综述：基于无人机的土壤湿度反演技术进展与趋势：基于CNKI和Web of Science的比较知识图谱分析 卢 王， 朱 泰峰， 戴 威威， 梁 风， 于 成龙， 熊 彭， 方 ?雄， 黄 延兰， 谢 文

《Remote Sensing》：Progress and Trends in UAV-Based Soil Moisture Inversion: A Comparative Knowledge Mapping Analysis of CNKI and Web of Science Lu Wang, Taifeng Zhu, Weiwei Dai, Feng Liang, Chenglong Yu, Peng Xiong, Xiong Fang, Yanlan Huang and Wen Xie

　　**亮点**

**主要发现是什么？**
自2018年以来，该领域发展迅速，出现了明显的地理差异：国内（中国）的研究主要集中在主要作物的实际农业应用上，而国际研究则侧重于更广泛的环境系统和物理机制。方法论已经从早期使用单一指标的间接估算转变为利用多源数据融合（例如高光谱、热成像）和先进机器学习算法的高精度直接反演。

**主要发现的意义是什么？**
这种研究焦点的差异凸显了国际和跨学科合作的迫切需求，以有效弥合基础机制探索与实际农业技术之间的差距。未来的技术发展必须将物理定律整合到机器学习模型中，以提高适用性，并构建多尺度、空间-空气-地面观测网络，以实现实时精确的水资源管理。

**摘要**
土壤湿度对陆地能量和水循环至关重要。精确监测土壤含水量对于精准农业、干旱预警和水资源管理至关重要。地面观测的空间覆盖范围有限，而卫星遥感通常缺乏高空间分辨率。无人机（UAV）遥感能够提供厘米级的空间细节，因此吸引了大量关注，被用于土壤湿度反演研究。我们使用CiteSpace对来自中国国家知识基础设施（CNKI）的97篇中文论文和来自Web of Science核心合集的321篇英文论文（2014-2025年）进行了文献计量分析。自2018年以来，该领域迅速扩展，中国处于领先地位。在国内，西北农林科技大学是一个重要的研究集群，而中国科学院在国际上处于领先地位。关键研究主题包括无人机、土壤湿度、机器学习、高光谱传感、冠层温度和精准农业。研究主题已经从依赖植被指数和温度数据发展到整合高光谱和热红外测量，并利用机器学习方法改进反演模型，以实现更准确的估算。本研究描绘了利用无人机遥感进行土壤湿度反演的知识系统的分类和发展背景。当前的工作集中在将多传感器数据与机器学习相结合，而未来的努力将强调将物理机制与深度学习相结合。这些发现为研究人员提供了该领域前沿的清晰视角，并为规划未来研究提供了基础。

**1. 引言**
土壤湿度对地表水文、生态系统和大气之间的相互作用至关重要，并显著影响农业生产、气候变化研究、干旱监测和水文研究[1,2]。快速、准确和广泛地获取土壤湿度数据对于精准农田灌溉、提高作物水分利用效率和确保粮食安全至关重要[3,4,5]。传统的土壤湿度监测技术（如烘箱干燥法和TDR探针）虽然精度高，但耗时且劳动密集，空间覆盖范围有限，这限制了它们在区域尺度上捕捉空间异质性的能力[6]。相比之下，特别是使用SMAP和SMOS等微波卫星的卫星遥感能够进行广泛且定期重复的地表观测。然而，它们的空间分辨率通常在公里或几十米级别，往往无法满足精细空间管理的需求，如田间尺度的精准农业和小流域水文学[7,8]。近年来，无人机（UAV）由于其独特的优势，填补了传统监测技术留下的空白[9,10]。这些优势包括厘米级的高时空分辨率、高机动性、低成本以及能够在云层下方飞行的能力[11]。无人机可以提供从厘米到米级的超高空间分辨率数据，适用于田间或小流域尺度。它们还可以根据需要重新飞行，从而有效结合空间和时间分辨率。配备各种传感器（如可见光、多光谱、高光谱和热红外传感器），无人机为土壤湿度的详细反演提供了多样的数据来源[12,13]。传感器技术和机器学习算法的快速进步显著增加了使用无人机遥感进行土壤湿度反演的研究[14,15,16]。早期的研究主要依赖单一植被指数或冠层温度进行间接估算[17]。相比之下，当前的方法采用多源数据融合来开发高精度模型[18,19]。尽管取得了这些进步，该领域的研究主题仍然分散，技术方法也各不相同。目前，缺乏系统综述和定量分析来探讨这一领域的发展背景、研究热点和未来趋势。本研究利用文献计量方法和CiteSpace可视化软件，分析了2014年至2025年间来自中国国家知识基础设施（CNKI）和Web of Science（WOS）数据库中关于使用无人机（UAV）进行土壤湿度反演的文献。通过绘制科学知识图谱，我们系统地识别了该领域的核心作者、机构和研究集群。此外，我们还定量分析了研究热点和前沿，为未来的研究人员提供了科学参考，有助于快速了解该领域的发展情况，并突出前沿方向。这项分析也为推进基于无人机的土壤湿度反演技术提供了理论支持。

