推荐阅读（向下滑动阅读）
文章信息
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
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
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
基金项目:宁夏旱作农田土壤墒情与旱情评价指标研究（2022BSB03061）。
0 引 言
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
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。
1 土壤墒情的影响因素
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]。
2 原位观测
2.1 原位观测方法的理论研究进展
2.1.1 起步阶段
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]。
2.1.2 发展阶段
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
（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
2.2 技术研究
2.2.1 仪器开发
（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
（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
2.2.2 精度分析
（1）传感器探头。传感器探头尺寸优化方面，张颖等[41]
（2）传感器的数量及埋设位置。汪涛等[43]基于改进
（3）传感器性能对比。张麒昆等[47]对CS655、TDR315H、
（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]
2.3 技术应用
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
2.4 原位观测重点方向及研究趋势
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。
3 遥感反演
3.1 技术类型
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
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]。
3.2 技术研究
3.2.1 模型与方法构建
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
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。
3.2.2 遥感产品及模型评估
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～
3.3 技术应用
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
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。
3.4 遥感估算重点方向及研究趋势
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。
4 模型模拟
4.1 前人研究情况
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
4.2 模型模拟重点方向及研究趋势
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。
5 农田精准灌溉管理的探索
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
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～
6 结 语
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。
参考文献
[1] 吴勇，张赓，陈广锋，等.中国节水农业成效、形势机遇与展望[J].中国农业资源与区划，2021，42（11）：1−6.
[2] 于景鑫，杜森，吴勇，等.基于云原生技术的土壤墒情监测系统设计与应用[J].农业工程学报，2020，36（13）：165−172.
[3] 何娟，赵军学，陈余，等.2022年云南省金沙江流域极端高温干旱天气成因分析[J].中国防汛抗旱，2024，34（5）：45-50，59.
[4] 刘巧玲，李王成，贾振江，等.干旱胁迫下植物根系适应性机制研究进展与热点分析[J].江苏农业科学，2023，51（9）：34−40.
[5] 王鹏.基于不同时间尺度的贵州沿河县干旱风险分析及评估研究[J].中国防汛抗旱，2023，33（12）：52-56.
[6] 覃纹，黄秋燕，覃志豪，等.广西糖料蔗种植区干旱遥感时空分析[J].自然资源遥感，2022，34（2）：261−270.
[7] 郭二旺，郭乙霏，罗蔚然，等.基于Landsat8和Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情监测方法研究[J].中国农村水利水电，2019（7）：22−25，34.
[8] 李艳，张成才，恒卫东.基于深度学习的多源遥感反演麦田土壤墒情研究[J].节水灌溉，2023（2）：57−64.
[9] 王蓓，马英杰，李芳松.土壤墒情监测管理信息系统在新疆三屯河灌区的应用[J].中国防汛抗旱，2020，30（7）：38-42.
[10] BABAEIAN E，SADEGHI M，JONES S B，et al.Ground，proximal，andsatellite remote sensing of soil moisture[J].Reviews ofGeo-physics，2019，57：530−616.
[11] KHANDAN R，WIGNERON J，BONAFONI S，et al.Assimilation ofsatel-lite-derived soil moisture and brightness temperature in land60监测预报MONITORING AND FORECASTING 中国防汛抗旱 CHINA FLOOD & DROUGHT MANAGEMENTsurface models：a review[J].Remote Sensing，2022，14（3）：770.
[12] LIU Y，ZHANG K，LI Z，et al.A hybrid runoff generation modellingframework based on spatial combination of three runoffgener-ation schemes for semi-humid and semi-arid watersheds[J].Journal of Hydrology，2020，590：125440.
[13] GWAK Y，KIM S.Factors affecting soil moisture spatialvariabili-ty for a humid forest hillslope[J].Hydrological Processes，2017，31：431−445.
[14] ZHAO Y，PETH S，RESZKOWSKA A，et al.Response of soil moistureand temperature to grazing intensity in a leymus chinensissteppe，inner mongolia[J].Plant Soil，2011，340：89−102.
[15] GUO X，FU Q，HANG Y，et al.Spatial variability of soil moisture inrelation to land use types and topographic features onhill-slopes in the black soil（mollisols）area of northeast China[J].Sustainability，2020，12：3552.
[16] 赵家良，钞群，毕韬书.农田土壤墒情监测预报抗旱减灾效益好[J].地下水，1999（3）：118−120.
