综述：利用光谱传感、物联网和机器学习进行土壤评估的新兴技术 Florin Nenciu、 Mihai Gabriel Matache、 Iuliana Gageanu、 Ioan Catalin Persu、 Florin Bogdan Marin 和 Iulian Florin Voicea

《Applied Sciences》：Emerging Technologies for Soil Evaluation Using Spectrometry Sensing, Internet of Things and Machine Learning Florin Nenciu, Mihai Gabriel Matache, Iuliana Gageanu, Ioan Catalin Persu, Florin Bogdan Marin and Iulian Florin Voicea

　　摘要 从传统的实验室土壤分析向实时、数据驱动的评估转变对于推动精准农业和确保可持续资源管理至关重要。本综述全面系统地总结了新兴的土壤评估技术，重点关注光谱传感、物联网（IoT）系统和机器学习方法的集成。通过对2012年至2026年间发表的同行评审研究的系统分析，评估了这些技术在不同环境条件下的准确性、鲁棒性和可扩展性。光谱技术（包括可见光-近红外和中红外传感）能够快速且无损地估算土壤化学性质，而基于物联网的传感器网络则可以持续监测水分、pH值和养分含量等关键参数。机器学习模型通过实现预测分析、数据融合和高分辨率绘图进一步增强了土壤评估能力。尽管这些技术具有巨大潜力，但数据质量、模型通用性、传感器校准和实施成本等问题仍然是大规模应用的关键障碍。综述强调了标准化评估框架的必要性，以及改进多模态数据整合和对模型可解释性及实际应用性的关注。总体而言，这些技术的协同使用有助于更高效地管理投入，减少环境影响，并有助于发展具有韧性和可持续性的农业系统。

1. 引言
1.1 背景与动机：从传统土壤分析到实时土壤评估与绘制的转变
新兴的数字土壤评估工具在现代农业中发挥着关键作用，能够实现准确、及时且空间明确的土壤状况评估。光谱技术、基于物联网的传感器、遥感和数据驱动的分析方法能够持续监测土壤养分和物理性质。与传统的实验室方法相比，这些方法支持实时决策，同时有效捕捉精准农业所需的空间变异性。通过将土壤数据与先进的机器学习模型相结合，农民和农学家可以更好地预测养分缺乏情况，优化灌溉策略，并提高整体投入效率。这些技术通过减少过量施肥和不必要的水资源消耗，提高了资源利用效率。在气候变化日益加剧的背景下，数字土壤评估工具通过实现适应性、特定地点的管理策略来增强系统的韧性。它们将土壤状况与作物表现数据相结合，增强了基于证据的农学决策能力。此外，数字土壤监测通过减少养分损失和限制土壤退化过程，支持环境可持续性。随着数据基础设施的不断发展，这些技术正在逐步成为农业智能决策支持系统的基础。因此，新兴的数字土壤评估方法对于实现可持续和高效农业系统变得不可或缺。

1.2 问题陈述与新兴土壤评估技术的主要挑战
传统的土壤评估方法依赖物理样本的实验室分析，通常耗时较长，且无法捕捉现代农业系统所需的空间变异性。相比之下，先进的技术如光谱技术、基于物联网的传感器和机器学习方法提供了实时的高分辨率土壤养分和物理性质数据，从而支持更精确和高效的土壤管理。尽管光谱传感和机器学习在土壤原位评估方面取得了快速进展，但现有文献仍然分散，主要关注单一方法。大多数研究孤立地探讨个别技术，不同传感平台和数据驱动模型之间的整合有限。由于数据集的异质性、预处理工作流程和验证策略的不同，比较评估往往不一致，这阻碍了客观的性能评估。此外，模型在不同土壤类型、气候条件和传感环境下的通用性和鲁棒性尚未得到充分研究。数据质量、传感器噪声和领域转换相关问题在综述中很少被综合讨论。此外，这些技术的实际部署及其在现实土壤管理应用中的准备情况常常被忽视。数字土壤评估方法与操作决策支持系统之间的联系仍然薄弱。多模态数据融合的标准化框架仍缺乏。此外，机器学习模型的可解释性也受到有限关注。因此，一个全面的、综合性的综述以及明确的未来研究路线图仍然缺失。尽管这些技术发展迅速，但对于发展中国家的小规模农户来说，其可扩展性和成本效益仍存在分歧。一些研究认为，尽管基于传感器的技术具有高精度，但成本仍较高，需要大量基础设施投资。

为了系统地总结所评估的技术，本文采用了反映精准农业中智能土壤评估阶段的研究逻辑。综述方法侧重于识别和系统分析三类新兴技术：光谱和遥感、基于物联网的土壤传感器以及机器学习应用。研究选择集中在2012年至2026年间发表的同行评审文献上，重点关注经过现场验证且可扩展的应用。本综述旨在探讨土壤评估技术的最新进展，特别是针对土壤养分和物理性质评估的应用。表1提出了一个结构化的概念框架，总结了研究背景、关键挑战和土壤评估技术中的差距，为研究目标的制定提供了基础。

1.3 论文目标与研究问题
尽管该领域取得了显著进展，现有研究仍然分散，通常仅关注孤立技术，对其比较性能、整合潜力和在不同环境条件下的适用性的关注有限。在这种背景下，对这些新兴方法进行系统性和批判性评估对于更好地理解它们的能力和局限性是必要的。本综述的主要目的是系统评估基于光谱和机器学习的土壤评估技术的最新进展，特别是其在准确性、鲁棒性和可扩展性方面的表现。此外，研究还旨在探讨环境变异性（如土壤异质性、水分含量和气候条件）对这些技术在现实应用中的可靠性和通用性的影响。

为了实现这一目标，定义了以下具体目标：
- 识别和评估用于土壤性质评估的主要光谱、遥感和基于物联网的方法；
- 分析机器学习模型在土壤评估中的应用及其在提高预测性能中的作用；
- 根据关键评估标准（包括准确性、鲁棒性和可扩展性）比较不同技术的表现；
- 评估环境变异性对传感技术和模型泛化能力的影响。

基于这些目标，综述围绕以下核心研究问题展开：
- 新兴的光谱和机器学习技术在多变环境条件下能在多大程度上提高土壤评估的准确性、鲁棒性和可扩展性？

为了进一步支持这项研究，还探讨了以下子问题：
- 最常用的语谱和传感技术有哪些，它们的主要特点是什么？
- 机器学习模型在不同数据集、土壤类型和环境条件下的表现如何？
- 影响土壤评估模型鲁棒性和通用性的主要因素是什么？
- 当前在可扩展性、数据质量和实际应用方面存在哪些限制和挑战？

通过回答这些问题，本综述旨在提供对新兴土壤评估技术的全面系统总结，同时概述关键的研究差距和未来发展方向。

2. 材料与方法
2.1 研究方法
关于物联网、光谱传感和机器学习技术在土壤评估中协同整合的文献综述依赖于高质量、同行评审证据的适当选择和筛选。鉴于该领域技术的快速发展，采用了一种稳健的方法论框架，以从日益密集的研究中分离出有意义的见解。文献搜索针对三个主要学术数据库：Web of Science (WoS)、Scopus 和 Google Scholar，确保涵盖土壤科学和电子工程框架。搜索字符串结构如下：（“土壤评估” OR “数字土壤制图” OR “土壤传感”）AND （“光谱学” OR “光谱技术” OR “VNIR” OR “LIBS”）AND （“物联网” OR “智能传感” OR “传感器网络”）AND （“机器学习” OR “深度学习” OR “大数据分析”）。时间范围限定在2012年至2026年，捕捉了从静态实验室分析到实时数字架构的最重要转变。初步检索后，去除了重复项，得到了1280篇用于标题和摘要筛选的同行评审记录。首先基于标题和摘要进行筛选，排除了与土壤评估技术无关的研究，保留了842篇文章。在第二阶段，进行了全文筛选，排除了缺乏实验验证、方法论细节或不涉及传感和数据驱动方法整合的文章。优先考虑了高质量出版物，包括WoS和Scopus索引的同行评审期刊文章，特别是Q1和Q2级别的期刊以及高引用率和方法严谨的研究。必要时也考虑了Google Scholar上的相关会议论文和新兴研究。最终选择了223篇论文进行详细分析。这些论文根据其焦点进一步分类，包括光谱方法、基于物联网的监测、机器学习模型和集成系统，最终确定了139篇论文的列表。这种结构化的选择过程确保了所审查文献的质量和代表性。

2.2 研究选择与筛选过程
表2提供了综述方法的概述，详细说明了纳入、排除和分类标准。图1进一步说明了所分析技术之间的关系。

3. 物联网框架与光谱传感和机器学习在高分辨率土壤特征分析中的协同整合
将新型机器学习框架和数据驱动的建模范式整合到先进的土壤传感架构中，为从根本上重构农业土壤健康的管理提供了机会。这些网络提供高频、连续的数据流，涵盖了关键的土壤参数（体积含水量、pH值动态以及时空养分通量），从而能够实现精确的实时灌溉和施肥协议调节[5]。通过整合机器学习框架和大数据分析，新兴的传感平台从被动观测转变为具备预测诊断能力的工具，能够在波动的环境条件下对土壤行为进行建模。这种建模方法能够实现定制化的农业干预，提高土壤管理方案的空间分辨率和可靠性[6,7]。将深度学习与可解释人工智能（XAI）框架相结合，可以进一步识别土壤-植物生态系统中的非线性潜在变量，最终促进可持续的土壤健康并减少传统农业系统的生态足迹。选择可解释人工智能（XAI）框架的动机在于提高用于土壤评估的机器学习模型的透明度和可解释性。尽管有多种人工智能和机器学习框架可供选择，但许多高性能模型仍表现为“黑箱”，限制了其在需要理解模型决策的领域的实际应用。XAI方法能够通过量化输入变量（如光谱特征、土壤参数、环境因素）对预测的贡献来解释模型输出。这在农业和环境应用中尤为重要，因为决策需要基于可解释且科学一致的证据。因此，采用XAI并非基于特定的实现框架，而是出于提高模型可解释性、可信度和可用性的功能需求。

