综述：人工智能与数字传感技术在多尺度土壤结构研究中的应用：从观测到决策制定

《Computers and Electronics in Agriculture》：Artificial intelligence and digital sensing for multiscale soil structure: from observation to decision-making

　　•AI将土壤传感器数据流转换为结构感知信息。
•计算机视觉改进了孔隙图像的分割和重建。
•多模态融合结合了成像、光谱、地球物理学和遥感技术。
•基于物理的AI提高了数据的可转移性和不确定性处理能力。
•土壤数字孪生模型可以支持人工参与下的决策过程。

**引言**
土壤结构通常被定义为初级颗粒和团聚体的空间排列、孔隙的组织方式，或一个综合的固体-孔隙结构（Tisdall和Oades，1982年；Pagliai等人，2004年；Vogel等人，2022年）。这种结构并非静态属性，而是随着湿润与干燥、生物活动、耕作、残渣返回和气候因素的影响而动态变化（Diel等人，2019年；Fu等人，2020年；Sullivan等人，2021年）。这些变化直接影响水分储存、通气性、热量传递、作物对水和养分的获取、抗侵蚀能力、温室气体通量以及碳保护。

传统评估方法主要依赖于破坏性采样、人工检查和孤立的实验室测量。这些方法对于校准和解释仍然至关重要，但它们在精准农业和土壤健康监测方面的空间和时间覆盖范围有限。成像、光谱分析、水文地球物理学、移动近距 sensing、原位探针和遥感技术生成的数据在分辨率、噪声结构、物理意义以及与实际结构的关联程度上存在差异（Orgiazzi等人，2018年；Ng等人，2022年；Weller等人，2022年）。AI作为一种计算层，能够将这些数据流转换为土壤结构信息（Reichstein等人，2019年；Chen等人，2024a）。

本文旨在探讨农业土壤科学、传感技术和计算建模之间的交叉领域，属于叙事性综述而非纯文献综述。它重点关注农业土壤结构，而非一般的土壤健康监测。只有当土壤生物过程、水文过程和碳相关过程与结构指标、结构形成过程或结构依赖功能相关联时，才会被讨论。在此背景下，AI被视为获取、表示、量化、解释或应用土壤结构信息的工具。因此，本文侧重于农业土壤的计算系统，而不是将AI作为传统土壤测量的通用统计替代方案。

由于土壤结构可以通过直接观察或间接推断获得，本文区分了四种层面的土壤结构信息（Rabot等人，2018年；Vogel等人，2022年）：
- **直接结构测量**：如孔隙几何形状、连通性、迂曲度、团聚体结构和裂缝网络；
- **结构代理指标**：包括体积密度、穿透阻力、团聚体稳定性和水力传导性，这些指标反映了结构状况，但也受质地、含水量和测量环境的影响；
- **影响结构的属性**：如土壤有机碳、黏土含量、矿物组成、根系和微生物活动；
- **结构依赖功能**：包括水分渗透、水分保持、气体扩散、侵蚀风险和碳保护。

这种区分确保了不同层面的土壤结构信息不会被同等对待。例如，从图像中分割孔隙网络的模型、从光谱中估算体积密度、从地球物理数据中推断压实层、或通过遥感预测结构依赖功能的模型，虽然都可以为管理提供支持，但它们所代表的目标并不相同。本文利用这四种信息层次来评估AI是在测量结构、预测代理指标、识别驱动因素还是估算结构依赖功能。

定性野外技术（如视觉土壤评估VSA、土壤结构视觉评估VESS或崩解和分散试验）在确定土壤剖面的物理状态时严重依赖专家判断。尽管这些方法提供了关于视觉、触感和形态条件的快照，但它们可能受到观察者主观性的影响（Ball等人，2007年；Guimar?es等人，2017年），这使得在不同地区或比较不同专家生成的数据集时难以标准化（Guimar?es等人，2011年；Giarola等人，2013年）。

