农田土壤墒情监测预报研究进展

崔勇¹, 王明国¹, 张战胜¹, 耿荣¹, 王晓媛¹, 王旭敏¹, 李成虎², 赵东³

(1. 宁夏农业技术推广总站，银川750001; 2. 海原县农业技术推广服务中心，中卫755200; 3. 原州区农业技术推广服务中心，固原756000)

*项目基金: 宁夏旱作农田土壤墒情与旱情评价指标研究（2022BSB03061）。

 

【摘 要】农田土壤墒情是农情监测的重要指标，对作物生长起到至关重要的作用，及时准确掌握土壤墒情空间分布情况，在实现因地制宜、适时适量灌溉，提高农业用水效率等方面具有重要意义。在收集、整理、分析国内外相关文献的基础上，探讨了土壤水分影响因素，归纳了传统墒情监测、遥感反演、土壤墒情预测技术应用现状，并就农田精准灌溉管理的探索等进行了分析，以期为今后作物精准灌溉提供有力支持，助力旱作节水农业高质量发展。

【关键词】墒情监测; 遥感; 节水农业

doi:10.16867/j.issn.1673-9264.2024030

中图分类号：S152.7         文献标志码：A

引用格式：崔勇，王明国，张战胜，等. 农田土壤墒情监测预报研究进展[J]. 中国防汛抗旱，2024，34（10）：54−63, 101

CUI Yong，WANG Mingguo，ZHANG Zhansheng，et al.Research progress on monitoring and forecasting technology of soil moisture in farmland[J].China Flood & Drought Management，2024，34（10）：54−63, 101

 

 

 

 

中国水资源总量不多，淡水资源只占世界的6%，每年我国农业灌溉缺口为300亿～450亿m³，干旱缺水严重威胁国家粮食安全和社会稳定^[1-3]。近年来全球气候变暖，干旱发生的强度、频次及影响程度呈现上升趋势^[4-5]，据统计，中国每年因农业干旱造成的经济损失及粮食减产分别达451亿元、300亿kg^[6]。在有限的资源条件下，为改善作物生长状态，减轻干旱造成的危害，需不断提高水资源利用率，而土壤墒情监测则是实现水资源高效利用的重要技术手段。

土壤墒情指土壤干湿程度，可用土壤含水率来表示，即土壤含水量占烘干土重的百分数。土壤墒情在空间、时间范围上变化较大，是农业学、生态环境学、气候学、水文学等研究领域中的重要指标，也是作物旱情监测、估产等方面的重要参数^[7]。开展土壤墒情监测，准确获取土壤墒情信息，对制定作物灌溉计划，指导农业建设、农田生态环境修复及防旱抗旱，实现精准灌溉和灌溉自动化都具有重要意义^[8-9]。2020年，在农业农村部、财政部联合印发的《关于做好2020年农业生产发展等项目实施工作的通知》中，将“测墒节灌”作为“持续推进农业绿色发展”的主要技术，这也使得人们越来越关注土壤墒情监测。

目前，土壤墒情监测主要从原位观测、遥感估算、模型模拟3个方面着手，本文阐述了传统墒情监测、遥感反演、土壤墒情预测技术应用现状，并就农田精准灌溉管理的探索等进行了分析，以期为今后旱作节水农业高质量发展提供参考和方向。

土壤墒情是影响作物生育的土壤水分条件，其在干旱地区农业、生态及环境中扮演着关键角色^[10-11]。土壤墒情主要受气候、地形、土壤性质、植被、土地利用类型等因素影响^[12]。其中，气候因素包括降水、蒸散发、入射太阳辐射、温度等，降水、蒸散发能够对土壤墒情产生直接影响，入射太阳辐射、温度对土壤墒情产生间接影响；地形因素包括坡向、坡度、曲率、相对标高等；土壤性质因素包括质地、有机质含量、孔隙度等。地形与土壤性质是影响土壤墒情时空变化最重要的因素之一；植被可以吸收其根部周围水分，从而影响土壤墒情动态^[13]；土地利用类型则能够对水分入渗速率、径流速率和蒸散过程等产生影响，这种影响在植物生长季表现得更加明显^[14]。土壤墒情影响因素因流域大小而异，在一个小流域内，地形和土地利用类型因素显著影响土壤墒情的空间变化，而在较大区域内，气候为影响土壤墒情的主要因素^[15]。