**2. 数据与方法**
2.1. 数据
本次文献计量分析遵循了PRISMA 2020指南的文献搜索和筛选流程[20]。中文文献来自CNKI数据库，英文文献来自Web of Science（WOS）核心合集。搜索时间跨度为2014年至2025年，检索日期设定为2025年11月16日。搜索词为“Unmanned Aerial Vehicle”或“UAV”以及“Soil Water Content”或“SWC”或“Soil Humidity”或“Soil Moisture”。文献类型限于学术期刊文章、研究论文和综述文章，排除了通知、报纸和会议摘要等非研究文档。最终，从CNKI数据库中选择了97篇学术期刊文章，并以RefWorks格式导出；从WOS数据库中选择了321篇研究论文或综述，并以纯文本格式导出。详细的文献选择过程如图1所示。

2.2. 方法
CiteSpace是一种可视化分析工具，可以将作者、机构、国家和关键词等复杂知识单元转换为直观的知识图谱[21]。这一过程清晰地揭示了研究领域内的发展历史、结构关系和新兴趋势。在本研究中，我们使用CiteSpace软件（版本6.3.R1）对检索到的文献数据进行了可视化分析。分析内容包括出版趋势、主题分类、国家和机构、作者和共同引用分析、关键词分析以及文献和期刊的共同引用分析。我们的目标是探索使用无人机进行土壤湿度反演的研究进展和新兴方向。为了确保知识图的清晰度和科学严谨性，配置了以下分析参数：时间跨度为2014-2025年，时间间隔为一年；节点选择采用g指数，比例因子k=25。为了提高清晰度和可解释性，使用pathfinder算法对合并的网络进行了优化。

**3. 结果与分析**
3.1. 发表论文数量的趋势分析
图2显示，在2017年之前，中文和英文文献的数量都很少，增长缓慢，每年发表的论文数量均低于10篇，表明处于探索阶段。然而，自2018年以来，由于无人机（UAV）平台的广泛采用、高光谱和热红外等传感器技术的进步以及机器学习算法的整合，该领域经历了显著增长。值得注意的是，2021年后，WOS数据库中的论文数量呈现出加速增长的趋势。2024年，发表的论文数量达到65篇，占国际数据集的20.2%，同比增长率为62.5%。同样，CNKI数据库在同一年度也达到了历史最高水平，共15篇论文，占国内文献总量的15.5%。关于使用无人机遥感技术进行土壤湿度反演的研究正在迅速扩展，这表明无人机遥感因其高时空分辨率、灵活性和成本效益，成为传统卫星和地面站监测的重要补充。遥感数据处理算法的持续改进进一步加速了这项技术在精准农业、水资源管理和环境监测中的应用[22]。

3.2. 学科类别分析
图3A显示，CNKI数据库中的研究主要集中在农业基础科学（60篇论文）和农学（35篇论文）领域，其次是农业工程（24篇论文）。这种分布表明国内研究侧重于实际应用和解决现实世界的农业生产问题。相比之下，图3B显示了WOS数据库中更广泛的学科分布。主要学科是环境科学（94篇论文）和遥感（85篇论文），其次是地球科学多学科（78篇论文）、成像科学摄影技术（75篇论文）和水资源（60篇论文）。这表明国际研究将土壤湿度视为地球环境系统的关键组成部分，强调遥感原理、成像技术和计算机建模方法。两个数据库都表现出明显的跨学科特征，表明使用无人机进行土壤湿度反演整合了农业应用需求、遥感技术和智能计算机算法[23]。

3.3. 国家和机构分析
国家合作网络图（图4A）显示了中国在无人机土壤湿度反研中的核心作用，其发表数量远超其他国家。在图中，中国被描绘为最大的蓝色区域。美国、澳大利亚、加拿大、西班牙和英国也是该领域的重要贡献者，并与中国建立了牢固的合作网络。WOS机构图（图4B）表明，中国科学院及其附属大学在国际出版物方面处于领先地位。西北农林科技大学、四川大学和中国农业科学院也展示了显著的研究成就和强大的科研能力。CNKI机构图（图4C）进一步证实了西北农林科技大学在中国的领先地位。值得注意的是，教育部干旱半干旱地区农业水土工程重点实验室等机构形成了一个独特的研究团队。这一结论得到了局部网络密度（D）为0.0152的定量支持，显著高于整体网络平均水平，表明内部合作非常紧密。此外，该机构集群的高轮廓得分（S = 0.9718）进一步证实了其高度的主题一致性和与其他研究群体的结构独立性。

3.4. 作者和共同引用分析
3.4.1. CNKI数据库的作者分析
表1显示，西北农林科技大学的张志涛是发表论文最多的作者，共有10篇论文，中心性为0.05。另一位关键贡献者是边江，有6篇论文，中心性为0.03。值得注意的是，排名前十的作者大多隶属于西北农林科技大学。这表明国内研究尚未形成大规模、紧密的合作网络。因此，大多数研究是由独立团队进行的，这阻碍了该领域研究的深入发展。