与此同时，实验室方法可以提供各个尺度的定量结构属性。取芯样本可以估算体积密度（BD）和孔隙度（?）（Soil Survey Staff，2014年；Robinson等人，2025年）；筛分和机械破碎试验可以量化团聚体大小分布和稳定性（Dexter，1988年；Le Bissonnais，1996年）；穿透阻力和单轴或三轴压缩试验可以表征机械强度和承载能力（Keller等人，2013年）；水分保持曲线、水力传导性、汞孔隙度测量和气体吸附测量可以描述有效孔隙大小分布和连通性，从而将土壤结构与水分和溶质传输联系起来（Groen等人，2003年；Giesche，2006年）。尽管这些方法是基础性的，但它们存在局限性，限制了学科的发展。

主要限制在于这些方法是破坏性的。取芯或收集团聚体样本会永久改变现场状况，从而无法再次测量相同的体积以追踪其随时间的变化。因此，科学家们只能捕捉到系统对环境因素响应的快照（Bonetti等人，2021年）。传统技术难以捕捉土壤结构的动态变化，无法解释土壤对压力事件或管理干预的反应，同时也忽略了空间变异性带来的干扰。例如湿筛分技术受到施加能量的影响，劳动强度大且成本高昂，限制了其在样本数量和体积上的应用。这导致数据集在空间和时间上不连续，只能提供离散点的集合，而无法连续反映异质土壤景观（Romero-Ruiz等人，2018年；Fu等人，2019年；Fan等人，2022年）。

总之，这些瓶颈限制了土壤结构研究，使其只能描述特定时间和空间的土壤状态，而无法预测其在变化条件下的行为或主动管理其动态（Besson等人，2013年；Keller等人，2021年）。传统方法的局限性正在通过非破坏性、高通量传感技术革命得到解决。图1展示了从稀疏的手动测量向密集的数字数据采集的转变。

在孔隙尺度上，数字成像技术能够解析土壤孔隙网络的三维结构及其相关的结构属性，为理解孔隙尺度的传输和生物过程提供了物理基础（Young等人，2001年；O’Donnell等人，2007年；Gerke等人，2021年）。在土壤剖面尺度上，光谱学、地球物理成像和原位传感器网络可以量化空间异质性，并监测土壤剖面内的动态水热和机械过程，从而在孔隙尺度结构与剖面尺度功能之间建立桥梁（Robinson等人，2003年；Binley等人，2015年；Bittelli等人，2021年）。在从田间到区域的尺度上，近距和遥感平台通过捕捉土壤物理属性、水分状态、植被相互作用和地形特征的空间变异性，将这些观测扩展到更大范围，共同反映土壤结构状况及其随时间的演变（Chrisman和Zreda，2013年；Mohieddinne等人，2023年；Zhu等人，2024年）。这些技术将土壤结构评估从静态、低通量的描述方法转变为数字的、空间明确的、可重复的观测方法。然而，其价值取决于提取特征、协调支持尺度、量化不确定性、验证数据转移效果的计算工作流程，以及将推断出的结构状态转化为管理决策的能力。

尽管这些技术进步在很大程度上解决了数据采集瓶颈，但它们也带来了新的数据整合和解释挑战。高通量传感将土壤结构研究推向了“大数据”时代，其特征是数据量庞大且具有显著的空间和数据可用性差异（Li等人，2023a；Li等人，2023b）。首先，现代传感技术产生的数据量大、维度高且结构异质性强，超出了传统分析方法的处理能力（Reichstein等人，2019年）。传统参数统计方法通常基于线性和平稳性的假设，而在自然土壤系统中这些假设很少成立。此外，基于物理的模型虽然具有机制性，但在高分辨率景观数据下往往计算成本过高（Berliner，2003年；Vereecken等人，2019年；Nearing等人，2021年）。关键的是，CT数据的手动解释（包括阈值选择和逐层标注）依赖操作者，限制了数据处理效率（Iassonov等人，2009年；Tuller等人，2013年）。