20世纪50年代到70年代后期，由于土壤墒情影响因素多，且关系复杂，我国在较长时间内没有制定相对完善、符合实际生产的观测方法，该时期最常用的测定方法为烘干法^[16]。但烘干法测量时必须将样品从土壤中移出烘干，耗时费力、取样破坏性强，由于每次取土位置的变化，很难实现定点土壤墒情的连续观测。且烘干法一般只能测定重量含水量，而通常农业实际生产需要的是土壤体积含水量，因此由烘干法测出的含水量必须经过相关换算后，才能求出土壤体积含水量，这也限制了该方法在土壤水分测量中的应用^[17]。

从20世纪70年代后期开始，国内外研究人员对原位观测方法进行了大量的实验研究，土壤墒情原位观测技术取得较大发展。

（1）国外。Hawley等^[18]研究土壤特性、植被覆盖、地形变化对农田土壤水分的影响时提出，地形是土壤水分最主要的影响因素，植被往往削弱地形对土壤水分的影响，土壤特性的轻微变化所产生的影响与其他影响因素相比是微不足道的。Famiglietti等^[19]指出有作物的农田或草原的土壤含水量在小于1 km范围内更接近于Beta分布。Entin等^[20]研究了俄罗斯、美国、中国、蒙古等国家的墒情数据，提出将墒情研究范围分为大、小两个尺度，其中大尺度墒情主要取决于降水、蒸发等大气因素，而小尺度墒情主要受土壤类型、地势、植被等因素的影响。Fernandez等^[21]基于西班牙杜罗河盆地23个网络墒情监测站的观测数据，进行土壤含水量时间稳定性分析时发现，这些站点的空间分布从水文学角度来看符合土壤学标准及自然地理标准。

（2）国内。杨诗秀等^[22]基于河南商丘大吴庄实验站的实验研究，利用数理统计方法，得出土壤水分空间变异性、取样数目及方法等成果，并编写“田间墒情监测指南”。她还在1996年分析了田间土壤水分的空间变化特征和时间动态变化，探索了监测农田水分变化时如何确定其合理的取样数目，并讨论了农田尺度的土壤水分应如何监测。罗毅等^[23]则认为，土壤表层以下1 m内土壤含水量空间分布上趋于正态分布，且一次随机布点、混合随机布点、均匀布点、二次随机布点在墒情监测中可行。

发展阶段较起步阶段无论从研究方法上，还是从硬件的制造水平上都有了很大程度的提高，目前，中子散射法^[24]、γ射线衰减法^[25]、时域反射法^[26-27]、频域反射法^[28]、电阻法^[29]、张力计法^[30]等方法已得到较为广泛的应用，较大程度上弥补了烘干法的不足。

（1）水分传感器。前人基于上述原理开发了多款水分传感器，如10HS、GS3、Hydra Probe II、ECH2O、TEROS 21、ML2x、YL-69、STEMMA、SKU：SEN0193、SM300、PR2型传感器等^[31]。近年来，吕东等^[32]设计了一种管式土壤水分传感器，其圆环轴向间距10 mm、圆环轴向长度20 mm，测量结果与干燥法对比，最大绝对误差为1.60%。杨梅等^[33]利用STM8L051F3P6单片机、温度传感器、平行板电容探针、光敏电阻、空气温湿度传感器等，设计了一种土壤环境信息传感器。盛庆元等^[34]则改进ECH2O电容式传感器探头结构，将探头极宽与极距之比设为0.8～1，并结合谐振原理，提出一种单侧敏感型土壤水分传感器。戴宇培等^[35]也对电容型土壤含水率传感器进行优化设计，其含水量测量范围为0%～60%，误差在2%左右。

