精准农业中的土壤养分管理技术：人工智能在农业领域的全面综述

作者及机构
本文由Niharika Vullaganti、Billy G. Ram和Xin Sun（通讯作者）合作完成，三位作者均来自美国北达科他州立大学（North Dakota State University）农业与生物系统工程系。研究发表于期刊《Artificial Intelligence in Agriculture》2025年第15卷，页码147–161。

研究背景与主题
在全球人口增长和粮食安全压力下，农业集约化依赖过量化肥投入导致土壤退化和环境污染。精准农业技术中的定点养分管理（Site-Specific Nutrient Management, SSNM）通过差异化施肥提高作物产量、保护土壤健康并减少污染，但其实际应用仍受限于技术瓶颈。本文对2013–2024年间97篇文献进行系统综述，旨在梳理SSNM技术的研究进展、局限性及未来方向，为研究者、技术人员和农民提供实践指导。

主要观点与论据

1. SSNM技术的两大核心领域：电化学传感与光谱技术

   • 电化学传感器（如离子选择性电极ISE和离子敏感场效应晶体管ISFET）可直接检测土壤中的特定离子（如NO₃⁻、K⁺），但需复杂的土壤前处理（如提取液制备），且易受膜污染和校准需求限制。
     
   • 光谱技术（尤其是可见-近红外光谱VNIR）通过分析土壤反射光谱预测养分含量，覆盖400–2500 nm波段，已成功用于有机碳（SOC）、氮（N）、磷（P）等参数的实验室和田间测定。例如，VNIR结合偏最小二乘回归（PLSR）模型对SOC的预测精度可达R²=0.81（Srivastava et al., 2015）。
     

2. 多传感器数据融合提升预测精度

   • 单一传感器无法全面测定土壤属性，而融合VNIR、X射线荧光（XRF）、中红外（MIR）等多源数据可显著提高准确性。例如，VNIR与XRF融合模型对镁（Mg）的预测一致性指数（LCCC）达0.93（Javadi et al., 2021）。
     
   • 局限性：数据融合效果因目标属性而异，例如对磷（P）的预测改进有限（Liu et al., 2021）。
     

3. 模型选择与预处理的关键作用

   • 机器学习模型（如随机森林RF、支持向量机SVM）在非线性关系中表现优于传统PLSR。例如，SVM对土壤有机质（SOM）的预测R²为0.92（Chacón Iznaga et al., 2014）。
     
   • 光谱预处理技术（如竞争性自适应重加权采样CARS）可消除水分干扰，但过度处理可能导致特征信息丢失。
     

4. 田间应用的挑战与实验室校准的必要性

   • 土壤异质性（如水分、质地）和粗糙表面会降低原位测量精度。实验室干燥样品的光谱数据通常更可靠，例如在线与实验室光谱的SOC预测R²差异达0.3（Munnaf et al., 2019）。
     
   • 便携式设备（如手持MIR光谱仪）需多次采样平均以减少误差（Metzger et al., 2021）。
     

5. 未来研究方向

   • 技术优化：开发抗干扰传感器（如智能电化学传感）和自动化施肥系统。
     
   • 数据策略：建立区域性光谱库和本地化校准模型，结合辅助参数（如气候、地形）提升预测鲁棒性。
     
   • 跨学科融合：探索深度学习（如卷积神经网络CNN）在数据融合中的应用潜力。
     

论文价值与意义
1. 学术价值：首次系统比较了SSNM中电化学与光谱技术的优劣，明确了数据融合和模型选择的科学依据，为土壤传感技术发展提供了路线图。
2. 应用价值：指出农民采纳SSNM的技术障碍（如校准复杂性），并提出低成本便携设备的开发方向，助力精准农业推广。
3. 政策启示：强调区域性校准和标准化协议对实现联合国可持续发展目标（如零饥饿）的重要性。

亮点总结
- 全面性：涵盖11年间97项研究，涉及6类传感器和12种建模方法。
- 批判性分析：指出“无通用技术”的现实，提出“属性特异性”技术组合策略。
- 前沿导向：呼吁将无人机遥感（UAV）与地面传感结合，构建多维监测网络。

（注：文中缩写首次出现时均标注英文全称，如VNIR=Visible-Near Infrared Spectroscopy；PLSR=Partial Least Squares Regression）