3.4.2. WOS数据库的作者分析
图5显示，WOS作者合作网络存在一定程度的分散。发表频率最高的学者是陈俊英（9篇论文，2020年）和张志涛（9篇论文，2024年）。此外，西北农林科技大学的杜瑞奇和陈寅文也是该领域的重要贡献者（表2）。所有作者的介数中心性值都非常低，最高仅为0.01（表2），其余均为零。在CiteSpace理论中，中心性得分为零表示节点要么是孤立的，要么处于小群体的边缘，缺乏桥梁作用。整个数据集中的接近零的中心性表明合作格局高度碎片化。这表明基于无人机的土壤湿度反演研究目前由独立团队主导，各团队之间的互动很少。排名前三的作者，其中心性为0.01，这标志着学术中介的早期出现，然而整个领域尚未发展出一个成熟、整合的全球协作网络。图5. WOS数据库中的作者映射。表2. WOS数据库中按引用次数排名的前十位作者。3.4.3. 作者共被引用分析 作者共被引用分析突显了该领域的学术基础和有影响力的人物。如图6和表3所示，ZARCO-TEJADA PJ的中心性最高（0.64），引用频率也显著（45次），使他成为关键学者。他的研究主要集中在植被遥感、高光谱遥感、辐射传输模型和生理参数反演等领域[24,25,26,27,28]。GITELSON AA的共被引用频率最高（47次），中心性为0.28，是植被指数的权威专家，他深化了对植被光谱响应的理解，并提出了一系列具有强实用性和高抗干扰能力的植被指数，为植被生理参数的遥感定量反演提供了重要的工具和方法论基础[29,30,31]。CHENG MH的引用次数为41次，中心性为0.35，也是近年来对该领域快速发展做出重大贡献的有影响力学者。这些学者的工作为使用无人机（UAV）进行土壤湿度反演建立了理论基础，特别是在构建植被指数、热红外遥感和应用机器学习算法方面。图6. WOS数据库中的共被引用作者地图。表3. 按引用次数和中心性排名的前十位共被引用作者。3.5. 关键词共现和突发分析 3.5.1. CNKI数据库 关键词共现和突发分析可以揭示该领域研究热点的演变[32,33]。图7A和表4确定UAV（频率44，中心性0.7）和土壤湿度（频率10，中心性0.68）为核心节点和关键词。围绕这些节点的相关术语包括遥感、监测和识别。在数据采集方面，热红外、多光谱和高光谱方法是主要的技术手段[34]。尽管多光谱在频率上没有进入前十名，但其中心性为0.39，位居第三，并且与植被指数和干旱指数等节点紧密相关。这表明多光谱技术在捕获作物生理信息和成本效益方面具有综合优势，因此成为原始图像数据和湿度反演模型之间的关键桥梁[35,36,37]。此外，树冠温度和树冠-空气温差等节点表明，使用热红外温度数据诊断作物水分胁迫仍然是研究重点。2020年机器学习作为一个高频节点出现（频率6，中心性0.29），表明研究正从传统的线性回归模型转向随机森林和神经网络等非线性、高维数据挖掘算法，以应对农田环境的复杂性[38]。在这些方法中，随机森林（RF）和支持向量机（SVM）已成为最广泛使用的模型，因为它们能有效融合多源数据并减少小样本无人机实验中的过拟合问题。为了更好地应对农田复杂性，最近的研究将机器学习算法与水-云模型（WCM）结合使用，这是一种半经验的辐射传输模型。WCM将植被冠层视为均匀的水滴“云”，并将总信号（如后向散射或反射率）分解为植被和土壤成分，从而减轻作物的屏蔽效应。WCM在2022年出现（中心性0.13），表明前沿研究正在深入探讨植被覆盖下的土壤湿度信号解混问题，旨在通过物理模型减轻冠层效应，并解决单一经验模型的局限性。地图边缘的冬小麦、玉米、精准农业和农业生产等节点突显了对主要北方粮食作物关键需水期的关注。目标是通过高精度反演为实际生产决策提供信息，例如变量灌溉和干旱监测，这突显了该研究领域的应用导向性[15,16]。图7. (A) 关键词共现图。(B) CNKI数据库中的关键词突发检测图。表4. CNKI数据库中按引用次数和中心性排名的前十位关键词。图7B展示了研究趋势的演变，从早期的精准化（2015-2016年）到农业生产（2018-2021年），当前的前沿（2020-2025年）是高光谱技术。这种转变表明研究从宏观应用转向高精度、多维光谱机制反演[39]。在早期阶段，无人机技术主要被引入农业以满足现代农业精准管理的需求。这一时期的研究主要是理论和实验性的，旨在验证使用无人机作为低空平台获取高分辨率农田信息的可行性。2018年地图技术的出现反映了基础空间信息获取技术（如无人机图像拼接和正射影像生成）的成熟，为后续的湿度反演提供了必要的空间数据支持[40]。2020年出现的“农业生产”一词，其突发强度最高（1.77），表明研究从孤立的技术验证转向与实际农业活动的整合，重点关注无人机监测数据如何指导具体的农业实践，如灌溉管理和作物产量估计。最新的突发词“高光谱”始于2023年并持续至今，明确标志着当前和未来的研究前沿。随着多光谱技术的普及，传统宽带数据在捕捉作物细微生理变化方面的局限性日益明显。高光谱遥感结合了成像和光谱技术，能够捕捉与水分相关的精细光谱特征，对于提高反演精度至关重要。这表明未来的基于无人机的湿度反演将朝着更高的光谱分辨率和更复杂的数据挖掘方向发展。3.5.2. WOS数据库 图8A和表5显示，核心关键词是土壤湿度（频率114，中心性0.19）和植被指数（频率55，中心性0.12）。这表明国际上非常重视植被冠层在湿度反演研究中的影响和作用[41]。无人机（UAV，频率35）和遥感（频率42）是基础平台。模型关键词（频率33）表明国际研究更倾向于基于物理机制和参数化构建模型，而非简单的经验统计。机器学习（频率33）代表算法驱动的方法，是当前的国际热点。根据表5，草地（中心性0.24）和蒸散作用（中心性0.21）的中心性最高，这与国内研究主要集中在冬小麦农田作物的情况形成对比。这表明国际研究更重视草地和森林等生态系统以及水通量，强调水的区域循环和生态水文效应[42,43]。此外，叶面积指数（中心性0.2）也是一个高中心性术语。