（2）水分测试仪器。相应土壤水分测试仪器开发方面，宋庆恒等^[36]结合CC2530小系统、FDS100水分传感器、GPS定位模块等，设计一款便携式土壤水分测试仪，此仪器使用成本低、操作简单、测量速度快，实测误差小于2%。吕华芳等^[29]借鉴张力计结构与监测原理，研制“硅藻土—过滤器”型土壤墒情传感器，在此基础上设计一体化土壤剖面墒情监测仪，该仪器使用干密度0.5 g/cm³的硅藻土及孔隙度为2 μm的过滤器，能保证在野外持续稳定运行3～5 a。Abdelmoneim等^[37]采用ESP32单片机、BMP180传感器和SD卡模块，开发和验证了一个低成本的土壤水分张力计。Kim等^[38]、Balagh等^[39]则分别基于时域反射法、中子散射法设计了一种土壤水分测量系统。此外，Sentek公司的Envir-o SCAN型土壤水分扩线系统、IMKO公司的TRIME-PICO-BT型便携式土壤剖面水分速测仪、东方生态的智墒系列产品等，性能也十分可靠^[40]。

（1）传感器探头。传感器探头尺寸优化方面，张颖等^[41]对基于频域反射法的土壤水分传感器探头进行仿真分析，确定适宜参数为：环状电极半径28 mm、电极间距12 mm、轴向宽度28 mm、电极厚度1 mm。闫华等^[42]则对土壤剖面水分传感器探头进行了仿真分析，确定探头结构适宜尺寸为：电极内径38.4 mm、外径40 mm、轴向间距15 mm、轴向长度20 mm。

（2）传感器的数量及埋设位置。汪涛等^[43]基于改进K-medoids算法对土壤墒情传感器的数量及位置进行优化，有效解决传感器数量过多、数据冗余等问题，改进后所得的含水率相对偏差较改进前降低30%左右，此法在不同天气条件下均可适用。张武等^[44]利用近邻传播算法对茶园土壤墒情传感器数量及位置进行了优化，使传感器数量从25个减少到2个，从而降低了数据冗余，节约了检测成本。李泳霖等^[45]通过对农田0～70 cm深度土壤剖面含水量的长期监测指出，水分传感器合理埋设深度为28～30 cm。韩红亮等^[46]还指出，蔬菜大棚内单个墒情传感器埋设深度应当在10～16 cm。

（3）传感器性能对比。张麒昆等^[47]对CS655、TDR315H、Teros12、5TE、Hydra Probe Ⅱ土壤水分传感器的测量准确度进行对比，结果发现，TDR315H更适合用于河北平原农田土壤含水量的监测。苏志诚等^[48]对两种频域反射性传感器的性能进行分析时发现，两传感器与烘干法测量值的相对误差分别是13.8%、9.9%，均方根偏差分别为3.8、2.8。吴勇等^[49]还对3种频域反射性土壤水分传感器进行田间性能测试，结果证明，传感器Q1、Q2稳定性高于传感器Q3。

（4）数据校准。Kang等^[50]在研究根系生长对频域反射传感器测量数值的影响时发现，斜率、截距这两个校正系数均随根系的增大而减小，生菜幼苗移栽天数、根鲜重、根干重、根含水量都对土壤含水量测量值产生负效应，建议在相关应用中充分考虑植物根系这一影响因素。Chen等^[51]则发现温度影响水分传感器的读数，需要对数据进行校准，以提高测量精度；其中，频域反射性土壤水分传感器若要满足静态校准结果体积含水量最大允许误差2.5%的要求，不同传感器标定的温差就不能超出20 ℃^[52]。此外，土壤氮含量、土壤盐度、灌溉水质等均对测量数值产生影响，需进一步校正以提高数值精度。

地面实际测量是土壤墒情监测的传统方法，目前已得到较为广泛的应用，Vanella等^[53]利用中子探测仪、电阻率层析成像等揭示以土壤异质性为特征的杏园土壤水分动态。Laura等^[54]利用时域反射探针测定非饱和带不同深度土壤的电导率和含水量，同时进行电阻率层析成像测量。Medhat等^[55]利用γ射线衰减法对埃及不同农业区土壤样品进行检测，通过计算确定了样品的质量衰减系数及土壤容重、含水量、孔隙度和田间持水量等指标。Bruno等^[56]则采用频域反射法，对森林不同剖面采集的1 512个样品的土壤含水量开展检测。Martínez-Gimeno等^[57]、Krzeminska等^[58]也分别采用此法对西班牙东部柑橘园及挪威东南部地区土壤水分进行了实地监测。同时，Ganiyu等^[59]利用电阻法测定尼日利亚阿贝奥库塔地区农田土壤含水量时发现，所有土样均为沙壤土，0.5～2.0 m深度土壤含水量在45%～74%。