其次，这些技术凸显了长期存在的尺度差异问题。土壤结构本质上是多尺度的，不同尺度上会出现不同的特征和功能。尽管土壤结构受孔隙尺度过程（如毛细作用、吸附、扩散、优先流、微生物活动、根系穿透和团聚体形成）的支配，但通常通过剖面或田间尺度的整体或平均属性来管理和监测（Lin，2003年；Vereecken等人，2007年）。从微米尺度的CT扫描到公里尺度的卫星图像，不同的测量方法之间的差异阻碍了鲁棒转移函数的开发。传统的上采样方法（如线性平均或有效参数方法）往往无法充分反映复杂的结构异质性和由此产生的土壤功能（Vereecken等人，2007年；Bonetti等人，2021年）。因此，如何在微观尺度上理解的过程与景观尺度上进行关联，或如何将景观观测结果下采样到微观尺度上，仍是一个关键的知识空白（Jury等人，2011年；Fatichi等人，2020年）。

最后，尽管传感器数据变得越来越容易获取，但由于真实观测数据稀缺，土壤结构研究仍受到限制。虽然近距和遥感技术可以提供连续的高分辨率结构代理指标（如光谱反射率），但由于标准实验室分析的成本和复杂性，直接测量土壤结构（如团聚体稳定性或水力属性）的数据仍然有限（Fan等人，2022年）。高质量的土壤结构数据的缺乏成为将原始传感器数据转化为结构信息的主要限制因素。由于在大尺度上获取真实数据不可行，克服这一限制需要能够填补数据空白并从稀疏观测中提取最大价值的框架。

应对这些挑战需要专为农业应用设计的计算方法，而不仅仅是孤立预测。AI可以学习非线性表示、融合多模态数据并从有限观测中泛化，但这些能力只有在与传感器物理特性、独立验证、不确定性估计和决策背景相结合时才有用。以下部分将评估AI产生的土壤结构信息、信息的可靠性及其支持的决策类型。

本文的必要性在于，土壤结构监测正从稀疏的破坏性采样转向高维、多尺度的数字传感，而AI方法的快速发展超过了它们被整合到可转移农业决策中的速度（Wadoux等人，2021年；Todd-Brown等人，2022年；Fan等人，2022年；Weller等人，2022年；Minasny等人，2024年）。目前，关于成像、土壤剖面和田间传感、远程观测、尺度转换和管理应用的证据分散，难以确定哪些传感器-模型组合适用于特定的结构目标和决策。此外，单项研究中的高性能并不能保证在不同地点和尺度上的通用性和操作价值（Ploton等人，2020年； Nguyen等人，2021年；Hüllermeier和Waegeman，2021年）。因此，需要一个以土壤结构为中心的综合框架，将目标、传感器、AI方法、尺度转换、验证和管理联系起来。

基于此背景，本文做出了五个贡献：
- 将土壤结构定义为可以直接测量、代理指标、驱动因素和功能所识别的机器可读目标；
- 比较了不同尺度（孔隙、土壤剖面、田间和景观）上的数字传感和AI工作流程；
- 评估了验证能力、可转移性、不确定性、可解释性和过拟合风险，而不仅仅是预测准确性；
- 将AI生成的土壤结构信息与实际农业决策联系起来；
- 识别了土壤数字孪生模型和人工参与决策系统的短期应用机会及长期研究需求。

**方法论概述**
本文是一篇结构化的叙事性综述和范围界定综合。它不是系统综述、元分析、AI应用的全面总结或正式算法排名。其核心问题是：AI和数字传感如何将异质性的土壤结构观测转化为跨尺度的可靠、可转移且与决策相关的信息？这个问题通过土壤结构、传感方式、AI或统计方法来组织证据的综合分析。

