《Crop Design》:Smart Irrigation through IoT and Sensor Fusion: A Multiscale Review for Precision Agriculture
编辑推荐:
农业用水约占全球淡水抽取量的70%,因此高效的灌溉管理对于可持续粮食生产至关重要。基于物联网(Internet of Things, IoT)与传感器融合(Sensor Fusion)的智能灌溉系统已成为有前景的工具;然而,以往的综述往往侧重于单一感知尺度或特
农业用水约占全球淡水抽取量的70%,因此高效的灌溉管理对于可持续粮食生产至关重要。基于物联网(Internet of Things, IoT)与传感器融合(Sensor Fusion)的智能灌溉系统已成为有前景的工具;然而,以往的综述往往侧重于单一感知尺度或特定技术,很少提供面向任务(task-aware)、跨尺度的性能综合及面向实施(implementation-oriented)的指导。本文对2020–2025年间智能灌溉监测在土壤、植物、冠层和大气驱动因子层面的研究进行了系统性的多尺度综合,报告了来自41项涵盖多种作物和气候条件的实证研究的定量证据,以及7篇系统综述的背景性见解(共48条记录)。为确保可比性,研究人员将回归、分类/检测和早期预警任务分开,并相应报告其指标。在可比较的回归情境下,跨尺度融合相较于单一来源监测普遍带来一致的性能提升,通常可将预测误差(RMSE/MAE)降低15–35%,并改善模型拟合度(例如ΔR2增值在+0.10至+0.25范围内,在特定降尺度案例中报告了更大增益)。对于分类/检测任务,研究报告了在研究特定定义下离散任务指标的改善。若干研究还报告了更早的胁迫检测,相对于各研究定义的基线,提前时间最高可达84小时。
1. 引言
农业是最大的水资源消耗部门,灌溉约占全球淡水抽取量的70%。基于物联网(IoT)和传感器融合的智能灌溉被视为提升水资源利用效率的关键路径。然而,现有综述多聚焦单一感知尺度或特定技术,缺乏跨尺度、面向任务的定量综合。本综述以土壤—植物—冠层—大气为主线,系统整合2020–2025年的实证研究,为精准灌溉技术选型提供依据。
2. 文献选择与分析的方法学
该综述遵循PRISMA框架,在Scopus、IEEE Xplore和ScienceDirect中检索2020–2025年文献,采用六组检索式,经去重、文献类型过滤、标题/摘要筛选和全文评估后,最终纳入175项研究;其中41项实证研究和7篇系统综述(共48条记录)进入任务感知的定量综合。提取信息包括作物、环境、尺度、感知方式、IoT架构、融合策略、算法、验证方法等。为保证可比性,研究按回归、分类/检测、早期预警三类任务分别报告指标;回归报告R
2或相关系数r及RMSE/MAE等误差,分类/检测报告Accuracy/F1等离散指标,早期预警报告相对基线的提前时间。质量评估显示,多数研究采用随机划分或随机交叉验证(89.6%),多站点或多季节验证占25.0%,明确报告可比基线的研究占18.8%。补充检索进一步表明,量化早期预警提前时间的高质量证据仍然稀缺。
3. 最新进展与文献综合
3.1 土壤层感知技术与方法
土壤水分监测仍是最基础的灌溉管理手段。点尺度传感器(如电容式探头、时域反射仪TDR)可提供高时间分辨率数据,但空间代表性有限;无线传感器网络(WSN)结合地统计插值可在减少节点数的情况下估计土壤水分,例如将马铃薯田节点从289个减少至25个,相对误差控制在2%以内。卫星与数据融合方法可提升空间分辨率,如融合Sentinel-1 SAR、Sentinel-2光学影像与DEM的XGBoost回归实现R
2=0.891的土壤水分估算;SMAP与Planet SuperDove反射率融合的树模型在9 km基准下达到R
2=0.857、RMSE=0.029 cm
3·cm
?3,优于线性回归基线。卫星方法受重访周期和云层影响,混合地面稀疏传感与卫星融合是更可行的路径。
3.2 植物层感知技术与方法