[17] RASHEED M W，TANG J，SARWAR A，et al.Soil moisture measuringtechniques and factors affecting the moisture dynamics：acom-prehensive review[J].Sustainability，2022，14（18）：11538.
[18] HAWLEY M E，JACKSON T J，MCCUEN R H.Surface soilmoisturevaria-tion on small a gricultural watersheds[J].Journal of Hydrology，1983，62：179−200.
[19] FAMIGLIETTI J S，DEVEREAUX A，LAYMON C A，et al.Ground basedin-vestigation of soil moisture variability within remote sensingfootpring during the Southern Great Plains 1997（SGP 97）hy-drology experment[J].Water Resources Research，1999，35：1839−1851.
[20] ENTIN J K，ROBOCK A，VINNIKOV，et al.Temporal and spatial scalesof observed soil moisture variations in the extratropics[J].Journal of Geophysical Research，2000，105：865−877.
[21] FERNANDEZ J M，CEBALLOS A.Temporal stability of soil moisturein a large-field experiment in spain[J].Soil Science Society ofAmerica Journal，2003，67：1647−1656.
[22] 杨诗秀，雷志栋，吴婉如，等.农田尺度土壤水分的监测[J].水科学进展，1996（1）：14−19.
[23] 罗毅.墒情预测与随机预报及作物系数研究[D].北京：清华大学，1998.
[24] ZHAN C，DAI Z，SAMPER J，et al.An integrated inversion framework for heterogeneous aquifer structure identification withsin-gle-sample generative adversarial network[J].Journal ofHydrol-ogy，2022，610：127844.
[25] KUMARI A，PATEL N，MISHRA A K.Field evaluation and calibrationof tensiometer and gypsum block sensors in drip irrigatedbroccoli （Brassica oleracea var.italica）[J].Journal of Soil andWater Conservation，2017，16（3）：267−273.
[26] 周怡，纪荣平，胡文友，等.我国土壤多参数快速检测方法和技术研发进展与展望[J].土壤，2019，51（4）：627−634.
[27] YAN G，BORE T，SCHLAEGER S，et al.Investigating scale effects insoil water retention curve via spatial time domainreflectome-try[J].Journal of Hydrology，2022.
[28] HE H，TURNER N C，AOGU K，et al.Time and frequency domainre-flectometry for the measurement of tree stem water content：Areview，evaluation，and future perspectives[J].Agricultural andForest Meteorology，2021，306.
[29] 吕华芳，杨汉波，伍鑫源，等.“硅藻土-过滤器”型土壤墒情传感器研制及应用[J].水利水电技术（中英文），2022，53（1）：207−218.
[30] RASHEED M W，TANG J L，SARWAR A，et al.Soil moisture measuringtechniques and factors affecting the moisture dynamics：Acom-prehensive review[J].Sustainability，2022，14（8）：11538.
[31] 盛庆元，张西良，杨越，等.高低频双频激励土壤含水率传感器设计与试验[J].农业机械学报，2022，53（4）：228−234.
[32] 吕东，王新忠，刘飞，等.管式土壤水分传感器探头的研制[J].农机化研究，2016，38（6）：69−73.[33] 杨梅，刘木华，朱霏雨，等.基于蓝牙技术的土壤环境信息传感器设计[J].江西农业大学学报，2023，45（4）：963-971.
[34] 盛庆元，张西良，盛东良.单侧敏感土壤水分传感器设计及标定研究[J].传感技术学报，2022，35（9）：1287−1292.
[35] 戴宇培，刘云飞，孙成忠.电容型土壤含水率传感器的优化设计[J].仪表技术与传感器，2017（7）：11−14，49.
[36] 宋庆恒，谭懿.便携式土壤水分测试仪的设计与实现[J].农机化研究，2015，37（8）：208−211.
[37] ABDELMONEIM A A，KHADRA R，DERARDJA B，et al.Internet of things（IoT） for soil moisture tensiometer automation[J].Microma-chines，2023，14（2）：263.
[38] KIM D J，YU J D，BYUN Y H.Horizontally elongated time domainreflectometry system for evaluation of soil moisturedistribu- 2024年10月 第10期 第 34卷 Oct.2024 NO.10 VOL.34CHINA FLOOD & DROUGHT MANAGEMENT 中国防汛抗旱 tion[J].Sensors（Basel，Switzerland），2020，20（23）：6834.