**AI在农业土壤数据流中的应用**
只有当模型架构与数据流和决策问题相匹配时，AI才对农业土壤结构有用。同一个算法标签可以指代非常不同的任务：在三维图像中分割孔隙、根据体积密度或团聚体稳定性校准光谱、过滤噪声电介质或热时间序列、融合近距和卫星观测数据，或构建用于场景测试的土壤数字孪生模型。在这里，AI被用作一个广泛的类别。

**土壤结构表征的AI基础流程**
基于AI的土壤结构表征可以根据从孔隙和团聚体到土壤剖面、田地和景观的层次结构进行组织。在这些尺度上，该过程涉及两个相互关联的组成部分。观察指的是对结构特征及相关信号的感知和测量，包括颗粒、团聚体、孔隙网络、水分状态、光谱响应和地球物理性质。表示则是指利用人工智能（AI）将这些原始或半处理的数据转化为可用于农业决策的形式。农业土壤信息的缩放算法是高分辨率结构观测与农业决策所基于的空间单位之间的计算桥梁。土壤通量和结构性质通常在毫米到厘米的尺度上进行测量，而灌溉、机械作业、耕作、侵蚀控制以及碳管理决策则是在地块、田地、农场、流域或区域尺度上进行的（Vereecken等人，2007年）。AI可以作为这些领域之间的转换工具，但前提是这些表示方法必须能够支持农业决策。

从土壤结构表示到农业决策支持：当AI生成的信息能够在实际农业应用中发挥作用时，其对于土壤结构研究的实用价值才能得到体现。例如，一个分段的孔隙网络模型、预测的土体密度图、压实风险层或土壤湿度预报只有在能够为灌溉、机械作业、耕作、侵蚀控制、改良剂施用、碳管理或修复规划提供依据时才有意义。越来越多的AI框架将微观观测结果、剖面测量数据和景观推断与实际决策功能联系起来。

研究缺口与建议：前面的内容表明，AI可以从图像、光谱、地球物理测量数据、原位传感器以及远程观测中提取土壤结构信息。下一个挑战是如何将这些信息有效地应用于实际农业系统中。农业决策系统需要具备以下特征的模型：能够在不同地点通用、在超出校准范围的情况下仍然合理、能够充分考虑不确定性、易于用户理解、计算成本可控，并且与人类的专业知识相兼容。图10总结了这一领域的研究议程。

结论：基于AI的土壤结构研究正成为数字农业的重要组成部分。随着土壤监测技术从破坏性采样和低频率点测量向更高效的方法发展，主要的瓶颈已经从数据采集转移到了数据解释和应用的合理性上。成像仪器、光谱技术、地球物理方法、原位探针、移动式近距传感器、无人机和卫星现在可以在孔隙、土层、田地和景观等多个尺度上生成异构数据流。AI为这些数据的有效利用提供了强大的支持。

**CRediT作者贡献声明：**
- Fu Yongwei：撰写——初稿；方法论；研究设计；资金筹集；概念化。
- Zhou Hu：撰写——审稿与编辑；方法论。
- Heitman Joshua：撰写——审稿与编辑；资金筹集。
- Minasny Budiman：撰写——审稿与编辑；监督；方法论；定量分析。
- Ren Tusheng：撰写——审稿与编辑；验证。
- Li Baoguo：撰写——审稿与编辑；定量分析。
- Binley Andrew：撰写——审稿与编辑；监督；方法论；定量分析。

**利益冲突声明：**作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

**致谢：**本研究得到了中国国家重点研发计划（2025YFD1500300）、国家自然科学基金（42407414）、北京市高精尖创新计划青年科学家资助项目（20250684）、中央高校基本科研业务费（15055005）以及美国农业部-国家食品与农业研究所的多州合作项目（5188）的支持。

作者列表：Yongwei Fu | Hu Zhou | Joshua Heitman | Budiman Minasny | Tusheng Ren | Baoguo Li | Andrew Binley | Zhuangji Wang | Robert Horton