植物层感知直接反映生理水分状态。茎水势(SWP)被视为多年生作物的参考标准,但传统压力室法难以连续自动化。采用多传感器融合(茎干直径变化、叶温、土壤含水量、气象变量)结合提升回归树(BRT),可在非破坏条件下估计SWP,r=0.90,RMSE=0.16 MPa。热红外(TIR)反演的作物水分胁迫指数(CWSI)经多源校正后,在柑橘上达到R
2=0.73、RMSE=0.03。热成像与可见光图像融合可在莴苣中比土壤湿度传感器提前84小时检测水分胁迫。植物层感知能提供比土壤测量更直接的胁迫信号,但部署和维护要求较高。
3.3 冠层感知技术与方法
冠层遥感可提供田块至区域尺度的空间显式信息。植被指数(NDVI、NDWI、PRI等)是常用水分胁迫代理变量,但易受营养、病害和物候混淆。无人机(UAV)多光谱与热红外融合可在玉米水分胁迫诊断中实现R
2=0.832(植株含水量)和R
2=0.773(归一化气孔导度)。卫星方面,Sentinel-2与Landsat-8结合,以及STAIR、HISTIF等时空融合方法,可弥补空间与时间分辨率之间的权衡。热红外能量平衡模型(METRIC、SEBAL)用于蒸散(ET)估算,支持水分平衡调度。机器学习与深度学习方法(CNN-LSTM-Attention、Transformer等)在多模态冠层分析中表现出较强的精度和可迁移性。
3.4 集成物联网系统、传感器融合与数据分析
集成系统通过分层IoT架构整合异构传感器,边缘计算可降低延迟和通信成本。实际案例显示,土壤、冠层指数、气象与VPD等多源数据经CatBoost回归可在猕猴桃园实现土壤水分预测R
2=0.966。融合策略包括空间融合(克里金、数据同化)、光谱融合(PCA、深度学习多流网络)、时间融合(STARFM、HISTIF)和多模态融合(特征级与决策级)。融合性能提升通常在可比基线中表现为ΔR
2增加和RMSE/MAE降低,但系统复杂度和维护成本也相应增加。
4. 精准农业中的物联网架构与关键组件
典型IoT架构分为感知层、通信层、处理层和应用层。通信方面,LoRaWAN等低功耗广域网(LPWAN)适合电池供电的土壤传感器网络,但带宽有限;WiFi/蜂窝网络支持图像和高频数据,但功耗较高。边缘—云协同架构可在边缘端完成数据滤波、初步胁迫检测和压缩,在云端执行模型训练、复杂图像分析和长期趋势预测。机器学习算法选择取决于数据特征:随机森林和梯度提升适合表格型传感器数据,CNN适合图像处理,LSTM适合时间序列预测,Transformer和集成方法适合多模态融合。数据融合分为数据级、特征级和决策级,不同层次各有适用场景。
5. 感知与融合方法的比较分析
土壤层优势在于连续时间监测和技术成熟,但点测量空间代表性有限;植物层直接反映生理响应,可较早发现胁迫,但自动化难度大;冠层覆盖范围广,可刻画田块内异质性,但属于间接测量并受重访周期和云层影响。跨尺度融合通常优于单一来源:回归任务中ΔR
2提升约+0.14至+0.27,误差降低约18–42%,特定CWSI案例中RMSE降低70%;分类/检测任务中多模态融合相对单模态基线可有25–35个百分点(pp)的Accuracy提升;早期预警最高可提前84小时。最优配置高度依赖场景:高空间分辨率需求可采用UAV多光谱—热红外融合;连续时间监测适合WSN与多传感器植物层集成;大区域评估需依赖卫星时空融合;追求最高精度则需跨尺度集成和先进机器学习。主要研究缺口包括多站点/多季节验证不足、缺乏不确定性量化、实时处理与边缘计算能力不足。
6. 结论与未来方向
综述表明,多源与跨尺度融合在明确基线条件下普遍优于单一来源监测,但最优感知配置具有情境依赖性,且从研究验证到常规部署仍存在较大鸿沟。未来重点方向包括:开展多站点、多季节验证;面向资源有限场景开发简化的最小可行感知系统;推进实时边缘计算与轻量化算法;解决数据互操作性、时间同步和模型可解释性等关键挑战。总体而言,2025–2030年将是任务感知融合管道走向常规应用的关键时期,需要研究、开发、应用与政策层面的协同推进。