[39] BALAGHI S，GHALEH N，MOHAMMADI A，et al.A neutron scatteringsoil moisture measurement system with a linear response[J].Applied radiation and Isotopes，2018，142：167−172.
[40] 高志涛，刘卫平，赵燕东.基于电容法的非接触式土壤水分传感器设计与性能分析[J].农业机械学报，2016，47（11）：185−191.
[41] 张颖，行鸿彦，张旭，等.土壤水分传感器探头的仿真分析[J].电子测量与仪器学报，2021，35（4）：55−65.
[42] 闫华，邢振，薛绪掌，等.土壤剖面水分传感器探头仿真与试验[J].农业机械学报，2017，48（10）：245−251，244.
[43] 汪涛，张武，苗犇犇，等.基于改进K-medoids算法的土壤墒情传感器布局优化[J].中国农业大学学报，2022，27（8）：221−233.
[44] 张武，张嫚嫚，洪汛，等.基于近邻传播算法的茶园土壤墒情传感器布局优化[J].农业工程学报，2019，35（6）：107−113.
[45] 李泳霖，王仰仁，武朝宝，等.水分传感器埋设深度及个数对墒情精度的影响[J].节水灌溉，2019（1）：87−91.
[46] 韩红亮，缴锡云，王雪梅.蔬菜大棚墒情传感器垂向埋设位置研究[J].节水灌溉，2017（4）：62−64，69.
[47] 张麒昆，闵雷雷，王玉才，等.不同水分传感器在河北平原典型土壤中的测量准确度对比[J].中国生态农业学报（中英文），2023，31（11）：1851-1859.
[48] 苏志诚，张立祯，丁留谦，等.四种新型土壤墒情传感器的对比分析[J].水文，2014，34（4）：55−60.
[49] 吴勇，钟永红，杜森，等.FDR土壤水分传感器田间性能测试分析[J].节水灌溉，2021（2）：41−46.
[50] KANG S，IERSEL M W V，KIM J.Plant root growth affects FDR soilmoisture sensor calibration[J].Scientia Horticulturae，2019，252：208−211.
[51] CHEN L，ZHANG L，ZHENG W，et al.Data-driven calibration of soilmoisture sensor considering impacts of temperature：a casestudy on FDR sensors[J].Sensors，2019，19（20）：4381.
[52] 王黎明，周旭辉，雷永恒.温度对FDR土壤水分传感器测量影响[J].电子测量与仪器学报，2021，35（4）：46−54.
[53] VANELLA D，PEDDINTI S R，KISEKKA I.Unravelling soil waterdynam-ics in almond orchards characterized by soil-heterogeneityus-ing electrical resistivity tomography[J].Agricultural WaterMan-agement，2022，269：107652.
[54] LAURA B，KRISTIJAN P，FRANJOŠ，et al.Mapping of soil moisture by监测预报MONITORING AND FORECASTING61
time domain reflectometry and electrical resistivitytomogra-phy at velika gorica well field，zagreb aquifer[J].Geofizika，2022，39（2）：281−296.
[55] MEDHAT M E.Application of gamma-ray transmission method forstudy the properties of cultivated soil[J].Annals of NuclearEnergy，2011，40（1）：53−59.
[56] BRUNO D V，NATHALIE C，ARNE V，et al.Accurate measurements offorest soil water content using FDR sensors require empiricalin situ （re） calibration[J].Applied Sciences，2021，11（24）：11620.
[57] MARTÍNEZ-GIMENO M A，JIMÉNEZ-BELLO M A，LIDÓN A，et al.Man-darin irrigation scheduling by means of frequency domainre-flectometry soil moisture monitoring[J].Agricultural WaterMan-agement，2020，235：106151.
[58] KRZEMINSKA D，BLOEM E，STARKLOFF T，et al.Combining FDR and ERTfor monitoring soil moisture and temperature patterns inun-dulating terrain in south-eastern norway[J].Catena，2022，212：106100.
[59] GANIYU S A，OLURIN O T，OLADUNJOYE M A，et al.Investigation ofsoil moisture content over a cultivated farmland in abeokutanigeria using electrical resistivity methods and soilanalysis[J].Journal of King Saud University-Science，2020，32（1）：811−821.
[60] LI J，PEI Y，ZHAO S，et al.A review of remote sensing forenvi-ron-mental monitoring in China[J].Remote Sensing，2020，12（7）：1130−1154.