图2展示了这一综合土壤评估过程，从初始采样到实时决策的关键阶段。

**3.1 光谱学与遥感技术**
非侵入性的光谱学和遥感技术能够实时评估优化农业生产所需的关键土壤属性。这些方法为农民提供了关于土壤养分水平和物理特性的宝贵信息，有助于更高效的投入管理，并支持向可持续农业的转型。光谱学（特别是近红外（NIR）和中红外（MIR）技术）可以快速识别和量化氮（N）、磷（P）和钾（K）等关键土壤养分以及有机质含量。这些技术基于测量光与土壤颗粒相互作用原理，提供关于土壤化学成分的详细信息。NIR和MIR光谱仪通常安装在移动平台或无人机上，从而实现大规模的现场评估。一项研究展示了在移动平台上应用基于人工智能（AI）的模型进行土壤养分和物理特性实时分析的有效性[10]。这种移动性实现了实时、特定地点的数据收集，显著改善了施肥和作物轮作等领域的决策[11]。另一项研究展示了NIR光谱技术在准确确定土壤养分含量、水分水平和有机质方面的多功能性。该研究还强调了其集成到农业系统中进行实时监测的作用，从而实现精准干预和可持续资源管理[12]。在另一项研究中，研究人员结合了可见光和近红外（VNIR）以及X射线荧光（XRF）光谱技术进行土壤属性估计，使用偏最小二乘回归（PLSR）作为主要算法来整合和分析两种光谱方法的数据[13]。光谱学的一个主要优点是它能够即时反馈土壤养分缺乏的情况，从而实现精准施肥，从而提高作物产量。

可见光和近红外（VNIR）及中红外（MIR）光谱技术提供了许多优势，但也存在一些限制，影响其应用范围和操作精度。它们对土壤湿度的敏感性是一个重大挑战，因为湿度会显著改变光谱特征，影响有机质或养分计算的结果。此外，这些技术需要基于大量标注数据集构建的特定地点校准模型，而这在某些地点或土壤类型中可能不易获得。另外，由于VNIR和MIR设备只能检测最表层土壤，无法深入到更深的层次，因此可能忽略对全面肥力评估至关重要的地下数据。非专业人员的使用受限于操作复杂性以及理解光谱数据所需的复杂统计或机器学习方法。小规模农民和机构可能难以负担高分辨率或高光谱传感器，尤其是那些内置在无人机或卫星平台上的传感器。这些困难凸显了将光谱学与其他传感模式和数据融合技术结合的重要性，以提高精准农业的稳健性和应用效果。虽然光谱学提供了详细的化学成分分析，但新兴的基于传感器的方法可以实现土壤条件的连续实时监测。

遥感技术，包括卫星平台和无人机（UAV），是跨广泛地理尺度进行土壤属性时空评估的宝贵工具。通过利用多光谱和热成像技术，这些系统能够精确量化土壤湿度状况、热动态和有机质含量。当与地理信息系统（GIS）结合使用时，遥感技术可以提供土壤条件空间变异性的全面视图，帮助农民识别问题区域，如养分不足或受水分胁迫的区域。这些信息对于精准农业至关重要，因为它旨在通过局部干预来优化资源利用并提高整体作物产量[14]。遥感技术补充了光谱学的作用，提供了宏观层面的土壤健康状况概览。卫星配备了多光谱或高光谱传感器，通过检测从地球表面反射的特定波长光线来测量土壤属性随时间的变化。多光谱成像通常在有限数量的光谱带（如红、绿、蓝和近红外）中捕获数据，而高光谱成像则捕获数百个狭窄的光谱带，提供关于不同土壤特性的更详细信息[15]。

无人机因其灵活性和在农田特定区域捕获高分辨率数据的能力而越来越多地应用于精准农业。配备先进相机和传感器的无人机可以在低空飞行，提供关于某些土壤条件的详细信息。例如，无人机可以被编程飞越大片农田，捕捉热成像、多光谱或高光谱图像，随后分析这些图像以检测水分胁迫、养分缺乏或土壤侵蚀情况。这些数据对于调整灌溉计划、优化肥料应用和防止作物失败至关重要。

将光谱学和遥感技术结合起来为现代土壤评估提供了强大的框架，提高了土壤管理策略的准确性和效率，从而支持可持续农业实践。随着这些技术的不断发展，预计它们将通过融入精准农业系统进一步减少环境影响并提高生产力。光谱学和遥感技术已成为精准农业中的关键工具，使农民能够在微观层面和广大地理区域内评估和监测土壤属性。将遥感数据与地理信息系统（GIS）相结合进一步提高了土壤管理的精确度。GIS使专业人员能够绘制土壤属性的空间变异图，并实施特定地点的管理策略。例如，GIS可以显示农场不同区域的土壤状况变化，将遥感数据与田界、灌溉系统和作物产量等信息叠加显示。这可以实现有针对性的干预，例如向养分不足或受水分胁迫的区域增加水分或肥料[16]。

除了在可视化空间变异方面的作用外，GIS已在多个案例研究中成功应用于支持具体的农业决策。一项研究在埃及实施了基于GIS的模型，评估不同农业生态区的土壤质量和土地适宜性。通过整合卫星数据和土壤物理化学数据，他们生成了高分辨率地图，为可持续农业扩展的土地利用规划提供了支持。另一项研究利用GIS和遥感技术监测地中海地区的土壤退化和养分损失[14]。研究结果帮助识别了遭受侵蚀和盐碱化的关键区域，并据此制定了针对性的修复策略。多项研究将GIS与多传感器遥感技术结合，绘制了各种作物田地中氮、磷和钾（NPK）的空间分布图。这些结果表明了GIS在指导特定地点施肥实践、减少投入浪费和提高养分利用效率方面的实用性。这些例子凸显了GIS将土壤和环境数据转化为精准农业和可持续土地管理实用信息的价值[14,15,16]。

除了提高效率外，这些技术还有助于农业实践的可持续性，减少肥料和水的过度使用。通过提供关于何时何地需要投入的精确信息，光谱学和遥感技术减少了农业对环境的负面影响，如养分径流进入水体和土壤退化。

**3.2 物联网（IoT）和智能传感系统在现代农业中的应用**
物联网（IoT）技术的采用以及智能传感器的开发极大地改变了现代农业中土壤属性的监测方式。基于IoT的土壤监测系统能够直接从田间实时收集数据，提供关于监测因素的宝贵信息，并允许及时准确地调整农业管理。这些系统基于放置在土壤中或表面的互连传感器网络，测量各种参数，如湿度、温度、pH值和养分浓度，然后通过无线方式传输到中央平台进行处理和分析。直接土壤传感器包括用于检测硝酸盐和钾的离子选择性电极、电容式湿度传感器和固态pH探针。这些传感器通常嵌入在根区水平，实时向IoT平台传输养分浓度和土壤水分状态数据。

智能传感器（通常是IoT系统的一部分）为农民提供关键数据，帮助他们在精确灌溉和施肥方面做出明智决策。这些传感器设计为低成本、节能，并能在恶劣环境下持续运行。例如，土壤湿度传感器可以测量土壤中的体积含水量，帮助农民通过实时数据优化灌溉，确保作物在适当的时间获得适量的水分[10,17]。测量养分含量的传感器也是基于IoT的土壤监测系统的重要组成部分。这些传感器可以检测植物生长所需的关键养分（如氮、磷和钾（NPK）的存在和浓度，从而实现精准施肥。使用智能传感器确保养分在最需要的地方施用，有助于减少过量施肥，减少养分向周围生态系统的流失[18]。将pH传感器集成到基于IoT的土壤监测系统中进一步增强了监测土壤酸碱度的能力，这对于维持各种作物的最佳生长条件至关重要。

基于IoT的软件和硬件平台汇集了来自多个传感器的数据，提供了反映土壤健康的全面参数视图，使农民能够随时间监测参数趋势。这些平台通常具有用户友好的界面，数据可以实时可视化，支持快速决策。利用集成在这些平台中的先进算法和机器学习模型，可以预测土壤行为，从而制定主动管理策略，进一步优化农业产出。McBratney（2005）讨论了精准农业的未来方向，强调了空间和时间数据整合对于改进决策过程的必要性[19]。基于IoT的灌溉自动化利用土壤湿度数据和预测气象模型之间的协同作用来优化水分应用。这种闭环方法减少了手动调度的效率低下问题，提高了用水效率（WUE）。该系统考虑了土壤变异性（如土壤质地）和作物物候的特点，确保了定制化的灌溉机制，以满足局部水分需求[20]。鉴于水资源可用性是干旱农业的基本限制，采用这种精准管理策略对于最大化生物量生产同时保护枯竭的含水层至关重要。

营养管理优化是IoT传感器集成带来的重要效益之一。传统的施肥策略往往缺乏精准性，导致过量施用农业化学品，从而导致养分流失或地表径流，进而引发环境退化。相比之下，实时养分传感器可以实现变量施用量（VRA），在特定位置精确施用肥料。这种有针对性的方法提高了植物的活力，同时最小化了农业活动的生态足迹，从而推进了可持续集约化目标[21]。研究表明，物联网（IoT）平台允许远程监测土壤状况，这在大型农业作业中尤为重要，因为人工监测既耗时又劳动密集。这些平台通常配备了仪表板，可以提供土壤数据的时间序列可视化表示，并具有识别趋势的功能。例如，如果土壤pH值开始偏离某种作物的最佳范围，系统可以提醒农民在作物健康受到影响之前采取纠正措施[22]。尽管使用物联网和智能传感器具有许多优势，但其采用仍面临若干挑战。虽然这些传感器网络是为持续田间部署设计的，但它们通常需要定期校准——尤其是pH值和养分传感器——以确保在不同土壤和环境条件下长期测量的准确性。成本仍然是一个重大障碍，特别是对于发展中国家的小农户来说。尽管这项技术有潜力提高生产力，但初始投资于传感器、网络基础设施和数据管理平台可能是 prohibitive 的。还有一个连接性问题，因为许多农村农业地区缺乏可靠的互联网接入，这对于物联网系统的有效运行非常重要[23]。正在开发低成本的传感器网络和替代连接解决方案，如LoRaWAN（低功耗广域网），以克服这些挑战，使更多农民能够使用物联网技术[24]。除了基础设施和财务限制之外，用户采纳也是一个重要障碍。有效部署物联网网络通常需要一定的技术专长和数字素养，而这在小农户或老年农民中可能有限。没有适当的培训和支持，即使是最具成本效益且技术上可靠的系统也可能无法达到预期效果。确保可用性、提供实际操作培训以及在系统设计阶段让农民参与进来，是提高接受度和长期参与度的关键[23]。

