪生和强化学习模型提供高保真环境快照。3.4 能量感知设计与可持续性指标。多数户外部署依赖太阳能光伏（Photovoltaic, PV）与锂离子存储；能量感知设计仍不一致，部分研究用模型预测控制（Model Predictive Control, MPC）优化泵等执行器功耗，但很少明确处理AI计算本身能耗；报告的系统功耗从13.1 W到84 W不等；可持续性指标严重偏向水量减少30—70%，而全面生命周期评估（Life Cycle Assessment, LCA）数据仅见于少数标志性研究。3.5 安全性、可靠性与隐私。安全层从简单认证演进到分布式信任模型，AES-128（Advanced Encryption Standard-128）已成为LoRa链路基本密码保护标准；更高层安全通过虚拟专用网络（Virtual Private Network, VPN）隧道、JSON Web令牌（JSON Web Token, JWT）和Diffie-Hellman密钥协商实现；2024年研究出现隐私保护联邦学习，在不共享原始农场数据情况下训练灌溉模型，以及区块链集成层（Blockchain Integration Layer, BIL）以确保系统可扩展性和数据完整性；可靠性还通过容错定位算法和传感器异常检测处理，但对抗数据注入防御仍是当前智能灌溉文献中未解决的关键研究缺口。

讨论部分总结如下。4.1 架构悖论：云中心主义与农村约束。定量分析显示云中心配置占45.3%，尽管农业环境存在间歇连接、有限能源和孤立农村高时延等约束；边缘5.7%和嵌入式3.8%的边际采用表明局部自主作为韧性信息物理系统基石仍是次要优先事项，当前研究更重视计算实现便利而非运行现实。4.2 智能建模：从被动预测到主动控制。DL占17.0%、混合AI占9.4%并主导智能图景，但应用多为被动预测，未能转入闭环自适应控制；RL仅3.8%，表明实时决策优化缺乏，当前文献重算法性能而非运行自主，需从预测主导转向自适应。4.3 通信透明度与可持续性缺口。28.3%研究未明确记录通信协议，妨碍可重复性和跨农业气候区交叉验证；能量建模存在深层可持续性缺口，34.0%研究提及太阳能，但62.3%未明确能源来源且详细功耗剖析不足，嵌入式AI与能量约束的每推理能耗协同设计几乎缺失。4.4 安全作为结构性盲点。67.9%研究未以任何形式处理安全，当前措施多限于基本加密或标准认证；研究人员提出智能灌溉威胁分类，包括虚假数据注入（False Data Injection, FDI）等数据完整性攻击、拒绝服务（Denial-of-Service, DoS）或射频干扰等可用性攻击、未经授权执行器劫持等控制攻击，以及向机器学习系统注入对抗样本的对抗攻击；从被动架构转向安全设计架构已成大规模部署自主灌溉的基本要求。4.5 SA-ISM概念框架。该模型围绕部署层、智能层、通信层、能量层和安全层五个相互依赖系统层，定义L₁组件导向、L₂功能集成、L₃系统感知和L₄韧性与自主四个成熟度水平；映射显示约80%当前文献仍处于L₁或L₂，向L₃和L₄过渡是未来研究主要前沿；模型强调边缘AI、数字孪生、互操作性和中间件，但作为概念框架仍需未来在多样农业环境和专家评价中实证验证、细化和适配。研究结论翻译为：该按照PRISMA 2020指南开展的系统综述分析了53篇致力于智能灌溉系统的同行评审研究，主要目标不仅是映射现有技术方法，而是评估其在全球水资源短缺背景下的系统成熟度和架构一致性；结果揭示一个基本悖论：当前研究在算法性能方面取得显著进展，尤其通过采用深度学习和精细化水预测指标，但在架构和系统层面仍呈碎片化，云中心配置主导、边缘智能探索不足、详细能量剖析经常缺失以及网络安全被严重忽视，表明现有研究多数优先局部性能优化而非韧性信息物理系统的集成设计。在此背景下，本文主要贡献是提出SA-ISM概念模型，该框架围绕部署、智能、通信、能量和安全五个相互依赖层以及四个演进成熟度水平组织智能灌溉系统评估，使研究界能够从描述性文献阅读转向关注自主性、运行韧性和长期可持续性的整体分析。映射表明，多数被调查研究目前处于中间成熟度水平（L₁–L₂），表现为部分功能集成但缺乏能量感知协同设计或安全设计原则，极少数系统达到L₄成熟度，确认该领域正处于关键转折点：预测精度不再是成功的充分指标。未来研究必须优先关注：（i）适应受限农村环境的韧性分布式架构；（ii）集成到真实控制回路的自适应智能模型；（iii）保证运行自主的能量—计算协同优化；（iv）原生集成网络安全和信息物理韧性机制；（v）结合水性能、生命周期能量可持续性、经济可行性和环境影响的多维评估框架。最终，智能灌溉系统的演进必须从模块化优化转向集成系统工程，SA-ISM模型为这一转变提供结构化基础，并提供指导下一代自主、可持续和安全农业水管理解决方案设计的路线图。