[61] 晏红波，韦晚秋，卢献健，等.基于高光谱特征的土壤含水量遥感反演方法综述[J].自然资源遥感，2022，34（2）：1−9.
[62] 郑曼迪，刘忠，许昭辉，等.基于微波遥感的土壤水分反演估算研究进展[J].土壤学报，2023，61（1）：16-28.
[63] 姚远，陈曦，钱静.遥感数据在农业旱情监测中的应用研究进展[J].光谱学与光谱分析，2019，39（4）：1005−1012.
[64] 杨丽萍，隋学艳，杨洁，等.山东省春季土壤墒情遥感监测模型构建[J].山东农业科学，2009（5）：17−20.
[65] HONG Y，CHEN Y，YU L，et al.Combining fractional order derivativeand spectral variable selection for organic matter estimationof homogeneous soil samples by VIS-NIR spectroscopy[J].Remote Sensing，2018，10（3）：479.
[66] BROCCA L，MELONE F，MORAMARCO T，et al.Spatial-temporalvari-62监测预报MONITORING AND FORECASTING 中国防汛抗旱 CHINA FLOOD & DROUGHT MANAGEMENTability of soil moisture and its estimation across scales[J].Water Resources Research，2010，46（2）：W02516.
[67] 巩文军，郭乙霏，王文婷，等.基于混合象元分解的Landsat8与MODIS数据融合反演土壤墒情方法研究[J].灌溉排水学报，2019，38（7）：123−128.
[68] MOHAMMAD K，SALEH A R，MAHNOOR R，et al.A remote sensingdriv-en soil moisture estimator：uncertain downscaling withgeosta-tistically based use of ancillary data[J].Water ResourcesRe-search，2022，58（10）：e2022WR031946.
[69] BAI Y，ZHAO T J，JIA L，et al.A multi-temporal and multi-angu-lar approach for systematically retrieving soil moisture andvegetation optical depth from SMOS data[J].Remote Sensing ofEnvironment，2022，280：113190.
[70] 葛翔宇，丁建丽，王敬哲，等.一种基于无人机高光谱影像的土壤墒情检测新方法[J].光谱学与光谱分析，2020，40（2）：602−609.
[71] MA C F，JOHANSEN K，MCCABE M F.Combining Sentinel-2 data withan optical-trapezoid approach to infer within-field soilmois-ture variability and monitor agricultural production stages[J].Agricultural Water Management，2022，274：107942.
[72] ZHAO J H，ZHANG C Y，MIN L，et al.Retrieval of farmland surfacesoil moisture based on feature optimization and machinelearn-ing[J].Remote Sensing，2022，14（20）：5102.
[73] WANG S N，WU Y J，LI R P，et al.Remote sensing‐based retrievalof soil moisture content using stacking ensemble learningmod-els[J].Land Degradation & Development，2022，34（3）：911−925.
[74] 吴小丽，刘桂民，李新星，等.CCI多传感器组合土壤水分产品在青藏高原不同地区的适用性[J].土壤，2021，53（2）：429−438.
[75] MOHSENI F，MIRMAZLOUMI S M，MOKHTARZADE M，et al.Globalevalua-tion of SMAP/Sentinel-1 soil moisture products[J].RemoteSens-ing，2022，14（18）：4624.
[76] FAN J Z，HAN Q Z，TAN S Q，et al.Evaluation of six satellite-based soil moisture products based on in situ measurements inhunan province，central China[J].Frontiers in EnvironmentalSci-ence，2022，264：112605.
[77] 郭交，刘健，宁纪锋，等.基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证[J].农业工程学报，2019，35（14）：71−78.
[78] CHEN R H，MICHAELIDES R J，ZHAO Y H，et al.Permafrost DynamicsObservatory（PDO）：2.joint retrieval of permafrost active layer thickness and soil moisture from l‐band insar and p‐bandpolsar[J].Earth and Space Science，2023，10（1）：e2022EA002453.
[79] 张钧泳，丁建丽，谭娇.基于SVM的绿洲荒漠交错带土壤水分与地下水埋深反演[J].农业机械学报，2019，50（3）：221−230.
[80] GREIFENEDER F，NOTARNICOLA C，WAGNER W.A machine learning-based approach for surface soil moisture estimations withgoogle earth engine[J].Remote Sensing，2021，13（11）：2009.
[81] 王钧，陆洲，罗明，等.基于机载多光谱的冬小麦返青期土壤墒情反演[J].浙江农业学报，2022，34（6）：1297−1305.
