2. 中国科学院地理科学与资源研究所 北京 100101;
3. 中国科学院南京土壤研究所 南京 211135;
4. 中国科学院上海硅酸盐研究所 上海 201899;
5. 中国科学院大学 北京 100049
2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China;
3. Institute of Soil Science, Chinese Academy of Sciences, Nanjing 211135, China;
4. Shanghai Institute of Ceramics, Chinese Academy of Sciences, Shanghai 201899, China;
5. University of Chinese Academy of Sciences, Beijing 100049, China
粮食安全是“国之大者”,耕地是粮食生产的“命根子”。党的十八大以来,以习近平同志为核心的党中央准确把握耕地保护变化新形势,谋划推动了一系列严格耕地保护的开创性工作。2023年底召开的中央农村工作会议提出,加强耕地保护和建设,健全耕地数量、质量、生态“三位一体”保护制度体系。2023年度全国国土变更调查结果显示,全国耕地面积19.29亿亩,与第三次全国国土调查时相比,耕地总量增加1 120.4万亩。截至2023年底,全国累计建成高标准农田超过10亿亩,为全国粮食产量连续多年稳定在6.5亿吨以上提供了有力支撑。耕地保护取得积极成效的同时,也应清醒地认识到,我国人均耕地少、耕地质量总体不高、耕地后备资源不足的基本国情没有改变,新时代、新征程上,耕地保护任务更加艰巨。
我国耕地按质量分为10个等级,目前平均等级仅为4.76等,7—10等的低等耕地占比22%,数量超过4亿亩。中国耕地面积仅占世界耕地的7%,却消费了接近世界1/3的化肥,单位面积化肥用量是世界平均水平的3.7倍——化肥的过量施用是造成我国农业面源污染的主要因素之一[1]。持续提升耕地质量,加强生态环境保护,根本是要摸清我国土壤养分家底。掌握一项便捷高效准确获取土壤信息的手段,对于快速摸清我国土壤养分家底,提升耕地质量保护与精准施肥具有重要意义;进而,助力夯实我国粮食安全根基,切实守护大国粮仓,确保中国人的饭碗牢牢端在自己手中。
1 国内外土壤检测技术现状 1.1 美国土壤检测技术概述据美国农业部(USDA)报告显示,目前美国约有68% 的大型农场正在使用和依赖精准农业技术,如产量监测、产量地图、土壤地图、变量投入技术(VRT)等来提高产量、降低投入成本[2]。以EarthOptics为代表的美国数字土壤科技公司,致力于开发下一代土壤传感技术,为种植者提供颠覆性和实时性的土壤特性洞察。其核心产品GroundOwlTM是一种安装在沙滩车或拖拉机上的多模态、非接触式土壤传感器系统,主要包括土壤压实传感器GroundOwlTM、自动锥形渗透仪(automated cone penetrometer)和用于管理项目(从启动和分层到字段收集)的自定义软件SoilCollectorTM。GroundOwlTM每秒可生成16个数据点,提供比传统方法(每100英亩①采集40个数据点)更多的土壤差异数据——每100英亩可采集4 000个数据点。该系统结合了土壤压实传感器和机器学习工具,利用地面穿透雷达和电磁感应技术,可测量达数英尺②深度的土壤压实度,并分析土壤的纹理、碳含量和养分属性,包括土壤温度、湿度、pH值、盐度,以及营养成分等多种数据。EarthOptics公司通过少量的物理土壤样本验证GroundOwlTM的数据准确性,只需传统土壤样本采集量的1/3左右即可达到等效验证数据。结合人工智能后,GroundOwlTM能够云端构建土壤的数字孪生模型,且GroundOwlTM的人工智能系统会不断学习,随着时间的推移减少对物理样本的需求。
① 1英亩,约等于6.07亩、4 046.8平方米。
② 1英尺=30.48厘米;1英寸=2.54厘米。