物联网支持的土壤监测系统的一个主要优势是通过分布式传感器网络进行连续和自动的数据采集。这些系统能够实时收集有关土壤和环境条件的高频数据，大幅减少了手动采样的工作量并提高了时间分辨率。然而，尽管数据采集效率不断提高，但将原始传感器数据转换为机器学习可用的数据集仍然是一个关键挑战[24]。一个主要的限制在于数据标注过程，这对监督式机器学习模型的开发至关重要。准确的标注通常需要实验室分析、专家知识或实地测量，这使得它成为数据流程中最耗时和最劳动密集的阶段之一。在土壤评估中，这涉及将传感器或光谱数据与参考测量结果（如养分含量、有机碳）关联起来，而这往往成本高昂且空间和时间覆盖範圍有限。因此，由于标记数据集不足，大量由物联网生成的数据仍未得到充分利用。这种数据采集与数据注释之间的不平衡成为物联网和机器学习系统在农业中实际应用的主要瓶颈。虽然物联网技术显著提高了数据可用性，但缺乏可扩展的标注策略限制了模型的性能和泛化能力。解决这一问题需要开发替代方法，如半监督学习、迁移学习以及整合领域知识，以减少对完全标记数据集的依赖。因此，物联网支持的土壤监测系统的有效性不仅取决于传感能力，还取决于高效的数据管理和标注流程[25]。

3.3 机器学习与大数据分析
机器学习（ML）是人工智能（AI）的基础支柱，提供了必要的计算框架，用于识别复杂数据模式并促进自主推理和决策制定。在过去几十年里，该领域经历了重大变革，从早期的符号逻辑和决策树架构转变为现代复杂的神经网络和深度学习（DL）范式的主导地位。除了监督框架之外，强化学习（RL）和无监督方法也取得了显著成熟。最近，大规模数据集和增强计算能力的结合使迁移学习（TL）和自我监督学习成为主要的研究前沿。
机器学习算法在预测土壤行为和优化农业实践方面发挥着重要作用。诸如支持向量机（SVMs）、随机森林（Random Forests）和人工神经网络（ANNs）等算法基于通过不同传感器、卫星和/或田间采样收集的大数据集来建模土壤属性。这些模型可以预测关键土壤参数的变化，如湿度、pH值、有机碳含量和养分可用性。一旦训练完成，这些模型可以快速分析新数据，从而实现实时决策。例如，基于历史土壤数据训练的ANN可以预测养分不足并推荐针对性的施肥方案，以降低投入成本[10]。创建详细的土壤地图是机器学习在土壤分析中最实际的应用之一。这些地图使用随机森林或k近邻等分类算法生成，根据土壤属性的变化将大型农田分割成不同的区域。因此，养分缺乏的区域可以接受更高浓度的肥料，而养分充足的区域可能需要较少的肥料。这种分区有助于避免过度施肥。
机器学习模型还可以用于减少农业对环境的负面影响。这些模型通过精确预测何时何地需要肥料或水，从而减少养分渗入地下水，并减少肥料产生的温室气体排放。此外，这些技术还可以识别土壤侵蚀或退化风险较高的区域，允许在造成严重损害之前采取预防措施。将土壤分析与可持续性指标相结合，确保农业实践有助于长期的环境健康，同时保持相同的生产力水平。
将机器学习与基于物联网的土壤传感器相结合，可以利用两种技术的优势。例如，机器学习模型可以实时分析传感器数据，检测土壤湿度或养分水平的异常，自动调整灌溉或施肥计划，从而减少过度灌溉或养分流失。一种新颖的基于物联网的实时监测和分析方法利用数据驱动的见解来推荐最佳作物类型和施肥方案[21]。该系统展示了精准农业4.0的进步，通过结合物联网、数据分析和机器学习实现可持续和高效的农业管理[21,26]。
机器学习（ML）技术已在土壤评估中得到成功应用，显著提高了土壤属性预测的准确性，并生成了详细的土壤地图[27]。许多研究表明，ML模型可以准确估计关键土壤属性，如有机碳含量、pH值和质地，甚至可以根据土壤和环境数据预测作物产量[27,28]。例如，将遥感技术与ML结合使用，实现了高空间分辨率的数字土壤制图，支持精确的农业管理决策[29,30]。然而，并非所有部署都同样有效：ML模型高度依赖数据，当应用于其训练数据集之外的领域时可能会出现过拟合或表现不稳定[27,29]。例如，一个针对特定地区的土壤模型在转移到另一个土壤条件不同的区域时，其预测准确性显著下降[29]，这突显了与数据稀疏性、模型泛化能力差以及需要本地校准相关的持续挑战[27,30]。
大数据分析在现代土壤评估中起着核心作用，它能够处理和解释庞大且异构的数据集[27,29,31]。这些数据来自多个来源，包括土壤传感器、遥感系统、天气预报和历史作物表现记录[27,32]。在精准农业的背景下，大数据分析有助于整合这些数据集，以高精度识别土壤条件的空间和时间模式，并预测资源需求[31,33]。它涵盖了“四个V”：体积（来自传感器和卫星的大规模数据）、多样性（结构化和非结构化数据类型）、速度（实时数据流）和真实性（数据可靠性和不确定性）[32]。通过利用这些能力，大数据工具可以生成详细的土壤地图、针对特定地点的施肥策略以及根据本地条件定制的灌溉计划[27,29,33]。此外，当与机器学习算法结合使用时，大数据分析增强了预测建模，揭示了土壤健康、气候变量和作物响应之间的关系，这些关系用传统分析方法难以发现[28,30,34]。这种数据驱动的方法支持智能决策，提高了投入效率，并增强了精准农业系统的长期可持续性[27,33]。
将机器学习（ML）和大数据分析整合到土壤分析中，正在改变现代农业，为土壤评估提供更准确和可扩展的解决方案。这些技术使得大规模数据集的处理成为可能，揭示了以前用传统方法难以识别的土壤属性模式和关系。农业科学家和农民可以通过利用机器学习算法获得有关土壤健康、养分管理和作物产量优化的更深入见解。机器学习模型可以用来预测土壤条件、预测作物产量，并为特定土壤类型和区域建议最佳管理策略。神经网络可以使用历史土壤数据进行训练，以预测养分水平随时间的变化，考虑气候、作物类型和之前的投入应用等因素。例如，一项研究开发了一个基于自我监督的光谱-空间注意力变换网络，利用无人机高光谱图像准确预测作物中的氮含量。他们的深度学习模型在不同田间条件下显示出高精度，为优化肥料施用和改善作物管理提供了有效工具[26]。在某些情况下，深度学习模型被用来分析土壤属性和环境条件之间的复杂非线性关系。这些模型在预测未来土壤条件方面具有更高的准确性，这在土壤参数因气候变化而波动的地区特别有用[34]。
在将机器学习和大数据技术应用于土壤分析时，仍存在一些挑战。例如，高质量训练数据的可用性对模型预测的准确性至关重要。在许多地区，这类数据稀缺或不完整。此外，实施这些先进数据平台的复杂性和成本可能限制了小农户的使用。解决这些挑战将是确保这些技术在全球范围内得到应用的关键[35]。
机器学习（ML）和大数据在土壤分析中的应用不仅限于预测和分类，还对整体改善土壤管理策略、作物生产力和环境可持续性做出了重大贡献。随着农业数据量的增加，这些技术使得管理土壤健康的方法更加复杂和可扩展，为农民提供了更好的决策工具。
用于土壤评估的机器学习模型表现出不同的能力和局限性，这些因素影响了它们在不同应用中的适用性。由于其处理高维光谱数据和相对较小数据集的有效性，支持向量机（SVMs）在早期研究中得到了广泛应用。它们在非线性分类和回归任务中表现特别稳健。然而，SVM模型对核选择和参数调整敏感，大规模数据集的可扩展性有限，解释性较低，这降低了它们在当前大规模、数据丰富的土壤监测系统中的相关性。相比之下，集成学习方法，特别是随机森林（RF）和提升算法（如XGBoost、LightGBM和CatBoost），在广泛的土壤条件下提供了强大的预测性能和鲁棒性。它们的关键能力包括处理非线性关系、抵抗过拟合（特别是在RF中）以及处理异构和多源数据集的能力。提升模型通过迭代误差校正特别有助于提高预测准确性。然而，这些方法也存在局限性，包括计算成本增加、对超参数调整敏感（特别是在提升中）以及随着模型复杂度增加而降低的透明度[36]。
深度学习模型，如卷积神经网络（CNNs），提供了处理高维输入的高级能力，包括高光谱数据和空间图像，通过自动提取复杂特征。这些模型特别适合处理大规模数据集和集成传感系统[3.3.1 精准农业与数据驱动决策】。
机器学习和大数据分析在土壤评估领域整合了广泛且多样的数据集，涵盖了土壤健康、天气模式、作物产量甚至市场趋势。最终结果是一种数据驱动的决策过程工具，可以根据具体条件和需求定制农场作业。意大利的一种硬质小麦栽培机器学习模型整合了土壤和作物数据，以优化施肥策略。该研究强调了这些数据驱动方法在提高作物生产力的同时最小化环境影响的潜力，符合可持续农业的原则[37]。另一项研究开发了一个特定于地点的框架，用于预测玉米生产的最佳氮肥施用量（EONRs）。通过利用机器学习技术，这种方法提高了氮肥的使用效率，降低了投入成本，并尽量减少了环境影响[38]。此外，大数据平台允许汇总来自不同来源的数据集，如物联网传感器、无人机和/或卫星图像，从而实现全面的土壤分析。这些平台能够识别并关联土壤健康与作物表现之间的关系，为农民提供可操作的见解，以提高作物产量，同时维持土壤完整性。进一步地，集成学习技术结合了多个模型的输出，在提高土壤预测准确性方面被证明是有效的，同时考虑了土壤和气候条件的不确定性。为了提高准确性、鲁棒性和泛化能力——特别是在土壤评估中常见的复杂和异构数据集中——集成学习技术汇总了多个基础模型的预测结果。提升算法（例如XGBoost、AdaBoost）和bagging算法（例如随机森林）以及堆叠算法是常见的集成方法，它们系统地结合了多种模型类型。通过平均或对多个弱学习器进行投票，集成输出可以减少过拟合，并在不同田间条件下产生更一致的土壤质地或营养素预测。当没有单一模型在所有数据子集中都能持续表现良好时，这些方法特别有用。然而，当使用大量算法或深度学习组件时，集成模型可能会变得计算密集且可能难以解释。在资源匮乏的环境中或没有强大技术支持的从业者中使用这些方法可能会受到这种复杂性的限制。尽管存在这些困难，集成技术仍然是预测建模和数字土壤制图的有用工具，因为当构建得当时，它们可以在复杂性和性能之间提供合理的平衡[39,40,41]。