[82] 王金鑫，姚静，李聪玲，等.粗糙度不变假设下的大区域冬小麦墒情多源遥感监测方法[J].节水灌溉，2021（12）：94−99，107.
[83] 李艳，张成才，恒卫冬，等.基于多源遥感数据反演土壤墒情方法研究[J].节水灌溉，2020（8）：76−81.
[84] 黄友昕，胡茂胜，沈永林，等.MODIS干旱指数结合RBFNN反演冬小麦返青期土壤湿度[J].农业工程学报，2019，35（12）：81−88.
[85] CHEN F，LEI F N，KNIPPER K，et al.Application of the VineyardDa-ta Assimilation（VIDA）system to vineyard root-zone soilmois-ture monitoring in the California Central Valley[J].IrrigationScience，2022，40：779−799.
[86] 王铁英，王仰仁，战国隆，等.基于实时含水率数据的土壤墒情动态建模及预测[J].中国农业气象，2021，42（1）：13−23.
[87] 吴润泽，吴旭.河北南部平原不同土壤质地下土壤墒情动态预报[J].水电能源科学，2020，38（9）：150−153.
[88] 张武，洪汛，李蒙，等.监测采样间隔对土壤墒情预测模型性能的影响[J].甘肃农业大学学报，2020（1）：221−228.
[89] 牛宏飞，张钟莉莉，孙仕军，等.土壤墒情预测模型对比[J].中国农业大学学报，2018，23（8）：142−150.
[90] 薛明，韦波，李娟，等.基于改进BP神经网络与支持向量机的土壤墒情预测方法研究[J].土壤通报，2021，52（4）：793−800.
[91] RAMENDRA P，RAVINESH C D，YAN L，et al.Weekly soil moistureforecasting with multivariate sequential，ensemble empiricalmode decomposition and Boruta-random forest hybridizeralgo-rithm approach[J].Catena，2019，177：149−166.
[92] TOGNERI R，SANTOS D F D，CAMPONOGARA G，et al.Soil moistureforecast for smart irrigation：The primetime for machinelearn-ing[J].Expert Systems with Applications，2022，207：117653.
[93] LIU M S，HUANG C，WANG L，et al.Short-term soil moisturefore-casting via gaussian process regression with sample selection[J].Water，2020，12（11）：3085.
[94] 韩文霆，张立元，牛亚晓，等.无人机遥感技术在精量灌溉中应用的研究进展[J].农业机械学报，2020，51（2）：1−14.
[95] 王路路，黄海鸥，程哲，等.基于MI和SI的寒地水稻旱直播栽培田土壤墒情监测系统[J].东北农业科学，2020，45（2）：121−124.
[96] 杜青青.基于LoRa的智慧果园墒情监测系统研究与设计[J].工业仪表与自动化装置，2022（7）：13−17，27.
[97] FENDI A P，NANANG M Y，SAHIRUL A T B，et al.Development of airtemperature and soil moisture monitoring systems with LoRAtechnology[J].Journal of Physics Conference Series，2021，1825（1）：012029.
[98] ARINGO M Q，MARTINEZ C G，MARTINEZ O G，et al.Development oflow-cost soil moisture monitoring system for efficientirriga-tion water management of upland crops[J].IOP ConferenceSe-ries：Earth and Environmental Science，2022.
[99] EKANAYAKA A A D N，ISURA S P N，TAKESHI F.Calibration andvali-dation of a low-cost capacitive moisture sensor to integratethe automated soil moisture monitoring system[J].Agriculture，2019，9（7）：141.
[100] 董志强，冯小康，慈宝霞，等.棉田土壤养分分析与土壤墒情监测系统应用[J].新疆农业科学，2021，58（10）：1900−1908.
[101] 鲁旭涛，张丽娜，刘昊，等.智慧农业水田作物网络化精准灌溉系统设计[J].农业工程学报，2021，37（17）：71−81.
[102] 刘永河，张晓红，侯利.河套灌区农业精准化配水集成技术研究与示范[J].灌溉排水学报，2018，37（S2）：59−63.
[103] 周浩，雷国平，杨雪昕，等.基于AgentLA模型的农田精准灌溉管理分区研究[J].水土保持学报，2018，32（1）：274−279，285.
◆ ◆ ◆ ◆
声明：转载请注明来源
来源：《中国防汛抗旱》
投稿微信：352288909