EarthOptics公司另一项核心产品SoilMapperTM构建了全球首个数字土壤云;其与GroundOwlTM系统收集的遥感数据相结合使用,提供综合的高分辨率、高准确性和低成本的土壤数据。SoilMapper TM主要有TillMapper TM、NutrientMapper TM、C-Mapper TM、H2O-Mapper和Carbon Programs五大功能。TillMapperTM功能提供英寸级的土壤压实数据,生成高度精确的土壤压实地图,清晰显示土壤压实位置和压实程度等信息,同时为用户提供定制化的耕作建议。NutrientMapperTM是精确的元素分析和土壤健康测量系统,可提供土壤氮、钾、磷、CEC(阳离子交换量)和pH值等养分属性和微量营养物质概况,以支持有效的土壤管理决策。C-MapperTM功能提供精确的碳地图,用于土壤碳管理。H2O-Mapper功能可以提供土壤含水量地图。Carbon Programs是EarthOptics公司提出的一项碳市场功能,用于精确的土壤碳量化和温室气体核算。2024年12月31日,EarthOptics公司宣布再获2 400万美元融资,此轮融资完成后,该公司的融资总额达到7 910万美元。
1.2 加拿大土壤检测技术概述2011年,荷兰瓦赫宁根大学发表首项研究,表明用于获取高分辨率土壤数据的传统土壤采样方法劳动密集且成本高昂,伽马射线能谱法已成为克服这些障碍的一种很有前途的技术,并利用伽马射线光谱绘制了荷兰海区的土壤黏土含量图,为伽马射线在土壤检测方面的应用提供了重要参考[3]。2013年,加拿大一家开发土壤分析和土地测绘技术已有20多年历史的SoilOptix®公司首次将此项技术进行商业化,成为一家专供高清表土测绘服务的公司,并为加拿大安大略省的种植者们提供服务。2018年,SoilOptix®公司扩张到美洲各地,为阿根廷和美国部分地区提供服务。2019年开始,为德国、智利和英国提供服务。2020年,SoilOptix®公司开始在丹麦、保加利亚、芬兰和墨西哥提供服务。2022年,先正达欧洲公司通过与英国合作伙伴Hutchinsons公司签订独家协议,成为欧洲SoilOptix®服务的官方供应商。该服务以Interra Scan为品牌名,首先在匈牙利、波兰、法国和乌克兰开展,未来还将进一步拓展。
SoilOptix®公司的核心技术是基于伽马射线光谱学,通过车载土壤传感器快速、高效地测绘土壤特性。可以被动吸收土壤自然放射的4种同位素(铯-137、钾-40、钍-232、铀-238),在距地面约60厘米高度快速测绘,且不受作物状态、季节、环境温度或地表覆盖影响。此技术适用于全球不同土壤,能够以非常高的分辨率提供稳定的土壤能谱数据,将该数据与策略性定位的物理土壤样本的实验室检验数据相结合进行校准。SoilOptix®公司的土壤检测技术以高精度著称,每英亩可获取335个数据点的包括土壤质地、微量和常量营养元素等25层土壤属性的高分辨率数字土壤地图,成本相对较低;数据处理团队可以在48小时内完成数据分析,生成数字土壤地图。基于此,农户可以对土壤进行差异管理,如变量施肥、变量识别出特定的垃圾/有机物、变量播种、变量灌溉等。此项技术尽管初期设备投资大、数据处理复杂,但特别适用于大面积农田、土壤改良及数字农业场景,为农业生产和土壤管理提供了强大技术支持。
1.3 国内土壤检测技术概述我国高度重视耕地保护工作。2005年中央一号文件就提出“搞好沃土工程建设,推广测土配方施肥”。2008年,为满足深入开展测土配方施肥工作的需要,农业农村部印发《测土配方施肥技术规范》,进一步规范测土配方施肥技术方法和操作程序。测土配方施肥技术已经发展多年,有一套较为完善的理论和实践体系,从土壤样本采集、实验室分析到配方制定,都有明确的标准和规范,在全球范围内得到了广泛应用和验证[4]。通过测土配方施肥,避免了传统施肥方法中的“一刀切”问题,充分利用土壤资源,大幅提升了农产品的产量和质量,推动了农业现代化;同时,测土配方施肥技术可以有效避免施肥过量或者不足,节约施肥成本的同时,有效提高了肥料的利用效率[5]。
尽管测土配方施肥技术具有诸多优势,但在应用过程中仍面临着诸多问题[6]:①样本代表性有限。土壤样本采集过程中,因采样点选择不合理或采样数量不足,会导致样本不能准确代表整块土地的土壤养分状况,从而影响配方的准确性。②检测周期较长。从采集土壤样本到实验室分析,再到得出配方结果,需要几天甚至更长时间。因此,对于一些时效性要求较高的农业生产活动,会影响施肥的及时性。③工作量较大。需要人工进行土壤样本采集,对于大面积的农田来说,采集大量样本需要耗费大量的人力和时间。④依赖实验室设备。对土壤养分的检测需要专业的实验室设备和技术人员,在缺乏检测条件的地方,实施存在一定困难。
随着土壤检测技术的进步与发展,遥感技术[7]、地理信息系统(GIS)技术[8]、土壤光谱检测技术[9]、土壤传感器技术[10]、大数据与人工智能技术[11]等更多地应用于土壤养分检测。然而,大多数土壤检测设备均为进口设备,我国在自主研制高精度、低能耗且具有无线传输功能的土壤检测设备上还存在较大差距。当前,急需自主研制土壤养分快速检测设备以满足我国摸清土壤养分家底、保障粮食安全的急迫需求。