3.3.2 挑战与伦理考量
尽管机器学习和大数据在土壤分析中具有许多优势，但其应用并非没有挑战。一个主要问题是高质量数据的可用性。机器学习模型的好坏取决于其所接收和训练的数据，而许多农业地区——特别是发展中国家——缺乏进行准确土壤预测所需的全面且实时更新的数据集。另一个问题是数据隐私和所有权；随着农场变得更加互联，谁拥有由土壤传感器和其他设备生成的数据的问题也随之产生。一个持续的挑战是确保农民在受益于先进分析的同时，能够控制自己的数据[42]。此外，过度依赖数据驱动的模型也存在一些环境和伦理方面的担忧，因为虽然这些模型可以优化农业实践，但它们并不总是考虑到土壤生物学或生态系统动态的所有复杂性。因此，需要继续研究，以确保数据驱动的精准农业能够在长期内保持可持续性，并且不会无意中损害土壤生物多样性或生态系统健康。

所讨论的土壤评估技术进步突显了从传统的人工密集型方法向现代技术驱动方法的转变。为了总结它们的关键特征、应用和局限性，表3提供了本节涵盖的主要土壤评估技术的比较概览。表3展示了土壤评估技术的比较分析：参数、优点和局限性。表3中总结的技术在各种实际场景中表现出不同的性能水平。例如，VNIR光谱技术已成功应用于高精度预测土壤有机碳，尤其是在用特定区域的数据集进行校准后。为了确保对土壤传感技术进行一致且客观的比较，有必要超越定性描述符，采用一套明确的评估指标[27]。在这方面，可以根据几个关键标准评估不同方法的表现：(i) 时间效率，表现为每个样本的分析时间或采集频率；(ii) 空间分辨率，由采样密度或测量粒度定义；(iii) 预测准确性，通常使用决定系数（R2）、均方根误差（RMSE）或平均绝对误差（MAE）等统计指标来量化；(iv) 运营成本，包括设备、劳动力和维护要求；以及(v) 可扩展性和田间适用性，反映在不同空间尺度和环境条件下部署该技术的能力。表4基于定量性能指标和应用领域展示了土壤评估技术的评估结果[4]。对这些标准的参数化评估使得技术适用性的评估更加细致。例如，实验室分析对于校准、验证和监管应用仍然至关重要，在这些应用中准确性至关重要。近距离传感技术特别适合于田间监测和精准农业，因为这些应用需要高分辨率的空间数据。然而，在土壤湿度高或表面有残留物的情况下，其性能往往会下降，因为这些因素会干扰光谱读数[43]。同样，基于物联网的土壤传感器网络在精准灌溉系统的实时监测和决策制定中显示出巨大潜力[44]，但它们通常需要定期维护和重新校准，以避免传感器漂移和数据不一致[45]。结合机器学习模型的遥感技术产生了准确的土壤质地和湿度空间预测，但在植被密集或云层覆盖的区域，可靠性可能会降低[30]。这些例子表明，尽管每种方法都有其显著的优势，但其有效性在很大程度上取决于当地条件、校准和实施环境。机器学习和大数据正在革新土壤分析，使农业更加精确、高效和可持续。这些技术提供了预测性土壤管理所需的工具，优化了投入使用并保持了长期的土壤健康。随着高质量农业数据的可用性提高以及实施这些技术的成本降低，预计机器学习和大数据将在全球粮食安全工作中发挥更加重要的作用。

将光谱技术、基于物联网的传感器和机器学习整合到土壤评估过程中，可以实现基于数据的精准农业综合方法。为了说明这些技术如何相互作用并促进实时土壤监测和分析，图3中的概念图展示了它们的核心功能以及它们之间的数据流动。光谱技术和遥感提供大范围的环境数据，物联网传感器提供连续的田间测量数据，而机器学习将这些数据转化为可操作的见解——所有这些都通过支持适应性、特定地点土壤管理策略的云平台汇聚在一起[3]。图3展示了光谱技术、物联网传感器和机器学习及大数据之间的核心功能和数据流动。

预计未来土壤评估方法的发展将集中在提高可用性、准确性和集成性上，建立在最新进展的基础上。为了使光谱仪和传感器技术被广泛采用，尤其是被小农户采用，必须使它们变得更小、更便宜。随着多源数据（如光谱图像、田间传感器输出、气象数据和地形数据）持续整合到集中式平台中，将能够进行更全面和情境感知的土壤诊断。机器学习的发展，特别是在深度学习和联邦学习领域，将在数据贫乏和异构的多种场景中增强预测建模[42]。建立标准化的、开放访问的土壤数据存储库可能加速合作研究和模型的发展。最后，为了保障农民的数据隐私、数据使用的透明度以及从数字农业系统中获得公平的利益，新的举措还必须考虑伦理框架。这些方法共同促进了向可持续、智能化和可扩展的土壤管理技术的转变。

本节讨论的技术为现代土壤评估提供了基础框架，通过实现集成化和高分辨率的数据采集与分析。然而，它们的实际相关性最好通过应用于特定类别的土壤属性来理解。在这种情况下，土壤评估可以大致分为化学领域和物理领域，每个领域都需要定制的传感策略和分析方法。以下章节将探讨这些集成系统如何分别应用于土壤养分和物理属性的评估[43]。

3.4 土壤评估系统中的多源数据融合、同步和标准化
正确地整合光谱传感、基于物联网的监测和机器学习需要一个强大的多源数据融合框架，能够处理异构的、高频率的、空间分布的数据集。在土壤评估系统中，数据来自多种来源，包括近距光谱仪、原位传感器、遥感平台以及辅助数据集，如天气和地形信息。土壤评估中的多源数据融合通常在三个层次上进行：数据层、特征层和决策层融合，每种层次都提供了信息保留与鲁棒性之间的不同权衡。由于其减少噪声和改善预测性能的能力，特征层和决策层融合方法在土壤应用中越来越受到重视。研究表明，结合光谱数据、遥感数据和辅助数据源可以显著提高模型在预测土壤有机质（SOM）、pH值、石灰缓冲能力（LBC）以及磷（P）、钾（K）、钙（Ca）、镁（Mg）和铝（Al）浓度方面的准确性和稳定性[43]。时间同步也是集成土壤监测系统的重要组成部分。由于物联网传感器生成连续的高频率数据，而遥感和光谱测量通常是间歇性的，因此需要时间和戳对齐和插值等同步机制。这些方法对于准确捕捉动态土壤过程至关重要，尤其是在土壤湿度和养分通量等变量中，其中时间变化起着关键作用。一项研究调查了两种近距土壤传感方法（Vis-NIR和XRF）的数据融合，以提高精准农业中几个土壤属性（如pH值、有机碳和各种矿物质）的预测准确性[44]。通过数据融合取得了最有效的结果。具体来说，SF-CNN方法在大多数属性上的预测性能表现出色，尤其是提高了镁、pH值和钠的预测准确性。这些发现表明，通过深度学习整合多个传感器可以提供更可靠的高分辨率土壤数据，从而做出更精确和高效的特定地点农业决策。

数据标准化和互操作性对于可扩展的土壤评估系统至关重要。整合异构数据集需要预处理步骤，如标准化、校准转移和单位协调。标准化的数据结构和元数据框架促进了跨平台之间的互操作性，并提高了可重复性。通过复杂的融合途径整合近距和遥感数据，可以显著提高土壤属性的评估效果，利用不同方法的优点来克服各自的局限性[45]。从应用的角度来看，多源数据融合已被证明可以显著提高关键土壤属性（包括土壤有机碳和养分含量）的预测准确性，通过利用来自不同传感方式的互补信息。与单一传感器模型获得的结果相比，SF模型在所有研究属性的预测性能上都有所改进，除了OC、Mg和K的预测[46]。尽管取得了这些进展，但仍存在与数据异构性、同步性和模型可转移性相关的问题，这需要进一步的研究和标准化框架的开发。

3.5 光谱、物联网和机器学习的集成应用
虽然前面的章节将光谱技术、物联网系统和机器学习描述为独立组件，但它们的真正潜力在于它们的集成应用框架。结合近距Vis-NIR光谱与基于物联网的传感器网络和机器学习模型的集成系统已成功应用于预测土壤有机碳和水分含量，根据校准策略和环境条件的不同，取得了不同的决定系数。一项研究评估了可见光和近红外（Vis-NIR）光谱与机器学习（ML）算法结合使用，以预测两个对比鲜明的农业生态区域中的土壤肥力相关属性，这些区域的光谱范围为350–2500纳米。使用PLSR、随机森林、支持向量机和神经网络开发的预测模型在OM方面实现了最高的测试集准确性（R2 > 0.70），而pH值和质地分数的表现中等（R2 = 0.42–0.67）。此外，由于磷、钾和钠等营养素的光谱表达较弱，其预测准确性有限[47]。同样，一项研究评估了Sentinel-2、Landsat-8/9和基于无人机的超光谱数据在估计不同土地覆盖下的土壤水分含量（SMC）方面的有效性，使用了五种机器学习算法。结果表明，无人机超光谱数据的一致性优于卫星数据，高斯过程回归（GPR）获得了最高的准确性（R2 = 0.89）。虽然在裸土上的表现最佳，但与耕地和草地相比，Landsat-8/9在基于卫星的估计方面比Sentinel-2更准确。最终，将无人机光谱技术与机器学习相结合，为卫星监测提供了一种精确、高分辨率的补充工具，具有显著优化灌溉和可持续农业决策的潜力。研究发现，由于具有更高的空间和光谱分辨率，无人机高光谱数据的表现始终优于卫星数据，其中高斯过程回归（GPR）的准确率最高（R2 = 0.89）。虽然所有平台在裸土上的表现都优于农田和草地，但Landsat-8/9在基于卫星的估算中比Sentinel-2更为准确。总之，将无人机光谱技术与机器学习相结合，为卫星监测提供了一种精确、高分辨率的补充工具，具有显著优化灌溉和可持续农业决策的潜力[48]。另一项研究使用Landsat-8、GF-1和GF-4的卫星数据，通过随机森林、线性回归和Extra Tree算法来估算土壤水分含量（SMC），发现在0.03米和0.1米深度的估算结果比0.2米深度更准确，特别是在植被茂密的区域[49]。一项研究利用配备了热成像、RGB和多光谱传感器的无人机，表明在冠层覆盖率为20-40%的玉米田中，土壤水分含量的估算最为准确[50]。还有一项研究建立了一套高精度的通用处理方案，利用无人机高光谱图像和机器学习技术来估算干旱地区的土壤水分含量（SMC）。通过评估70个表层土壤样本以及六种光谱预处理方法和四种最佳二维光谱指数，研究发现非线性机器学习框架显著优于传统的线性模型。具体而言，随机森林（RF）算法的表现优于极端学习机（ELM），最佳模型的R2值为0.907，RMSEP值为1.477，RPD值为3.396。所得到的预测图与实际田间观测结果具有高度的空间一致性，证实了结合预处理光谱指数和RF模型可以为水资源匮乏环境中的精准农业生态系统管理提供可靠且可扩展的解决方案[51]。另一项研究探讨了将基于无人机的的高光谱成像与先进的人工智能算法结合用于农业环境中的土壤质地映射和胁迫检测。其他研究评估了多模态数据融合和机器学习在无人机平台上进行的大规模、低成本土壤水分含量（SMC）估算的效果。通过集成RGB、多光谱和热成像传感器，研究人员发现数据融合显著提高了预测准确性，尤其是在10-20厘米深度的土壤中。随机森林回归（RFR）算法表现最佳，当结合这三种传感器类型时，其R2值为0.78，相对误差低至9.6%。值得注意的是，虽然作物品种对结果影响不大，但冠层覆盖度被确定为关键变量，最佳准确度出现在中等覆盖度水平（0.2-0.4）[52]。这些结果证实，基于无人机的多模态融合技术为精准灌溉和土壤健康监测提供了可靠且可重复的框架[52]。另一项研究还评估了一种基于无人机的多光谱成像系统，用于估算不同生长阶段的玉米叶片叶绿素含量。通过应用十二种氮肥施用量并利用机器学习，研究人员发现基于ε-SVR模型并采用顺序特征选择的算法表现最佳，R2值为0.87，RMSE为2.26 SPAD单位。结果显示，该模型在V8、V9、V11和V12生长阶段均具有稳定的准确性，表明机载多光谱数据可以有效替代劳动密集型手持传感器。这种高分辨率制图方法为精准玉米生产中的及时氮肥管理和决策提供了可靠的框架[53]。近距土壤传感器使得快速、经济地收集精确的定量高分辨率数据成为可能，从而更好地理解土壤的空间和时间变化[54]。另一项研究提出了一种两阶段时空重建框架，用于解决卫星衍生的NDVI时间序列中持续的云层覆盖问题，特别是在热带地区。通过结合时空填充和多步时间平滑技术，该方法在重建准确性上优于Savitzky–Golay滤波器等基准技术。当应用于2460个稻田的Sentinel-2数据时，该框架显著提高了生长阶段分类的准确性，F1分数提高了多达21%。这些结果突显了该系统在多云环境中的实时农业监测能力[55]。