前人对原位观测的理论和相关仪器设备进行了大量研究，目前已有张力计法、中子散射法、频域反射法、电阻法等多种测定方法应用于农田墒情观测；研发的传感器类型涉及陶瓷水分传感器、电解质水分传感器、高分子传感器、压阻水分传感器、光敏水分传感器、微波法水分传感器、电容式水分传器等。但各种测定方法都存在或多或少的问题，如张力计法测定时间长，中子散射法、时域反射法、频域反射法使用成本较高，γ射线衰减法需要大量的时间和设备用于校准，而且就不同观测方法对各种土壤类型的适用性缺乏了解，墒情监测的综合性方案不足。今后，操作简单、准确性高、成本及劳动力需求低、预期寿命长是原位观测的重点研究方向，同时各种观测技术的适用性鉴定，以及纳米级土壤水分传感器的研制及使用也是实现精确观测土壤墒情的研究重点。

遥感是大面积精确估算土壤含水量的重要手段，其多时相、多波段的特征有效克服了常规测量方法存在时空异质性、不能在不同时空尺度下表征土壤湿度的问题，这对研究空间大尺度土壤水分时空特征意义重大。近年来，随着遥感空间分辨率及光谱分辨率的进一步提高，其全覆盖、高时效的优点显著增强，使得基于遥感技术的土壤墒情监测方法得到广泛关注与应用^[60]。目前，该方法主要分为基于可见光至近红外波段数据及微波雷达数据的反演两类。

可见光至近红外遥感空间分辨率较高，其中的高光谱遥感（400～2 500 nm）与地面、机载、高空传感系统协同应用，可实现不同时空尺度估计土壤含水量的目的。热红外遥感（3.5～14 μm）与可以提供植被指数的光学传感器一起使用，其估算精度也较高，但反演过程较为繁琐，更适合在大面积区域使用^[61]。

微波遥感主要分为主动微波遥感和被动微波遥感。

主动微波遥感为使用传感器主动发射微波信号并接收该信号与探测目标作用后的后向散射信号，构成遥感数字图像，常用于搭载主动微波传感器的卫星有Sentinel-1、RadarSat、ENVISAT/ASAR、ASCAT、GF-3等，其反演模型主要有IEM模型、AIEM 模型、小扰动模型、MIMICS模型、Oh模型、Dubois 模型、Shi模型、水云模型等^[62]。该技术可探测地下5 cm深度的土壤水分信息，具有全天时、全天候、测量范围广等优点，但时间分辨率低，数据处理较困难^[63-64]。

被动微波遥感为基于微波辐射计探测地物辐射亮温从而实现土壤含水量的反演，他支持全球及大区域大尺度土壤水分时空特征研究，常用的被动微波卫星和微波辐射计主要有SSM/I、AMSR-E、SMOS、AMSE-2、SMAP等，其反演模型主要有H/P模型、ω-τ模型、Q/H模型、Q/P模型等^[65]。目前土壤水分降尺度方面的研究为被动微波反演土壤含水量的热点，其方法主要有地统计插值法、多元统计回归方法、机器学习方法、数据同化方法、主被动微波遥感融合、被动微波与光学遥感融合等^[66]。该技术时间分辨率较高，数据量小易于处理，适合大区域尺度土壤水分的反演，但空间分辨率不高，制约了其在小区域尺度上的使用。

国内外专家学者针对主动、被动微波遥感存在的优缺点，尝试开展将主被动微波遥感联合应用于土壤水分监测，该技术主要适用裸露地表、植被稀疏、植被覆盖地表，反演模型有前向模型、几何光学模型、水云模型、ω-τ模型、离散植被散射模型等。主被动微波联合法通过优势互补，简化土壤水分估算过程，有效提高了反演精度^[64]。