2 自主研制全国产化土壤养分快速检测设备 2.1 土壤养分快速检测的基本原理土壤中天然存在的放射性元素铀(U)、钍(Th)、钾(K)等会自发衰变,释放出具有特定能量的伽马射线,这些伽马射线的能量和强度与土壤中相应放射性元素的含量密切相关。通过碘化钠(NaI)、碘化铯(CsI)和高纯锗等闪烁晶体或半导体组成的探测器设备,可以精确探测并记录这些伽马射线的能谱[12]。在实践中,从现场采集土壤数据到最终生成数字土壤地图,包括一个标准的四步过程(图 1)。①利用安装在可移动载体上的土壤养分快速检测设备,于土壤上方约0.6米处对土壤进行扫描,收集土壤衰减自然释放的伽马能谱原始数据。②采集15—20厘米深度的土壤样品用于实验室检测,所获数据用于伽马能谱数据的校准。③建立数据模型,这是将土壤放射性元素信息标定为土壤养分数据的关键环节。通过对大量的土壤能谱信息与样品实验室检测数据进行模型训练学习,最终建立起能谱信息与土壤养分之间的模型对应关系。④运用数字地图技术生成多种土壤属性处方图,应用处方图进一步指导变量施肥等精准农事作业。
![]() |
图 1 土壤养分快速检测基本原理图 Figure 1 Basic schematic of rapid soil nutrient detection |
2024年10月,农业农村部印发的《全国智慧农业行动计划(2024—2028年)》指出,“支持中国科学院持续探索总结‘伏羲农场’模式。持续优化土壤养分反演、作物模拟预测、气象精准分析等模型,开展耕地网格化、数字化管理,推动农业生产过程的数字化仿真、推演,形成最优种植方案”。针对我国耕地肥料施用中存在的“基础数不清、样本点不足、用量不合理”的情况,中国科学院组织所属计算技术研究所、南京土壤研究所、硅酸盐研究所等单位联合研制了可被动吸收土壤中发出的放射性元素信号来实时反演土壤养分组成的快检设备(图 2)。该设备在精准捕捉土壤放射性元素信号、弱信号解析、搭建养分反演模型、生成土壤处方图等关键环节上实现了多项核心技术突破。通过对大量土壤的能谱信息和土壤样品实验室检测数据进行模型训练学习,现已建立起8种能谱信息与土壤养分的模型对应关系;通过对模型的不断训练和校准,降低了对土壤样品实验室检测数据的依赖。目前,此项技术已在呼伦贝尔农垦集团有限公司(以下简称“呼伦贝尔农垦”)展开实践,针对已解析的关键土壤养分元素,已初步建立起相应的土壤样品库和养分数据库;并据此,绘制了土壤养分处方图用以指导变量施肥和精准农业,从而有望变革我国沿袭近60年的传统测土方式和机制。
![]() |
图 2 中国科学院自主研制的全国产化土壤养分快速检测设备 Figure 2 Chinese Academy of Sciences independently developed domestic soil nutrient rapid detection equipment |
(1)面向呼伦贝尔农垦开展精细化测土工作。自2024年8月下旬起,中国科学院农业智能技术团队组建攻坚测土队伍,调配32台套土壤养分快速检测设备,赴呼伦贝尔农垦进行秋收耕地数据采集工作。现已完成了覆盖拉布大林农场、上库力农场、谢尔塔拉农场、牙克石农场、莫拐农场、绰尔河农场、大河湾农场、那吉屯农场等在内的320余万亩农田数据及2.3万余份土壤混合样本的采集工作,并进行了跨地域、多土壤类型、不同气候环境下的闭环数据采集测试。预计2025年将完成呼伦贝尔农垦600万亩耕地、1 000万亩草场的精细化测土工作。
(2)建立呼伦贝尔农垦土壤养分样本库和数据库。目前,已将在呼伦贝尔农垦采集的农田数据及土壤样本汇聚河北雄安新区并进行数据处理工作,在河北雄安新区建立呼伦贝尔农垦土壤养分样本库和数据库。通过对海量数据进行标准化处理及高效整合,确保数据的准确性、完整性与及时性。基于海量数据训练农业生产智能模型,精准指导呼伦贝尔农垦农事作业,进一步推动现代农业的可持续发展,同步助力河北雄安新区智慧农业产业打造升级。
(3)绘制呼伦贝尔农垦精细耕地土壤养分处方图并指导粮食增产。通过对呼伦贝尔农垦大量的土壤能谱数据和土壤样本元素数据进行模型训练学习,构建土壤养分反演模型,实时获取土壤养分精准数据;并通过数字地图技术,生成直观反映土壤属性信息的处方图。应用土壤养分处方图指导变量施肥,实现土壤均一化,均衡增产,节本增效(图 3)。
![]() |
图 3 绘制土壤养分处方图,指导变量施肥 Figure 3 Soil nutrient prescription map was drawn to guide variable fertilization |