从可行性角度来看，这些技术的结合具有近乎实时的数据采集、高空间分辨率（亚米到米级）和可扩展的部署特点，但也引入了数据同步、校准转移和系统成本相关的挑战。总体而言，集成方法通过利用互补的数据源，始终优于单一技术，从而提高了预测准确性、系统鲁棒性和决策支持能力。这些发现证实，光谱学、物联网（IoT）和机器学习的结合代表了推进精准农业土壤监测系统的一条实用且有效的途径。

3.6 土壤监测系统中的数据标准化和互操作性
当前土壤监测框架中一个未得到充分解决的重要问题是缺乏标准化的数据结构和统一的参数定义。由于测量协议、传感器类型、空间尺度和区域实践的差异，土壤数据的异质性限制了数据集的互操作性和再利用。制定统一的土壤参数采集和数据结构标准将显著提高不同农业环境中生成的数据集的可比性和集成性。此类标准化应包括土壤变量的协调定义、一致的测量单位、元数据描述符（例如位置、深度、采样条件）以及互操作的数据格式[55]。采用共同的数据标准将能够聚合大型、地理分布广泛的数据集，从而构建更强大的机器学习模型，并提高它们在不同区域和土壤类型间的可转移性。此外，它还将支持协作研究工作，使科学家和从业者能够更有效地共享、比较和再利用数据。因此，开发 Soil 数据采集和管理的标准化框架是推进本地和全球范围内集成化、数据驱动的土壤评估系统的重要步骤。

4. 土壤养分评估
评估土壤养分动态对于评估土壤肥力并指导战略性肥料管理至关重要，旨在最大化农业生产力。现代精准农业需要高分辨率量化大量养分（如氮、磷、钾）和必需的微量养分（如锌、铁、铜）。准确描述这些参数可以确保养分施用与特定作物的生理需求相匹配，从而优化植物生长和产量。在前一节描述的集成传感和数据处理框架的基础上，本章重点讨论这些技术在土壤养分评估中的应用。这里考虑了光谱技术、基于物联网的传感器和机器学习模型，特别是在化学土壤性质方面的应用，特别是大量养分和微量养分，强调它们在实现精准和数据驱动的施肥策略中的作用。

传统的土壤养分评估方法，如在实验室检测土壤样本，因其精确性而仍然非常有价值，尽管它们通常劳动密集且耗时。近年来，传感器技术和光谱技术的进步彻底改变了土壤养分分析，提供了宝贵的实时原位数据，允许立即采取干预措施并实现更高效的养分管理。近红外（NIR）和中红外（MIR）光谱技术以及便携式土壤测试仪和试剂盒为大面积田地提供了快速、经济的养分分析方法[56]。

4.1 大量养分评估
大量养分评估是评估土壤肥力和确定最佳施肥策略的关键因素。这些养分对植物生长至关重要，每种养分在其中扮演着不同的角色。氮对叶片和茎秆发育至关重要，磷支持根系生长和开花，钾通过调节植物组织内的水分和养分流动来增强整体植物健康[57]。氮是土壤中最容易缺乏的养分，因为它会通过淋溶、挥发和作物吸收而迅速流失。传统上，氮含量通过凯氏法或离子选择电极等实验室技术进行测定。然而，新技术现在可以实现实时氮监测。例如，NIR光谱技术可以通过分析土壤中有机物相关的光吸收模式来评估氮含量，为农民提供了一种快速且无侵扰的方法，使他们能够实时调整氮肥施用量[58]。此外，离子选择传感器被集成到物联网平台中，实现对土壤中硝酸盐浓度的持续监测[59]。深度学习的进步使得利用无人机图像精确预测作物氮状态成为可能。一项研究开发了一种基于自监督的光谱-空间注意力变换的网络，自动高效地进行氮预测。该方法利用无人机图像有效分析氮状态，为优化肥料施用和提升作物管理提供了强大工具[60]。使用能够测量植物叶片叶绿素含量的光学传感器可以提供间接但高度准确的氮含量读数。这些传感器通常安装在无人机或拖拉机上，用于评估归一化植被指数（NDVI），这与植物氮状态相关。另一项研究展示了NDVI在预测不同小麦基因型关键指标方面的有效性，为精确管理和水分及养分施用提供了洞察[61]。此外，高光谱成像越来越多地用于氮检测，能够捕捉植物的详细光谱数据，从而检测肉眼无法看到的氮缺乏情况。除了光学传感器外，基于物联网的系统也被用于实时氮监测。一项研究开发并测试了一种根据检测到的土壤养分水平调整肥料施用量的变量施肥系统，提高了效率并减少了环境影响[60,64]。

磷在土壤中的移动性低于氮，这使得其管理更具挑战性，因为它容易与土壤颗粒结合，尤其是在粘土含量高的土壤中。传统上，磷通过Bray或Olsen测试等比色法进行测定[65,66]。最近，便携式光谱仪的进步使得田间直接评估磷成为可能，无需实验室等待即可收集数据。这些设备分析土壤样本的反射光谱，估计磷的有效性，并帮助防止磷肥的过量或不足施用。电化学传感器的最新进展使得磷的检测更加便捷。这些传感器可以检测土壤中的磷酸盐离子，提供实时数据，允许即时调整磷肥施用量。这些传感器在精准磷管理中特别有益，确保这种养分在需要时施用，避免其在水体中的积累，从而防止富营养化[63,64]。同位素追踪在磷循环中的应用是一种新兴技术，有助于我们了解不同土壤类型中磷的生物可利用性[65]，为从有机来源（如堆肥和粪肥）回收磷提供了策略，从而促进更可持续的养分循环利用。

钾对植物代谢过程至关重要，特别是在调节水分吸收和酶激活方面。传统上，钾通过火焰光度法或原子吸收光谱法进行测定。与之前介绍的大量养分类似，近年来，手持式光谱仪和便携式离子选择电极使农民更容易获取钾的测量结果。这些技术可以快速、原位地测量土壤中的钾离子活性，根据作物需求和土壤条件及时调整钾肥施用量[66]。此外，将土壤水分传感器与钾离子传感器结合的方法提供了更全面的理解，了解土壤水分如何影响钾的有效性，从而提高灌溉和养分管理效率。钾的定量评估越来越受益于离子选择电极技术，该技术允许直接测量土壤中的钾离子。特别是通过实时数据，可以有效地跟踪钾在土壤中的移动性，尤其是在不同湿度条件下[67]。这种方式使农民能够立即了解钾的可用性，避免过量施用钾肥，从而避免土壤压实和水体富营养化。特别是在干旱和半干旱地区，最近的研究展示了使用卫星热红外成像评估土壤水分和推断钾需求的有效性。这项技术提供了有价值的土壤水分变化数据，直接影响钾的吸收，有助于在水资源紧张的环境中优化钾的利用[68,69]。

在大量养分评估方面的一个最有前景的进展是将机器学习算法与传感器数据相结合。这些模型可以分析田间的养分模式，并根据土壤类型、天气条件和作物历史预测未来的养分需求。例如，支持向量机（SVM）和随机森林算法被用于预测氮和磷的缺乏情况，提供精确的施肥建议[70]。这些预测模型有助于减少特定肥料的浪费，最小化养分淋失，并间接改善整体土壤健康状况。支持向量机（SVM）是一种监督学习算法，它通过找到将数据点分类到不同类别的最优超平面来进行数据分类。SVM使用核函数处理线性和非线性分类问题，将这些输入数据转换为高维空间，在高维空间中实现更清晰的分类。SVM的目标是最大化不同类别最接近数据点（支持向量）之间的距离，从而提高模型的泛化能力。随机森林（RF）是一种集成学习方法，在训练过程中构建多棵决策树，并通过多数投票（用于分类）或平均（用于回归）来合并它们的输出，以提高准确性并减少过拟合。每棵树都是使用训练数据的一个随机子集（自助法）和每次分裂时随机选择的特征来构建的，这引入了树之间的多样性。SVM和RF越来越被应用于土壤养分水平的估计和分类。当在大规模数据集上进行训练时，这些模型特别有效，这些数据集包括光谱反射率、土壤传感器读数和环境协变量。例如，RF已被用于高精度预测土壤有机碳、总氮和有效磷，其性能优于线性回归模型，尤其是在异质土壤中[71]。SVM也被证明适用于土壤肥力状态的分类，特别是在养分数据被离散为管理区或肥力等级时[72]。这两种模型都得益于它们处理非线性关系和噪声输入的能力，这在野外采集的养分数据集中很常见。然而，它们的预测准确性强烈依赖于训练数据集的质量，特别是养分范围的代表性、空间覆盖范围以及实验室参考值（如Bray P1或Olsen提取的磷）。最近的研究还表明，当这些模型与特征选择技术结合使用，或者当集成方法用于跨多种土壤类型或地区结合预测时，可以进一步提高准确性[73]。