近年来，遥感技术快速发展，数据源日渐丰富，土壤水分反演模型及方法研究受到专家学者高度关注。其中，巩文军等^[67]使用MODIS、Landsat8多源遥感的混合象元分解，建立了线性、对数及指数函数的拟合模型，所得土壤含水率与实测含水率相关系数达0.73。Mohammad等^[68]提出了一种基于人工神经网络Kriging的数据驱动模型，以捕捉土壤含水量和辅助数据之间的交互作用，通过调整，该产品的无偏均方根误差小于0.04，满足SMAP土壤水分反演的精度要求。Bai等^[69]利用SMOS卫星L波段数据提出了一种多时相、多角度的被动微波遥感方法，用于反演植被光学厚度、有效散射反照率、土壤表面粗糙度和土壤含水量。同时，葛翔宇等^[70]基于无人机高光谱影像，利用随机森林、梯度提升回归树、XGBoost算法，构建土壤墒情集成学习算法估算模型。Ma等^[71]还提出了一种利用高时空分辨率Sentinel-2影像反演和量化土壤湿度空间异质性的方法。

此外，机器学习与多源遥感数据相结合的土壤含水量反演方法的研究也备受关注，Zhao等^[72]对Sentinel-1/2和Radarsat-2遥感数据中提取的特征进行相关性分析，选取相关系数较高的特征组成最优特征子集，提出一种基于特征优化和机器学习的农田土壤表层含水量多源遥感反演方法。Wang等^[73]也提出一种堆叠式集成学习架构下基于多个差异化模型的土壤含水量反演方法，该方法在干旱区土壤表层水分反演中表现出较高精度，可在土地荒漠化研究及生态环境治理中提供数据参考。

遥感反演土壤水分过程中，选用的产品和模型直接影响监测结果可靠性。吴小丽等^[74]对欧洲航天局发布的气候变化倡议土壤水分遥感产品在青藏高原的适用性进行评估，发现其主动产品过高估计了研究地区的土壤水分，被动产品空间分布变化范围过大，主被动组合产品在0～0.65 m³/m³空间上最接近当地实际水分分布情况。Mohseni等^[75]也从不同的角度对SMAP/Sentinel-1土壤水分反演产品进行了评估，发现SMAP/Sentinel-1反演结果与多数站点的原位土壤含水量监测数据一致性较高。Fan等^[76]则对SMOS、SMAP、GCOM-W、FY-3B和FY-3C卫星的6种被动微波遥感反演土壤水分产品的使用效果进行验证，并用这些数据分析了地形、土地覆盖和气象因素对土壤水分反演精度的影响，结果表明，SMAP在该研究中综合表现最好。此外，郭交等^[77]基于Oh模型、SVR模型、GRNN模型结合Sentinel-1和Sentinel-2遥感数据反演农田地表土壤水分，发现基于SVR模型的多特征参数组合反演效果最好，其测试集相关系数及均方根误差分别为0.903、0.015。

遥感技术已在土壤墒情反演方面得到较为广泛的应用，Chen等^[78]利用L波段InSAR沉降和P波段PolSAR后向散射联合反演方案，估算了永久冻土活动层的厚度及土壤剖面含水量。张钧泳等^[79]以Sentinel-1和Landsat-8为数据源，使用水云模型去除植被影响后反演了地下水埋深及土壤表层水分。Greifeneder等^[80]也使用Sentinel-1 SAR、Landsat-8数据，结合梯度决策树的机器学习方法，对全球地表土壤墒情进行反演时发现，不同土壤类型的反演结果略有差异，相关系数及均方根误差分别是0.81、0.04。巩文军等^[59]则利用Landsat-8、MODIS遥感数据，分别结合表观热惯量、植被供水指数法反演河南焦作市广利灌区土壤墒情，其反演结果与实测数据相关系数分别是0.51、0.47，对这两种方法反演的土壤墒情进行融合计算，其结果与实测数据相关系数可达0.73。