摸清精细耕地土壤养分分布情况是实现粮食稳产和增产的有效途径,基于对土壤快速养分检测设备的攻关、耕地土壤养分数据库的建立和精细耕地土壤养分处方图的绘制,将成为支撑我国新一轮千亿斤粮食增产的关键技术保障。通过用相对应的模型算法对土壤养分数据进行测算和标定,与我国实施多年的测土配方施肥的结果配合,精细绘制出与变量施肥农机具相配套的精细耕地土壤养分处方图;依据我国不同地域和土壤类型,可在对我国耕地养分情况总体摸底的基础上,分别建立东北、华北、西北、南方丘陵山地等不同区域的数据库,以及黑土地、酸性红壤、盐碱地、黄土等不同土壤类型的数据库。作为我国发展智慧农业的核心数据,精细耕地土壤养分处方图将助力国家摸清耕地家底,充实高标准农田基础数据;进而,通过变量施肥进一步促进土壤养分均一化,实现农田均衡增产,为实现新一轮粮食增产贡献科技保障。
3.2 联合攻关解决关键核心技术问题,实现土壤养分快速检测罗锡文院士曾经说:“我一直有个梦想,想是否可以在我们的土壤机后面挂一个像镰刀一样的传感器,在田里跑一圈,就可以把土壤的氮、磷、钾都测出来……”时至今日,利用人工智能系统进行精准田间监测和土壤健康状况预测,提供高精度的土壤养分等要素的分布图已经成为欧美国家农业技术公司支撑田间精准农事操作的主要技术手段。耕地土壤养分信息事关我国粮食安全,是我国必须自主可控的技术手段,我国要实现土壤养分快速检测涉及晶体、信号放大、样品标定、模型算法等多个环节关键技术和设备的突破与研发。发挥中国科学院学科布局全面和领域交叉优势,组织高技术、农业、资源环境等多个团队展开联合攻关,是攻克关键核心技术问题的有效途径,将为实现土壤养分快速检测提供系统解决方案。
4 关于助力我国摸清土壤家底的建议土壤是人类赖以生存的重要物质基础,是农业生产的核心资源。摸清土壤家底,意在保障国家粮食安全。摸清土壤数量和质量,是土壤科学利用、改良培肥、保护管理的前提,也是优化农业生产布局的基础支撑,为经济、社会、生态建设重大政策的制定提供决策依据。为加速我国摸清土壤家底,切实保障国家粮食安全,建议加强推进3个方面工作。
4.1 结合技术攻关推进相关技术标准和规程的制定土壤养分快速检测技术体系涉及多项新技术的攻关,应同步推进与技术体系相配套的系列技术标准和规程的制定,确定科学合理的操作流程、数据标准和推广应用体系。将快速无损精细化土壤检测工作纳入全国农技推广体系中来,通过多层级的技术培训,加大力度培育农技推广骨干人才,促进基层农技人员更好履责,从根本上促进落实我国大尺度精细土壤养分数据检测工作科学规范高效完成。
4.2 研发相应配套农机具,真正用好全国精细耕地土壤养分处方图面向全国耕地尽快开展大范围、精细化的土壤检测工作,全面掌握全国不同区域、不同土地类型的土壤数据,绘制全国精细耕地土壤养分处方图。同步推进研发可用于变量施肥的智能农机和农机具,将处方图赋能智能农机和机具,指导农机在不同区域进行精准变量施肥作业,完成处方图执行指令,从而真正让人工智能(AI)在农业生产中发挥关键作用。
4.3 与高标准农田信息化建设相结合,推进土壤养分数字化高标准农田建设作为推动农业现代化进程的重要举措,其信息化建设在发挥高标准农田效能上起着关键作用。精细土壤养分处方图对于提高高标准农田产能、发挥其效果至关重要,有助于实现土壤养分数字化。建议将土壤养分精细管理纳入高标准农田信息化建设的必要内容,建立综合农田信息数据体系,将土壤、水分、品种等多个因素综合考虑,发挥其综合效能,实现粮食均衡增产。
[1] |
袁旭, 张家安, 常飞杨, 等. 我国肥料施用现状及化肥减量研究进展. 农业与技术, 2022, 42(18): 20-23. Yuan X, Zhang J A, Chang F Y, et al. Current situation of fertilizer application and research progress of fertilizer reduction in China. Agriculture and Technology, 2022, 42(18): 20-23. (in Chinese) |
[2] |
McFadden J, Njuki E, Griffin T. Precision agriculture in the digital era: Recent adoption on US farms. (2023-02-22)[2025-02-07]. https://www.ers.usda.gov/publications/pub-details?pubid=105893.