数据驱动的肥料管理将大数据和机器学习整合到大量元素管理中，提高了肥料施用的精确度。这些技术分析历史土壤和天气数据以及实时传感器输入，以更高精度预测养分需求模式。这种预测能力使得在整个生长季节内能够更有效地规划肥料使用，从而避免养分流失[74]。算法的持续改进和更大数据集的获取可能会提高准确性，促进这些方法在全球农业领域的广泛应用。虽然大量元素对植物生长至关重要，但铁、锌和铜等微量元素的缺乏会显著影响作物代谢、酶活性和整体生产力。准确评估这些微量元素对于保持土壤肥力的平衡至关重要。

4.2 微量元素评估
虽然大量元素对植物的结构发育至关重要，但铁（Fe）、锌（Zn）、铜（Cu）、锰（Mn）和硼（B）等微量元素同样不可或缺，它们在调节关键的生理和代谢功能中起着重要作用。尽管这些元素的需求量很少，但它们的缺乏可能会成为主要的限制因素，导致产量大幅下降。因此，系统地评估和管理土壤中的微量元素分布对于维持作物活力和确保长期农业生态系统的可持续性至关重要。
铁是一种对植物叶绿素形成和酶激活至关重要的微量元素。传统的铁分析方法依赖于化学提取技术，如DTPA（二乙基三胺五乙酸）提取法，该方法可以估算土壤中植物可利用的铁含量。如今，便携式X射线荧光（XRF）光谱仪实现了原位测量铁含量。这些便携设备在X射线照射下分析铁原子发出的荧光，提供了田间铁有效性的实时评估[75,76]。此外，电化学传感器也被用于检测土壤中的铁离子浓度。在pH值较高的土壤中，由于铁的有效性通常较低，这些传感器使得铁肥施用策略更加精确。例如，Anguiano（2012）开发了一种含有多壁碳纳米管、聚苯胺和铂纳米粒子的改性玻璃碳电极，该电极在检测离子铁时表现出高度的选择性和敏感性[77]。该传感器在0到10 mM的范围内表现出线性响应，检测限和定量限分别为0.003 μM和0.012 μM。这些电化学工具已成功应用于分析受污染土壤浸出液中的铁浓度，为评估土壤侵蚀和铁有效性提供了可靠的方法[78]。
锌是酶激活、蛋白质合成和植物整体发育的关键微量元素[79]。它在碱性土壤中常常缺乏，从而降低了其对作物的生物有效性。传统的锌评估方法包括土壤提取测试（如DTPA提取法），随后在实验室进行原子吸收光谱（AAS）或电感耦合等离子体（ICP）分析。分析技术的最新进展提高了锌测量的精度。质子诱导X射线发射（PIXE）已成为一种高度敏感且无损的土壤锌浓度评估方法。根据一项研究[80]，PIXE分析提供了快速准确的锌检测，检测限低至2 μg/g，非常适合田间条件下的实时评估。所提出的方法与传统仪器中子活化分析（INAA）显示出强线性相关性，突显了其在土壤养分评估中的可靠性。
铜（Cu）、锰（Mn）和硼（B）是植物健康的重要组成部分，它们的定量通常遵循分析协议。传统上，铜浓度是通过化学提取后进行电感耦合等离子体（ICP）光谱法测定的；然而，新兴的电化学传感技术现在可以实现铜含量的连续原位监测。这种转变允许实时数据采集，绕过了传统破坏性采样所带来的时间延迟。这些传感器提供了实时数据，有助于维持铜充足性和毒性之间的微妙平衡。锰（Mn）是植物光合作用所必需的微量元素，也可以使用类似的光谱和电化学技术进行监测。便携式X射线荧光（PXRF）设备允许在现场进行测量，其在土壤微量元素评估方面的精度显示出巨大潜力。当在实验室外测量时，PXRF与认证参考材料（CRMs）显示出强相关性，R2值≥0.96，显示出在受控条件下的高准确性。对于铜（Cu）和锌（Zn），检测限报告低至6–10 ppm，这使得PXRF特别适合在农业土壤中检测这些关键微量元素。在锰（Mn）的情况下，如果土壤样品制备得当，PXRF的表现非常可靠，偏差通常由土壤湿度和有机物质引起。有机物质可能会引入0.76到1.34的校正系数，需要进行校准以获得准确读数。同样，土壤样本的异质性也会显著影响铁（Fe）的测量结果，在受干扰的土壤中，变异范围可达52.7%[81]。
这些现代方法减少了劳动强度，增强了决策制定，并改进了精准农业中的养分管理策略。表5提供了传统和先进的大量元素及微量元素评估方法的比较概览，突出了它们的优势、局限性以及先进技术在现代农业实践中的重要性。表5. 土壤中大量元素和微量元素分析的传统与先进技术的比较。虽然传统的实验室方法仍然非常准确，但它们通常需要大量的时间和资源，因此不太适用于实时的农业应用。相比之下，光谱学、电化学传感器、基于无人机的数据成像和机器学习驱动的诊断等先进技术提供了更快、无损的养分评估替代方案。这些现代方法促进了更精确的养分管理，减少了肥料的过度使用，降低了环境影响，并提高了作物产量。

5. 土壤物理性质的评估
虽然前一节讨论了集成传感技术在土壤化学性质（特别是养分动态）中的应用，但本章将这一框架扩展到了土壤物理性质的评估。诸如质地、结构、水分和压实度等参数需要不同的传感方法和分析手段，但它们依赖于之前描述的光谱学、物联网系统和机器学习模型的相同技术整合。土壤的物理基质，包括其颗粒大小和结构排列，直接影响水力传导性、养分传输和土壤强度等关键过程。体积密度和压实程度等参数是通气孔隙度和根系穿透阻力的重要指标。在精准农业的背景下，关于这些物理性质的高分辨率空间数据对于校准变量率施用（VRAs）和针对特定地点的土壤管理策略以减轻环境压力至关重要。评估这些性质对于高效土壤管理和可持续农业至关重要，因为它们影响水分渗透、根系穿透和养分有效性[85]。传统上，土壤物理性质是通过手动方法测量的，但现在传感器和技术的进步引入了更高效、实时的评估工具。
本章重点关注与数字土壤监测和精准农业相关的方法，探讨了当前在评估土壤物理特性方面的发展。选择回顾的文献时，重点关注了过去十年发表的同行评审期刊文章，特别是那些使用基于传感器的、无损的或遥感技术来评估土壤质地、体积密度、水分、压实度和通气性的研究。为了突出技术趋势、操作限制以及土壤监测在研究和农场层面的实际影响，以下部分综合了研究结果，而不是分别总结每个来源。

5.1 土壤质地和结构分析
土壤质地和结构显著影响水分保持、养分有效性、根系穿透和整体土壤健康。土壤质地指的是土壤中砂粒、粉粒和粘粒的相对比例。土壤质地通过比重计方法或使用筛子进行颗粒大小分析等手动方法来确定。然而，这些传统方法可能劳动强度大且耗时。现代技术，如激光衍射和图像分析，提供了更快、更精确的土壤质地评估。激光衍射利用激光束测量土壤颗粒的大小分布，获得高分辨率的结果。根据Callesen（2023）的研究，激光衍射（LD）为沙质土壤提供了可靠的土壤质地分析，复制误差低于3%，但与传统方法相比，它低估了粘粒含量多达24%，高估了粉粒含量多达30%，在壤土和粘土质土壤中显示出更大的不确定性[86]。该技术获取的数据更一致，消除了人为误差并减少了分析所需的时间。此外，自动化图像分析系统捕获土壤样品的详细图像，然后通过软件根据颗粒大小和形状对颗粒进行分类。这些方法将提供准确的颗粒分布图，有助于了解田间质地的变化[87,88]。一项研究提出了一种黑箱原型机器，在受控条件下分析土壤质地，实现了99.5%的准确率。通过利用图像处理和对USDA质地三角形映射的土壤样本进行训练，该模型提供了一种快速、成本效益高的土壤质地分类方法，彻底改变了作物和肥料推荐方式[89]。便携式X射线荧光（pXRF）光谱仪已成为预测土壤肥力的强大工具，结合土壤质地分析使用。研究表明，pXRF能有效预测养分浓度，特别是在沙质土壤中，提供快速、无损的评估。研究显示pXRF数据与传统实验室方法之间存在强相关性，强调了其在巴西沿海平原进行实时土壤分析的适用性[88]。激光诱导分解光谱（LIBS）结合机器学习已被证明对土壤质地分类有效。一种使用LIBS数据（包括原始光谱和相对强度）的研究模型取得了最佳结果，其中相对强度（Iλ/I553nm）的表现最佳。在测试的分类器中，朴素贝叶斯模型的性能最佳，对于粘粒的F1分数为0.93，对于沙质粘粒（SC）为1.00，对于沙子为1.00，这强调了等离子反射现象在提高不同土壤质地分类准确性方面的作用[90]。
土壤结构指的是土壤颗粒形成孔隙空间的排列方式，这些孔隙空间是空气和水流动的通道。土壤结构可以影响土壤肥力，因为它影响植物的根系穿透、水分保持和微生物活动。传统上，土壤结构是通过视觉检查或通过分析土芯来评估的。X射线计算机断层扫描（CT扫描）是最先进的土壤结构分析方法之一。这种非破坏性技术可以详细地可视化土壤团聚体和孔隙网络，提供有关土壤孔隙度、体积密度和压实程度的宝贵信息。最近使用X射线CT的研究获得了高达体素大小2-5倍的空间分辨率，从而能够准确了解孔隙几何结构、水力传导性以及根系与土壤之间的相互作用[91]。例如，以10-50微米分辨率扫描的土壤岩心揭示了在不同压实程度下复杂的 macro pore（大孔隙）网络和结构变化，突显了该方法在现代土壤分析中的高精度和重要性。CT扫描在精准农业中变得越来越重要，有助于识别可能阻碍根系生长或水分移动的结构问题。此外，微CT扫描可以实现更高的分辨率，提供关于土壤团聚体微观结构的详细信息，帮助研究人员更好地理解土壤结构如何影响作物生长。微CT分析表明，有机和无机肥料联合施用（NPKOM）可以促进高地红土中较大孔隙的形成，与不施肥（CK）或仅施用化学肥料（NPK）相比，孔隙大于0.098毫米的孔隙数量增加了7.6-9.5倍[92]。