作物种植田块土壤墒情反演方面，王钧等^[81]使用张家港市返青期冬小麦种植区的无人机多光谱遥感数据，结合逐步回归法构建土壤墒情反演模型，该模型土壤墒情反演决定系数可达0.782～0.885。王金鑫等^[82]基于MODIS和Sentinel数据，结合地表粗糙度、植被覆盖、不同湿度土壤对后向散射的贡献，运用BP神经网络模型对河南省中东部冬小麦全生育期土壤墒情进行反演。李艳等^[8]同样利用Sentinel-1、Sentinel-2数据，结合全连接深度神经网络的监督学习模型反演河南鹤壁市麦田土壤墒情，反演结果跟实测数据的决定系数、均方误差分别为0.925 2、0.000 8，可用于大规模的土壤墒情反演，且利用Sentinel-1A和Landsat8多源遥感数据，结合改进的水云模型对河南西北部玉米覆盖下的土壤墒情进行反演^[83]。郭二旺等^[7]则对玉米地土壤墒情进行反演，反演过程中利用Sentinel-1A、Landsat8遥感数据，并结合水云模型及AIEM模型，其估算结果与实测值的相关性可达0.7。同时，黄友昕等^[84]、Chen等^[85]还分别使用遥感技术对小麦田、葡萄园土壤含水量进行了监测。

通过遥感数据反演土壤含水量进行墒情监测具有广阔的前景，不过目前遥感反演研究主要是基于遥感参数与实测数据之间的关系获得区域土壤水分数据，所以如何摆脱实测数据等非遥感的支持，仅依靠遥感数据进行墒情监测是遥感反演土壤水分研究的一个重点和难点。同时，时间分辨率、空间分辨率是遥感数据必不可少的参数，怎样通过信息互补及数据融合提高时间分辨率或空间分辨率是遥感应用的研究趋势。区域深层及根区土壤水分也是必不可少的变量，如何通过遥感数据获得区域深层及根区土壤水分也是研究的热点和难点之一。今后在不同区域、不同深度、不同时间尺度和空间尺度下的土壤遥感监测还需更加细致的研究。

模型模拟是基于土壤水分模拟模型对土壤水分的增长及消减程度进行预测，它是灌溉预测的基础，尤其对水资源短缺地区水分的合理调控意义重大，目前国内外常用的土壤墒情估计方法主要有经验统计法、消退指数法、土壤水动力学法、水量平衡法、时间序列分析法、误差反向传导神经网络法等^[86]。前人在模型模拟方面进行了大量研究，吴润泽等^[87]利用河北邯郸市近10年的土壤墒情监测资料，通过经验统计法构建土壤墒情动态预报模型，其预报精度达到甲级预报水平，能够准确预测壤土、粘土质地下土壤墒情情况。王铁英等^[86]利用天津武清区西吕村3个监测点2017—2019年实时土壤含水率数据，构建动态土壤墒情预测模型，此模型拟合程度、预测精度较高，10 d及15 d预见期时预测相对误差分别为1.13%～2.94%、1.66%～4.52%。张武等^[88]则利用安徽黄山市太平区茶园不同采样间隔（10 min、30 min、60 min、90 min、120 min）、不同深度（20 cm、40 cm、60 cm）的土壤墒情数据建立多元二次回归、BP神经网络、LSTM深度学习模型预测模型，并对预测结果进行对比分析，结果发现，本试验条件下最为适合的监测采样间隔为30 min，土壤墒情预测最精确的模型为LSTM深度学习模型。牛宏飞等^[89]利用北京延庆区2012—2016年的土壤墒情及气象数据，分别建立基于主成分分析的径向基函数神经网络、误差反向传导神经网络及线性回归方程3种预测模型，并随机选取2016年100组数据进行预测检验，结果表明，基于主成分分析的径向基函数神经网络模型精度最高，为96.8%，误差反向传导神经网络模型、线性回归方程模型精度分别为95.7%、94.6%。薛明等^[90]还提出一种基于误差反向传播、遗传算法、改进粒子群算法、神经网络和支持向量机的土壤墒情组合预测模型，并采用安徽安庆市8个农田土壤墒情监测站资料进行验证，该组合预测模型模拟精度高，适于土壤墒情的短期预测。此外，为准确预测土壤墒情，Ramendra等^[91]、Togneri等^[92]、Liu等^[93]也均提出了土壤墒情估计模型或方法。