作为植被结构参数，它将植被遥感与水模型联系起来，是水-云模型等物理模型的关键输入。数据融合（中心性0.17）反映了国际研究社区为整合来自不同传感器或尺度的数据以提高湿度反演的准确性和时空连续性所做的努力。图8. (A) 关键词共现图。(B) WOS数据库中的关键词突发检测图。表5. WOS数据库中按引用次数和中心性排名的前十位关键词。图8A表明，草地、蒸散作用和集水区等术语将降雨和土壤含水量联系起来，构成了全球生态水文遥感的核心。高分辨率和多光谱成像与低成本的结合表明，国际研究不仅重视高精度技术，还重视无人机系统的实用性和可负担性。复杂地形和动态等关键词表明，研究重点关注地理复杂环境（如山区和沙漠）中的水监测挑战，同时捕捉水分的时空变化。图8B中的关键词突发图显示，精准农业（强度1.82）首次出现在2014年，确立了无人机遥感在农业管理中的作用。MODIS的突发（强度2.31）突显了早期将低空无人机数据与高空气卫星数据结合以解决尺度问题的努力，这是经典的遥感研究方法。2017年图像的突发（强度2.23）表明研究重点转向了无人机图像数据的收集和处理。2018年无人机（强度3.79）和摄影测量（强度1.83）的同时爆发表明了这一时期无人机平台技术的广泛应用。2018年和2019年地表温度（强度2.27）和水分胁迫指数（强度2.18）的爆发证实了国际上使用热红外遥感诊断作物生理胁迫的强烈关注，直接影响水分反演模型的准确性。2019年回归的突发（强度1.85）显示了系统地使用统计方法建立遥感参数与地下水之间的定量关系。2020年无人机（强度3.71）再次兴起，并持续到2023年，其强度最高，表明无人机系统研究已达到标准化、多样化和多传感器整合的阶段。2022年异质性的突发（强度1.81）与土壤湿度的显著空间异质性有关，这是限制反演准确性的主要因素。最新的关键词突发一直持续到2025年，是土壤含水量（强度2.42），表明尽管技术有所进步，但准确确定土壤含水量仍然是当前研究的关键挑战。3.5.3. 国内外的热点演变比较 全面分析揭示了该领域研究重点从可行性探索向高精度优化的转变。现在常用随机森林和支持向量回归等技术，多源数据融合仍然是一个关键的技术方向[44]。国内和国际研究热点的比较（表6）表明，国内研究强调实际农业应用，而国际研究则优先考虑机制分析和跨学科整合。表6. 国内外基于无人机的土壤湿度反演领域研究热点的演变比较。3.6. 关键词聚类分析 3.6.1. CNKI数据库 关键词聚类突出了该领域的主要研究主题和新兴趋势[32]。在关键词聚类图中，使用模块度（Q）和平均轮廓系数（S）来评估网络拓扑结构。模块度Q量化了网络社区结构的强度；Q值大于0.3表示显著的、非随机的社区组织。轮廓系数S衡量了簇内关键词的平均同质性；接近1的值表示更大的内部一致性。通常，S值高于0.7表示聚类结果非常可靠。图9A显示了八个关键词簇（表7），Q = 0.8186，S = 0.9718，确认了聚类的可靠性。簇#0“遥感监测”是最大的，包括无人机、多光谱图像和精准操作等关键词，表明带有多光谱传感器的无人机是目前大规模监测中最普遍的技术。簇#1“冬小麦”被确定为主要研究主题，该簇涉及土壤湿度、反演精度和卫星遥感，表明对冬小麦等作物的研究重点在于验证跨尺度湿度反演的准确性。簇#2“树冠温度”关注热红外遥感机制，包括玉米和核桃等作物，强调生理指标和方差，表明基于树冠温度诊断作物生理水分短缺是一种独立于光学遥感的重要技术途径。簇#3“遥感”是另一个与方法相关的重大簇，专注于使用无人机高光谱和多光谱图像进行农田信息的精确采集和管理。簇#4“高光谱”代表了技术的前沿方向，该簇包括机器学习、最小二乘支持向量机和高光谱，表明研究人员正在使用人工智能算法处理复杂背景下的高维光谱数据以进行湿度反演。“最佳飞行高度”一词表明了优化特定数据采集参数的研究。簇#5“信息统计”主要涉及与草地生态系统和田间前景相关的研究，这对国内生态应用至关重要。第6组，农业生产，专注于将无人机遥感技术应用于农业生产及工程实践中的实际操作，例如远程控制。第7组关于灌溉效率的研究出现在2024年。尽管规模较小，但它涵盖了农田灌溉和水资源浪费问题，表明研究重点从简单的湿度监测转向了以节水为导向的灌溉决策管理。图9：(A) 关键词聚类图；(B) CNKI数据库中的时间线图。表7：基于LLR算法的CNKI数据库中的八个关键词聚类。基于无人机的土壤湿度研究的发展可以分为三个阶段，依据技术复杂度和应用深度来划分。初始阶段（2014-2017年）侧重于宏观尺度监测，并依赖宽带传感器和简单的线性回归来建立基准可行性，如第3组所示。发展阶段（2018-2020年）转向了针对特定作物的优化，强调多模态数据的整合和非线性机器学习在特定农业生态系统中的应用，如第1组和第5组所示。精炼阶段（2021年至今）标志着高精度管理的当前前沿，其特点是采用了高光谱反演技术，并将反演结果与灌溉效率指标相结合，反映了从纯监测向智能水资源管理的转变，如第4组和第7组所示。图9B中的时间线显示，第0组的研究涵盖了整个研究时期，从无人机和遥感监测等核心节点开始。研究逐渐从基础数据采集扩展到后台管理分区，最终从2024年到2025年瞄准了智能灌溉和城市防洪等具体应用，突显了技术服务于生产的最终目标。第1组专注于冬小麦，明显展示了提高反演精度的过程。最初，研究的重点是土壤湿度和精度等广泛概念。到中期（大约2019年至2021年），关键节点“水-云模型”的出现表明了对植被冠层影响缓解机制的深入探索。第2组关注冠层温度，最初使用热红外技术，后期发展到分析生理指标和变异，标志着基于温度诊断作物生理状态的技术成熟。第4组与高光谱技术相关，与机器学习和集成学习紧密相连。这表明随着传感器光谱分辨率的提高，传统统计方法难以处理大量数据，使得集成学习等人机智能算法在处理高光谱数据和提高反演精度方面变得至关重要。时间线右侧出现了智能灌溉、反演精度和卫星遥感等节点，表明该领域致力于将高精度反演结果直接转化为自动化灌溉决策。