遥感技术，包括多光谱和高光谱成像，也被用于间接推断土壤质地和结构。例如，光谱反射模式可以精确分析土壤肥力，而遥感技术与地理空间工具的结合则优化了土地利用规划和土壤管理策略[93]。尽管这些技术的精度不如传统的直接土壤采样方法，但它们具有可扩展性的优势，能够长期监测大面积農田。遥感技术特别适用于识别高变异性区域，如压实严重或结构不良的区域，然后可以进行更详细的野外分析。例如，利用Sentinel-2卫星图像上的ISODATA算法进行无监督分类成功地识别了15种不同的土地利用类型，揭示了罗马尼亚Timis县Livezile-Dolat保护区的空间异质性。研究表明，植被指数（如NDVI、SAVI和CIgreen）存在显著差异，GLI的变化系数高达80.4%，这表明其在详细土地特征描述和精准农业应用中的潜力[93]。

土壤分析的一个增长趋势是将机器学习算法与从传感器和遥感技术收集的数据相结合。机器学习模型可以处理大型数据集，并可能识别出通过传统分析方法无法立即察觉的土壤质地和结构模式。例如，可以训练模型根据多光谱图像、土壤湿度读数和历史数据来预测田间土壤质地的变化。在布基纳法索西南部进行的一项研究中，机器学习模型在预测土壤质地和有机碳含量方面的精度优于传统的多元线性回归方法，R2值高达0.85[94]。此外，通过分析长期数据集，特定的机器学习模型可以预测由于压实、侵蚀或有机物流失等因素导致的土壤结构随时间的变化。一项研究应用了包括随机森林（Random Forest）、XGBoost和ANN在内的七种机器学习模型来评估摩洛哥Tensift流域的沟蚀敏感性，结果表明XGBoost和KNN是最有效的模型，AUC-ROC值分别为0.96和0.93[95]。与准确性或精确度这样的单阈值指标不同，AUC-ROC评估了所有可能决策阈值下的真正例率和假正例率之间的权衡，提供了更全面的模型区分能力度量。这在土壤评估应用中尤为重要，因为类别分布（例如土壤质量类别或污染水平）可能是不均匀的。虽然存在许多替代指标，但由于其稳健性、可解释性和适用于不同分类阈值的比较能力，AUC-ROC被广泛采用。

5.2. 水分和水分保持

土壤含水量和水分保持能力是直接影响植物生长和养分吸收的关键物理属性[96,97]。合理管理农业土壤的水分可以确保植物获得足够的代谢所需水分，同时防止积水或干旱胁迫等问题。通过评估和管理土壤湿度水平来优化灌溉方式可以提高作物产量，并维持土壤的长期可持续性。传统的土壤水分测量方法，如重量分析和体积含水量（VWC）测定，已经使用了数十年[98]。重量分析法包括收集土壤样本、称重、在烤箱中干燥后再称重，然后通过减法确定水分含量。虽然这种方法非常准确，但劳动密集且耗时，并且仅能提供采样时的土壤湿度信息。重量分析和时域反射法（TDR）可以为土壤的体积含水量（VWC）提供有价值的见解。另一项研究在一个生物炭和氮肥田间试验中评估了这些方法，发现随着氮肥施用量的增加，由于土壤盐分升高，TDR测量VWC的准确性下降。适当的校准减少了测量差异，与重量分析法相比，变化范围从5%缩小到2%[99]。TDR还能量化土壤含水量和电导率，其准确性受土壤质地、堆积密度和温度的影响。该研究强调了适当校准的重要性，尤其是在异质土壤中，以确保水文和农业应用的数据可靠性[100]。TDR通过向插入土壤的电极发送电脉冲并测量脉冲反射所需的时间来工作。信号速度受土壤含水量影响，从而计算出土壤湿度水平。TDR设备可能较昂贵，并且其测量范围仅限于安装探针的特定点[101]。

基于物联网的土壤湿度传感器因其能够提供连续的实时土壤含水量数据而越来越受欢迎。这些传感器通常部署在整个田地中，测量土壤的介电常数，而介电常数随湿度水平变化。数据随后无线传输到中央系统，从而实现远程监控[102,103]。电容式和电阻式传感器是农业中广泛使用的两种土壤湿度传感器。电容式传感器测量土壤储存电荷的能力，这与含水量相关；而电阻式传感器则测量埋在土壤中的两电极之间的电阻。这两种技术都非常适合实时监控，并经常集成到自动灌溉系统中，根据当前土壤湿度条件调整灌溉计划[104]。

水分保持特性主要由土壤质地和结构决定，指的是土壤在多余水分排出后仍能保持水分的能力。通常，粘土含量较高的土壤比沙质土壤具有更高的水分保持能力。作物的灌溉需求是根据田间持水量（水分通过重力作用排出后的剩余量）和萎蔫点（植物无法再从土壤中吸收水分时）来确定的。张力计是用于测量土壤水势的工具，可以提供关于土壤颗粒保持水分强度的信息。根据Shock和Wang（2011）的研究，张力计在0到80 kPa的范围内测量土壤水势最为准确，适用于监测沙质和壤土中的土壤湿度，这些地方的灌溉管理至关重要[104]。这种工具帮助农民确定何时需要灌溉，以保持作物生长的最佳土壤湿度。基于物联网的张力计可以提供实时的土壤水势读数，在精准农业中，精确灌溉至关重要。遥感技术，如卫星成像、安装在无人机上的多光谱相机和热红外相机，已经提高了水分监测能力，允许大规模评估土壤湿度。多光谱和热红外传感器可以通过测量土壤表面温度和反射率来检测大面积的湿度变化。在发现与水分相关的压力时，农民可以增加灌溉量，提高水利用效率[105,106]。虽然传统的土壤湿度评估方法依赖于直接采样，但最近的发展如地面穿透雷达（GPR）提供了高分辨率的地下水分测绘。这种非侵入性技术可以检测不同深度的水分变化，从而实现更精确的灌溉管理。GPR通过向地面发送雷达波并测量反射信号来确定不同深度的水分含量，特别适用于识别土壤剖面中的水分变化，有助于解决地表方法无法检测到的深层土壤水分不足问题[107]。

近年来，将机器学习技术和大数据分析与土壤湿度传感器相结合改进了土壤湿度管理。机器学习模型可以处理和分析历史土壤湿度数据、天气模式以及作物生长阶段和产量，从而更准确地预测作物的灌溉需求。这些模型有助于通过安排必要的灌溉来优化水资源使用，减少水分消耗和过度灌溉的风险，后者可能导致根部疾病或养分流失[108]。可持续农业依赖于对土壤湿度的准确监测和管理以及提高水分保持能力。由于全球水资源日益紧张，基于实时土壤湿度数据的精准灌溉系统可以显著减少水分损失。这些系统不仅节约水资源，还能改善作物健康，确保植物在适当的时间获得适量的水分[109,110]。

5.3. 土壤压实和通气

土壤压实和通气是影响根系生长、水分渗透和土壤微生物活动的物理属性。压实发生在土壤颗粒被压紧时，减少了空气和水在土壤中的移动空间。这会对作物产量产生显著负面影响，因为限制了根系的穿透和水分的移动。另一方面，通气指的是土壤颗粒之间的空气空间量，这对氧气交换和微生物活动至关重要，这两者对植物健康生长都十分重要。

5.3.1. 农业土壤的压实评估

土壤压实对土壤健康和农业机械效率有显著影响[111]。研究表明，土壤压实对机械性能和土壤质量都有不利影响，强调需要频繁监测和有针对性的干预措施以防止长期土壤退化。压实可能是由于重机械在湿润土壤上的重复使用、传统的耕作方式或牲畜践踏造成的。压实的影响包括水分渗透不良、根系穿透能力下降以及土壤养分获取受限。传统的方法，如目视检查和Proctor测试，常用于评估土壤压实情况，但这些方法劳动密集且通常不足以满足大规模农业应用的需求。 penetrometers（穿透仪）和压实仪是更实用的现场工具，用于评估土壤压实程度。这些工具测量穿透土壤所需的力，从而表征土壤压实情况，这会影响根系发育和水分渗透。许多这类工具现在与GPS技术集成，可以绘制农业田地的压实程度图，并在特定区域采取纠正措施，而不是采用统一的耕作方式。另一种测量技术是使用机电传感器连续测量土壤压实情况。这些传感器集成到农用机械中，根据设备在田间的移动提供实时的土壤阻力数据，使农业机械能够根据土壤条件动态调整重量分布或耕作深度[112,113]。地面穿透雷达（GPR）技术可以检测土壤密度的变化，无需进行大量地面采样即可识别压实模式。这些工具还可以检测地下压实情况，而表面方法难以识别这种压实[114]。将遥感数据与地理空间分析相结合，可以创建农业田地中压实区域的详细地图，允许在高压实区域采取有针对性的干预措施，如深层翻土或减少通行。

5.3.2. 农业土壤的通气

适当的土壤通气对植物根系的呼吸和土壤微生物活动至关重要，这些活动有助于养分循环。通气问题通常是由压实引起的，因为压实的土壤中充满空气的孔隙较少，导致缺氧条件，从而阻碍根系生长并降低微生物效率。岩心采样已被用于评估土壤通气性，分析土壤孔隙空间。空气渗透性测试[115]是一种常用的测量土壤通气性的方法，用于评估空气通过土壤孔隙的难易程度。最近在物联网支持的土壤通气传感器方面的进展提供了土壤空气渗透性的连续监测功能，能够将实时数据传输到云平台。张力计和氧气扩散率（ODR）仪也被用来间接测量土壤通气性、监测土壤湿度水平以及土壤中的氧气含量。跟踪这些参数有助于更好地理解土壤条件如何影响通气性，并可能建议采取如机械通气或调整灌溉计划等措施来提高氧气供应[116]。表6中的比较突出了传统和现代土壤物理性质评估方法的优点和缺点。表6. 土壤物理性质评估的进步：测量方法的比较概述。尽管先进的测量技术提供了更高的效率和可扩展性，但它们的成本和可获取性仍可能是限制因素，尤其是对于小规模农民而言。