土壤水分的增长和消退过程不仅与土壤特性有关，还涉及根系层和外界的水分交换，如灌溉、降水、蒸散发、根系层下边界水分通量等与气象、土壤水分等因子之间存在较为复杂的非线性关系，导致土壤水分变化规律比较复杂。模型模拟土壤墒情前景广阔，不过已知模型尚存在适用范围窄，实践性差，操作复杂等问题，今后全面反映土壤参数的空间变异性或降水、蒸发等随机因素影响的墒情预报随机模型研究，非均匀植被下土壤水分模拟与预报，土壤水分通用模拟软件的开发及应用，土壤水分动态与其他水文过程的综合研究等是模型模拟的重点方向及研究趋势。

农田精准灌溉的前提是对作物缺水情况的精准诊断及科学的灌溉决策，生产中可根据农田土壤水分状况来确定灌溉时间及用水量^[94]。随着传感器技术、遥感技术、信息技术的快速发展，前人已通过移动式测量、固定站点监测、遥感监测等数据采集方式及蓝牙、ZigBee、NB-IoT等信息技术开发出多种监测系统，硬件和软件上的巨大进步使得农田精准灌溉管理成为可能。

系统研发方面，王路路等^[95]利用系统集成、移动互联技术设计了一套多层次土壤墒情监测系统，可满足寒地水稻旱直播灌溉对数据的需求。杜青青等^[96]结合山地果园实际情况，提出了一种基于LoRa的果园自动墒情监测系统，可有效满足果园远程监控的需求。Fendi等^[97]也基于LoRa研制了一种低成本农田土壤墒情监测系统，有效解决墒情监测中功耗大、通信距离受限、无法组网等问题。同时，为促进旱地作物生产灌溉用水管理，Aring等^[98]开发了一套低成本土壤水分监测系统，该装置由电容式土壤水分传感器、ESP8266 Wi-Fi模块、RTC数据采集器构成，土壤水分测量值通过ESP-NOW传输到同样使用ESP8266 Wi-Fi模块的服务器，成功实现数据远距离传输。Ekanayaka等^[99]也使用低成本的电容式土壤水分传感器，设计了一套自动化土壤水分监测系统，这都为实现农业灌溉系统的精准控制提供了保障。

使用效果方面，董志强等^[100]在石河子数字农业示范田使用土壤墒情实时监测系统指导棉田灌溉时，并未出现减产减质情况，且棉花生育期内灌溉次数较以往下降1～3次，实现节水20%。鲁旭涛等^[101]利用基于智慧农业技术的网络化水田作物精准灌溉系统对江苏地区水稻田进行仿真时发现，使用该系统的灌溉设备动作频次、灌溉量、排水量可分别较传统非智能决策系统减少26.67%、40.82%、33.89%。刘永河等^[102]还在河套灌区开展农业精准化配水技术示范，节水率可达30.2%，作物增产10.8%，农民用水协会工作量减少了50%。此外，周浩等^[103]利用AgentLA模型划定挠力河流域农田灌溉区时发现，在20%的农田灌溉目标面积下，该流域83.4%中度、99.86%重度、0.71%正常和100%的严重缺水农田需要灌溉管控。

目前，我国多数农田仍采用大水漫灌等粗放型灌溉方式，很大程度上造成了水资源的浪费，且不利于作物生长。在水源日趋紧张的背景下，开展精准灌溉管理已是大势所趋，其中，土壤墒情监测预报是实现农田精准灌溉的重要一环。虽然前人在土壤墒情监测预报方面进行了大量研究，但土壤水分影响因素复杂，现有技术手段均存在或多或少的缺陷。随着技术的进步和科技的发展，应进一步深化土壤墒情变化机理机制研究，加强快速、准确、低成本测定土壤湿度仪器的研发与推广，强化墒情传报方面通信技术的研究，重视土壤墒情自动监测系统技术集成，不断简化操作模型，强化模型适用范围及实践性，进一步保证农田土壤水分数据的准确性及实时性，节省测算所需人力物力，提高数据获取时效、自动化水平，切实助力旱作节水农业高质量发展。

 

 

$article-refer$

 

★扫描二维码，到知网阅读下载本篇论文