3.6.2 WOS数据库
在图10A所示的关键词聚类图中，Q=0.7584，S=0.9115，聚类既可靠又结构清晰，形成了13个关键词簇（表8）。第0组“机器学习”（规模27）是最大的，突显了机器学习算法在该领域的主导地位。诸如“机器学习”、“植被指数”和“制图”等关键词表明，国际研究大量依赖这些算法来处理多维遥感数据，以实现高精度的区域湿度反演映射。第1组“土壤湿度”是一个早期的基础性研究组，专注于土壤湿度和植被覆盖等基本参数的遥感。第2组“精准农业”结合了传统的精准农业和最新的人工智能及农业4.0概念，表明湿度反演研究从监测转向了决策制定，实现了数据驱动的智能管理。第3组“散射模型”以“散射模型”和“航天雷达地形任务”为核心关键词，专注于使用微波或光学散射模型来解决植被冠层对土壤湿度信号的干扰问题。第4组“戈壁植被”针对干旱和半干旱地区的生态系统，关键词包括“戈壁植被”和“土壤与植物分析仪开发”，强调了极端环境下湿度监测的重要性。第5组“土壤含水量”代表了湿度反演的核心研究对象，强调准确获取湿度参数。第6组“黑翅风筝算法”是一种元启发式优化算法，用于复杂的非线性优化问题。诸如“谷物产量”和“土壤含水量”等关键词表明其在提高湿度反演精度和预测作物产量方面的应用，将湿度数据与经济效益联系起来。第7组“无人驾驶飞行器”关注平台标准化和应用，关键词包括“无人驾驶飞行器（UAV””、“自主飞行器”和“作物表型分析”，反映了从无人机可用性向自主高效作物表型分析的转变。图10B表明，该领域的研究可以分为三个不同的阶段：初始阶段（2014-2016年）主要关注基础研究，土壤湿度（#1）和土壤含水量（#5）贯穿整个研究时期，强调了准确获取湿度参数的重要性；精准农业（#2）确立了该技术的早期应用目标；2014至2015年间，“地表温度”（#8）的出现标志着基于热红外和能量平衡原理的反演方法的早期成熟；无人驾驶飞行器（#7）也在这一时期形成，为后续研究提供了技术基础。中间阶段（2017-2021年）是技术快速进步和知识深入整合的时期；2017至2019年间，“机器学习”（#0）变得突出，迅速成为该领域的主导技术，并与土壤湿度（#1）和精准农业（#2）建立了众多联系。这些发现表明，机器学习已成为提高湿度反演精度和实现精准管理的主要工具。“散射模型”（#3）在这一时期也非常活跃，反映了对于微波和光学技术复杂物理机制的深入研究，这些技术对于解决植被冠层干扰至关重要。2020年左右，数据融合成为一个关键节点，将机器学习（#0）、土壤湿度（#1）和高光谱成像（#10）等组联系起来，标志着从依赖单一传感器向使用多源异构数据（包括可见光、热红外和雷达）进行协同反演的转变。2020年左右出现的灌溉管理直接从精准农业（#2）分支出来，表明应用目标从一般精准度转向了实际田间决策。在2022至2025年的近期研究中，“戈壁植被”（#4）和黄土高原（#11）自2021年以来一直活跃。值得注意的是，黄土高原（#11）节点的相对红色表明国际上持续关注在干旱和易发生土壤侵蚀的复杂生态环境中的湿度监测。气候变化（#9）也一直很活跃。“人工神经网络”（#12）强调了算法优化作为提高精度的核心驱动力。将自主飞行器纳入无人驾驶飞行器（#7）表明平台操作正趋向于更加智能和自动化。