6. 将先进的土壤评估技术整合到精准农业中
精准农业的定义是将先进技术和数据驱动的实践结合起来，以优化资源利用并提高作物产量，促进可持续性。精准农业的工作流程包括数据采集方法（如光谱学、遥感、原位传感器）、数据加工与分析（包括云平台和机器学习模型）以及针对特定土壤管理的决策支持输出之间的顺序互动，这一切都始于初步的土壤分析，其中实验室测试和现场评估为土壤健康和物理性质建立了基准[116,117]。实时数据收集是下一阶段，利用物联网支持的传感器来监测湿度、pH值和养分等参数。补充技术，如用于宏量元素分析的光谱学和用于大规模监测的遥感，可以提供关于土壤条件的详细见解。在实时监测阶段，数据会被处理并显示在仪表板上，使农民能够跟踪趋势并在出现偏差时收到警报。这些数据作为输入用于机器学习模型，分析模式并为灌溉、施肥和/或害虫控制提供预测性建议。最后，农民利用变量灌溉技术（VRT）做出精确的资源应用决策。自动化或手动干预确保资源的高效利用，减少浪费和环境影响。图4展示了智能土壤评估的概念性工作流程，连接了数据收集、分析和决策步骤。将先进的土壤评估技术继续整合到精准农业中，不仅优化了农业投入管理，还为更适应环境条件和资源限制的数据驱动农业实践提供了框架。这一技术转变使农民能够改进决策过程，减少投入浪费，并有助于建立更加可持续的农业系统。

6.1. 实时数据在施肥和灌溉中的应用
实时数据是优化施肥和灌溉策略的关键要素。由实时土壤数据支持的精准农业系统使用变量灌溉技术（VRT），根据土壤养分含量在田间以不同的速率施用肥料。这减少了肥料的过度施用，从而防止了养分流失并减轻了对环境的负面影响[118]。随着基于物联网的养分传感器和GIS制图的进步，VRT变得更加易于获取，这些技术可以创建详细的养分地图并制定特定地点的施肥方案，这对提高养分利用效率（NUE）至关重要[119]。对于灌溉而言，实时土壤湿度数据允许在必要时实施精准灌溉，这在水资源稀缺的地区尤为重要[120]。例如，滴灌系统可以通过实时土壤湿度传感器进行控制，从而将精确的水量直接输送到植物根部，防止积水[121]。将土壤湿度监测与天气预报系统结合使用，可以进一步增强灌溉效率，根据即将到来的天气条件预测未来的水分需求。

6.2. 机器学习和预测分析在精准农业中的应用
精准农业中最令人兴奋的发展之一是将机器学习算法与土壤监测数据结合。这些算法可以分析来自各种光谱仪、多光谱和超高光谱相机、基于物联网的传感器和/或卫星图像的大规模数据集，识别趋势并做出有助于改进决策的预测。例如，机器学习模型可以根据土壤湿度数据、天气模式和作物生长阶段等信息预测何时需要灌溉，使农民能够优化水资源利用并避免水分胁迫[122]。在肥料管理方面，机器学习模型可以分析随时间变化的土壤养分水平，以预测作物何时需要额外的养分，在养分不足之前做出预测。通过利用深度学习进行模型优化，可以提高预测准确性，确保农用化学品仅在必要时施用，从而减少养分流失并促进可持续的农业管理[123,124]。

7. 数字土壤评估中的挑战、差距和未来方向
尽管基于光谱学的传感和机器学习技术发展迅速，但仍存在几个关键挑战，限制了它们的广泛采用和操作可靠性，尤其是在精准农业系统中。与光谱土壤评估技术相关的一个最显著挑战是它们对环境变异性（尤其是土壤湿度含量、温度波动和表面条件）的高度敏感性。这些因素会显著改变光谱特征，从而影响预测准确性，需要频繁重新校准模型[125]。此外，这种变异性会在模型输出中引入不确定性，特别是在环境参数高度动态的田间条件下。因此，确保光谱模型在不同农业生态环境中的稳健性和稳定性仍是重大研究重点。另一个主要限制是数据质量和可用性。机器学习模型严重依赖于大型、标注良好的数据集进行训练和验证；然而，这样的数据集往往很少见，具有地域性，或者在采样协议和预处理方法上不一致。这种缺乏标准化数据集的情况阻碍了模型之间的可比性，并限制了不同研究和地理区域之间结果的可重复性[126]。模型的稳健性和泛化能力也是一个持续存在的问题。许多机器学习模型在受控或特定条件下表现良好，但在应用于不同土壤类型或气候条件的新环境中时无法保持准确性。这突显了需要更具可转移性和适应性的建模方法[127]。
整合来自不同数据源（包括光谱学、物联网传感器数据和遥感图像）的数据既是一个机会也是一个挑战。虽然多传感器数据融合有潜力提高预测准确性和系统韧性，但缺乏标准化的数据整合、同步和解释框架限制了其实际应用。不同传感平台和数据格式之间的互操作性问题仍未得到充分解决。另一个重要挑战是先进机器学习模型（尤其是深度学习架构）的可解释性有限。尽管这些模型能够捕捉土壤数据中的复杂非线性关系，但其“黑盒”特性降低了透明度，可能阻碍用户信任和实际决策[128]。近年来，可解释人工智能（XAI）方法作为一种有前途的解决方案出现，可以通过提供模型行为和预测逻辑的洞察来解决这一挑战。常用于环境和土壤相关研究中的XAI技术包括特征重要性分析、Shapley加性解释（SHAP）和局部可解释模型不可知解释（LIME）。这些方法可以识别最具影响力的输入变量（如光谱带、土壤属性、环境协变量）并量化它们对模型输出的贡献。例如，SHAP值可以揭示特定波长区域如何影响土壤有机碳的预测，而集成模型（如随机森林）中的特征重要性指标可以突显土壤湿度、质地或地形因素的相对重要性。将XAI整合到土壤评估模型中有多个优势：它提高了模型的透明度，使研究人员和从业者能够更好地理解输入数据与预测土壤属性之间的关系，并通过提供可解释的证据来支持决策过程。尽管有这些好处，XAI在土壤科学中的应用仍有限且分散。大多数现有研究主要集中在预测性能上，很少系统地探讨可解释性和可解释性。未来的研究应优先考虑可解释模型的整合、特定领域解释框架的开发以及在多样化农业环境条件下验证XAI方法。此外，先进传感设备（特别是超高光谱传感器和集成物联网系统）的高成本和复杂性继续成为采用的障碍，特别是对于小规模农民而言。基础设施限制，如农村地区不可靠的互联网连接，进一步限制了实时监测系统的部署[129,130]。随着农业系统变得越来越数字化和数据驱动，数据治理问题也变得日益重要[131,132]。确保农民在受益于先进分析的同时保持对其数据的控制是采用可持续技术的关键要求。土壤评估技术与操作决策支持系统之间的联系也尚未得到充分发展。虽然许多研究集中在数据采集和建模上，但较少有研究关注如何将这些输出有效转化为对农民和利益相关者的可操作建议[133,134]。此外，土壤健康的数据化必须积极解决数据治理和农民权益问题。确保数据隐私和透明度对于建立用户信任和防止小规模农民被边缘化至关重要。通过整合可解释的人工智能（XAI），从业者可以为农艺干预提供可解释的证据，确保自动化决策符合主要数据生产者的伦理和实际利益。虽然当前的进步侧重于预测准确性，但在建立标准化的土壤光谱数据库共享机制方面仍存在关键差距，这受到不一致的预处理和异构数据集的阻碍。未来的工作必须促进开放访问的存储库，以加速协作研究，同时解决数据偏见和样本代表性问题。由于机器学习模型通常在不同的农业生态环境中缺乏泛化能力，整合领域适应性和迁移学习对于纠正数据稀疏性和领域转移至关重要。此外，土壤健康的数字化需要采取主动的数据治理措施，确保农民的数据权利和利益受到保护。这包括建立透明的数据所有权和隐私协议，以防止可能缺乏数字素养或基础设施的小规模农民被边缘化[135]。在研究差距方面，目前缺乏全面的、标准化的评估框架，无法对不同的土壤评估技术进行一致比较。现有研究经常使用不同的性能指标、数据集和验证策略，使得难以得出关于各种方法相对有效性的普遍结论[136,137,138,139]。未来的研究应优先考虑开发健壮、可扩展且可在不同环境条件下运行的模型，包括探索领域适应技术、迁移学习和结合物理知识与数据驱动方法的混合建模方法。另一个有前景的方向是推进多传感器数据融合框架的发展，实现光谱学、物联网和遥感数据的统一分析平台。这些方法可以提高土壤评估的空间和时间分辨率，同时增强系统可靠性[139]。解决这些挑战和研究差距对于充分发挥新兴土壤评估技术的潜力并确保其在下一代精准农业系统中的成功应用至关重要。

8. 结论
本综述强调了光谱传感、基于物联网的监测和机器学习作为下一代土壤评估系统的核心创新框架的融合。文献中的一个关键共识是，综合的数据驱动方法在空间覆盖范围、时间分辨率和决策支持能力方面显著优于传统方法。然而，仍存在一些有争议的问题，特别是关于模型在不同土壤类型和地区的可转移性、预测准确性与可解释性之间的权衡，以及对大型高质量数据集的依赖性。此外，与数据异质性、标准化和系统互操作性相关的问题继续限制了大规模应用。基于这些发现，未来的研究应优先考虑（i）开发标准化的多源数据融合框架，（ii）整合可解释的人工智能以提高模型透明度和信任度，（iii）设计成本效益高且可扩展的传感系统，以及（iv）建立稳健的数据治理模型，以确保数据质量、可访问性和伦理使用。这些指导方针为推进土壤监测技术发展提供了明确的方向，旨在实现精准农业中实用、可靠且可广泛采用的解决方案。光谱技术能够快速、无损地评估土壤的化学性质，而物联网传感器网络则能够持续实现在现场监测关键参数，如水分、pH值和养分水平。机器学习模型通过将大量异构数据转换为预测性见解，进一步增强了这些能力，从而支持更高效和适应性的精准农业决策。尽管取得了这些进展，但仍存在一些限制因素，阻碍了技术的广泛应用和操作的可靠性。机器学习模型的性能和可迁移性受到数据质量、校准程序以及环境变化的影响较大。与传感器相关的挑战，包括测量漂移、维护要求以及对现场条件的敏感性问题，都可能影响数据的准确性。此外，经济和基础设施方面的障碍，以及终端用户（尤其是在小规模农户中）的技术水平有限，也继续阻碍着大规模技术的实施。未来的进展依赖于开发标准化和可互操作的框架以实现多源数据整合，同时还需要推动可解释和可扩展的机器学习方法的发展。通过提高技术的可获取性、加强用户培训以及制定政策支持，来加强技术创新与实际应用之间的联系至关重要。总体而言，这些技术的协同使用代表了迈向更高效、可持续和具有韧性的现代农业土壤管理系统的关键途径。