3.6.3 两个主要数据库之间的关键词聚类比较
表9展示了CNKI和WOS数据库中关于无人机湿度反演研究的关键词聚类结果。值得注意的是，国内和国际学者在研究方向和重点上存在明显差异。国内研究主要利用多光谱技术，并广泛关注主要农作物；而国际研究则侧重于构建物理机制模型和在极端生态环境中的监测应用。研究焦点的差异不仅反映了地理差异，也体现了方法论优先级的不同。CNKI数据库侧重于操作型精准农业，偏好快速、成本效益高的经验回归模型用于主要作物的灌溉调度；相比之下，WOS数据库强调对不同生态系统中水-能量循环的过程理解。因此，国际研究更频繁地采用多源数据融合来分离复杂环境中的冠层结构和土壤背景的复杂影响。这两种研究路径是互补的。未来，促进实际应用与理论机制之间的双向整合至关重要。

3.7 文献的共引用分析
文献共引用图识别了该领域的关键转折点和里程碑研究[45]。如图11和表10所示，Ge XY（2019）[14]的中心性和频率最高（分别为0.55和22）。该研究主要使用无人机高光谱成像技术和机器学习算法监测干旱农田中的土壤含水量（SMC），开发了一种最优模型PIR，生成了高精度的SMC空间分布图，为干旱地区的农业管理提供了强有力的科学支持。图11显示了WOS数据库中的研究共引用图；表10列出了WOS数据库中引用次数和中心性最高的十项研究。Cheng MH（2022）[15]的频率最高（31），中心性显著（0.30），主要利用无人机收集的多模态数据，结合机器学习技术评估密集冠层覆盖下的玉米田土壤含水量预测的准确性。研究结果表明，使用随机森林回归算法结合三种传感器的数据可以获得最精确的土壤含水量估计，并且在不同作物覆盖条件下，在10厘米和20厘米的土壤深度上表现稳定，显示出其在动态土壤湿度监测和精准灌溉策略开发方面的巨大潜力。2019至2022年间，许多高引用、高中心性的论文表明该学科正处于快速知识积累和集中发展的关键阶段。值得注意的是，近年来形成了新的研究框架和理论基础。

3.8 期刊的共引用分析
如图12和表11所示，《Remote Sens-Basel》在频率（264）和中心性（0.67）方面均领先，成为该领域的主要期刊。《Remote Sens Environ》的频率为251，中心性为0.36，紧随其后。《Agr Water Manage》（频率129）、《J Hydrol》（频率135）和《Water Resour Res》（中心性0.31）等期刊表明，无人机湿度反演研究是一个由遥感技术驱动的跨学科领域，对水资源和农业工程有益。《Comput Electron Agr》（频率162）强调了计算机技术（包括自动化、机器学习和算法集成）在实现精准湿度管理中的关键作用。图12显示了WOS数据库中的期刊共引用图；表11列出了WOS数据库中引用次数最多的十种期刊。

4. 讨论
4.1 研究现状
中国在出版物数量和研究机构参与度方面表现出色。特别是西北农林科技大学和中国科学院形成了重要的研究集群。然而，无论在国内（CNKI）还是国际上（WOS），作者合作网络仍然较为分散，只有小规模的聚合。大多数研究是由独立团队进行的，跨机构和跨国合作仍然不常见。未来应加强国际合作，特别是与美国、澳大利亚和欧洲等在遥感机制研究方面具有优势的团队的合作。同时，促进来自不同学科背景的国内研究团队的整合对于形成跨学科研究团队至关重要。学科分布表明，国内研究主要针对农业的具体应用，而国际研究则深入分析环境系统和遥感机制。这种分歧在很大程度上是由科学研究投资的重点和应用需求所塑造的。由于粮食安全和精准农业的实际需求，国内研究优先考虑技术的实际推广和实施。相比之下，国际研究基于更广泛的地球系统科学框架，旨在深化对水循环内部机制的理解。国内和国际研究方法之间存在互补关系。未来，加强应用层面研究与机制探索之间的互动至关重要，以防止技术开发与基础研究之间的脱节。

4.2 研究热点与演变
该领域的研究范式发生了显著变化，从间接推断转向直接测量，从依赖单一技术转向整合多种数据来源。2014年至2018年间，主要驱动力是精准农业的应用需求[22,57]。当时，传感器性能和算法能力有限，因此许多研究集中在间接反演方法上。例如，研究人员使用植被指数和冠层温度等指标来评估作物水分胁迫并推断土壤湿度状况。这种技术方法在很大程度上反映了卫星遥感策略。然而，由于高空间分辨率，无人机（UAV）能够提供更详细的农田尺度监测。

自2019年以来，研究重点转向了直接反演和多源数据融合。无人机载荷技术的进步使得高光谱和热红外技术成为最前沿的技术之一。此外，随机森林（RF）、支持向量机（SVM）和神经网络（NN）等机器学习算法因其处理高维数据和建模非线性反演的能力而逐渐取代了传统的统计回归方法[49,58]。这种技术方法的转变反映了以问题为导向、技术突破和深化应用为核心的科学创新逻辑。

机器学习是基于无人机的土壤湿度反演的主要分析框架，但其应用范围很广。RF是最常用的多源特征融合模型；它具有抗过拟合的能力，适用于地面真实样本非常少的典型无人机飞行任务。对于数据非常稀疏的高度非线性问题，支持向量回归更受欢迎，因为其结构风险最小化通常能带来更好的性能。

随着高维高光谱数据集的可用性增加，NN和深度学习变得越来越重要。NN能够最准确地分离植被干扰和土壤信号，但它们受到黑箱性质和需要大型多时相训练数据集的限制。当前的策略倾向于使用集成方法，如XGBoost和物理信息机器学习，这些方法旨在结合NN的预测能力以及更高的鲁棒性和可解释性，以适应农业应用。

4.3 当前无人机应用中的技术瓶颈和限制
文献计量学分析显示无人机应用快速增长，但对潜在物理和生理机制的批判性分析揭示了获取可靠土壤湿度数据时存在的持续瓶颈。首先，即时观测和环境噪声是一个挑战。无人机飞行通常只能捕捉田地的瞬间快照，而像热红外温度这样的指标变化迅速，并表现出明显的日变化模式。此外，红外温度对风速、气温和太阳辐射变化等瞬态环境因素非常敏感。从这些干扰因素中分离出真实的土壤水分信号仍然很困难。许多实证模型没有解决这种时间不匹配问题，导致不同日期或一天中的不同时间反演精度不稳定。

其次，作物蒸腾作用的生理阈值限制了基于冠层温度的反演。当土壤湿度超过某个阈值时，气孔保持完全开放，蒸腾作用由大气需求控制而非土壤水分控制。在这种能量受限的情况下，冠层温度与土壤湿度脱钩，使得热指数对土壤水分的变化不敏感。因此，当前基于热和植被指数的无人机方法能够有效检测中等到严重的水分胁迫，但在水分充足的情况下无法精确估计土壤湿度。

4.4 限制
本研究存在某些限制。其中一个限制是比较分析的方法学差异。由于软件限制，共引分析（揭示知识进展和关键文献）仅使用了WOS数据库。相比之下，CNKI数据库主要依赖引用次数和关键词聚类来识别关键研究基础。这种方法学差异可能导致对国际研究景观的理解比国内研究更为细致。未来的研究可以通过整合多工具工作流程（如将CiteSpace与VOSviewer或Bibliometrix结合）来改进方法。这种整合可以带来基于不同语言的数据库之间更加协调的文献计量学方法。搜索词的选择有意限制在直接与土壤湿度相关的术语上，以保持研究的专注范围。然而，这种方法可能无意中排除了间接涉及土壤湿度反演的相关文献，特别是那些用相关水文和化学诱导土壤湿度术语索引的研究。例如，蒸散量估算和水分平衡等过程经常用于基于无人机的土壤湿度研究。我们的分析成功识别了该领域的关键论文，这一点从“蒸散量”在WOS关键词网络中的高中心性可以得到证明。然而，缺乏明确“土壤湿度”标签的研究并未被包括在内。未来的研究可以扩大搜索标准，涵盖这些间接的生理和水文术语，从而提供更全面的概述。此外，由于2025年的数据仅收集到11月，因此对这一年出版趋势的分析缺乏完整数据，可能会在评估近期热点演变时引入偏差。未来的研究应考虑使用多种文献计量工具进行互补分析，扩大搜索范围，并延长数据收集期，以实现更全面的理解。

基于无人机的土壤湿度反演仍存在几个关键研究空白。大多数安装在无人机上的传感器，包括光学、热红外和多光谱仪器，仅采样表层土壤（0-5厘米）。因此，推断根区土壤湿度（这对作物生长有更直接的控制作用）仍然是一个主要挑战。另一个相关问题是厘米级无人机像素与点级地面真实测量之间的尺度不匹配。当前的模型通常也缺乏时空便携性：为特定田地或生长阶段校准的模型在应用于不同土壤类型或作物品种时往往失效。这些限制阻碍了研究之间的有意义比较。

4.5 研究前景
4.5.1 机制和模型的深化
当前研究主要使用机器学习中的黑箱模型。未来，应更加重视整合物理机制，如散射模型和光谱形成原理。将能量守恒定律、水分平衡原理和辐射传输方程等基本物理定律纳入机器学习系统，有助于开发具有更广泛适用性的反演模型。这种方法将更好地满足不同地理区域、作物类型和生长阶段的多样化需求。例如，将水-云模型与机器学习相结合提高了模型的鲁棒性和物理可解释性。尽管如此，这种整合面临几个瓶颈。首先，物理模型需要严格的参数化，在无人机尺度上获取高分辨率参数既困难又费时。其次，由于物理定律通常是在点或卫星像素尺度上制定的，必须将其降尺度到无人机图像的厘米分辨率。第三，将复杂的辐射传输模型与深度学习算法紧密结合会显著增加计算成本，这限制了其在精准农业中的实时应用。

为了克服与瞬时观测和阈值影响相关的限制，未来的研究应从经验统计转向基于过程的动态建模。研究应将从无人机获得的的高空间分辨率数据整合到连续的农业水文或能量平衡模型中，如SWAP。通过结合无人机生成的空间场与连续的点式地面传感器，研究人员可以开发出能够考虑日变化和单次飞行测量中固有环境噪声的稳健模型。

此外，为了克服光学和热传感器在高湿度下失效的生理阈值问题，协同多模态传感至关重要。未来的框架应优先整合无人机搭载的主动和被动微波传感器，这些传感器可以穿透冠层并直接探测土壤介电常数，与热和光谱光学传感器结合使用。

4.5.2 全尺度数据融合
通过无缝整合来自无人机的厘米级高精度数据与来自Sentinel和Landsat等卫星的米级遥感数据，并将其纳入高分辨率的地表或水文模型中，可以开发出特定流域或农田的数字孪生系统[59]。这种动态虚拟模型可以实时准确反映现实世界的水分状况，并具备预测能力。随着时间的推移，它有助于形成集成的空-天-地网络，用于土壤湿度监测、模拟和预测。

4.5.3 技术和应用创新
创建既经济高效又紧凑的多传感器集成载荷系统可以显著提高技术应用的采用率并扩展其应用范围。除了精准农业和干旱监测等传统方法外，这项技术还可以应用于生态恢复、土壤和水资源保护以及气候变化响应等新领域[60,61,62,63]。通过结合5G通信和边缘计算，该系统可以实现实时土壤湿度估算，并提供智能决策支持，从而有效推进技术应用。

在中国，基于无人机的土壤湿度反演已从实验室实验发展到区域示范。在华北平原，多光谱无人机为冬小麦生成了灌溉处方图，减少了用水量但产量较低。在西北沙漠地区，无人机干旱监测迅速识别出处于水分胁迫下的大面积农田，实现了点对点灌溉，并显著提高了用水效率。对于小农户来说，高端热红外和多光谱传感器的前期成本仍然相对较高。农业合作社提供的自动化云平台或无人机服务模型可以降低使用成本，加速高质量精准农业的采用。

5 结论
在这项研究中，我们使用CiteSpace对2014年至2025年间CNKI和WOS数据库中关于使用无人机（UAV）进行土壤湿度反演的文献进行了可视化分析。分析得出以下结论：
(1) 该领域正在快速发展，其跨学科性质明显，整合了农业科学、环境科学、遥感技术和计算机科学等学科。
(2) 中国在这一研究领域处于领先地位，中国科学院和西北农林科技大学等机构做出了重要贡献。关键期刊如Remote Sens-Basel、Remote Sens Environ和Comput Electron Agr突出了该领域在技术驱动的创新和应用服务方面的核心关注点。
(3) 研究重点已逐渐从早期依赖植被指数和冠层温度的间接反演方法转变为新的直接反演范式。这种现代方法将高光谱多源数据与机器学习技术相结合。
(4) 未来的研究将更加重视整合多源数据和应用深度学习算法。此外，构建结合空间-空气-地面元素的多尺度智能观测网络将成为优先事项，以更好地满足精准农业和高效水资源管理的实际需求。