|
[3] |
Van Der Klooster E, Van Egmond F M. Mapping soil clay contents in Dutch marine districts using gamma-ray spectrometry. European Journal of Soil Science, 2011, 62(5): 743-753. DOI:10.1111/j.1365-2389.2011.01381.x |
[4] |
陈新平, 张福锁. 通过"3414"试验建立测土配方施肥技术指标体系. 中国农技推广, 2006, 22(4): 36-39. Chen X P, Zhang F S. The technical index system of soil testing and formula fertilization was established by "3414" test. China Agricultural Technology Extension, 2006, 22(4): 36-39. DOI:10.3969/j.issn.1002-381X.2006.04.026 (in Chinese) |
[5] |
白由路, 杨俐苹. 我国农业中的测土配方施肥. 土壤肥料, 2006, (2): 3-7. Bai Y L, Yang L P. Soil testing and fertilizer recommendation in Chinese agriculture. Soil and Fertilizer Sciences in China, 2006, (2): 3-7. DOI:10.3969/j.issn.1673-3908.2006.02.001 (in Chinese) |
[6] |
任丽清, 翁志强. 新形势下测土配方施肥技术推广存在的问题及对策. 农村经济与科技, 2024, 35(13): 70-73. Ren L Q, Weng Z Q. Problems and countermeasures in spreading the technology of soil testing and formula fertilization under the new situation. Rural Economy and Science-Technology, 2024, 35(13): 70-73. DOI:10.3969/j.issn.1007-7103.2024.13.019 (in Chinese) |
[7] |
Wang J Z, Zhen J N, Hu W F, et al. Remote sensing of soil degradation: Progress and perspective. International Soil and Water Conservation Research, 2023, 11(3): 429-454. DOI:10.1016/j.iswcr.2023.03.002 |
[8] |
Dharumarajan S, Seenipandi K, Adhikari K, et al. Remote Sensing of Soils: Mapping, Monitoring, and Measurement. Amsterdam: Elsevier, 2023: 25-41.
|
[9] |
Sharma V, Chauhan R, Kumar R. Spectral characteristics of organic soil matter: A comprehensive review. Microchemical Journal, 2021, 171: 106836. DOI:10.1016/j.microc.2021.106836 |
[10] |
史舟, 郭燕, 金希, 等. 土壤近地传感器研究进展. 土壤学报, 2011, 48(6): 1274-1281. Shi Z, Guo Y, Jin X, et al. Advancement in study on proximal soil sensing. Acta Pedologica Sinica, 2011, 48(6): 1274-1281. (in Chinese) |
[11] |
余士其. 计算技术与人工智能算法在重金属残留物检测中的应用——评《人工智能算法及其在土壤重金属残留物检测中的运用研究》. 有色金属工程, 2023, 13(3): 163. Yu S Q. Application of computing technology and artificial Intelligence algorithms in heavy metal residue detection—Review of Research on Artificial Intelligence Algorithms and Their Application in Soil Heavy Metal Residue Detection. Nonferrous Metals Engineering, 2023, 13(3): 163. (in Chinese) |
[12] |
Imaizumi M. Overview on spectral analysis techniques for gamma ray spectrometry. Nuclear Science, 2024, 9(1): 8-29. DOI:10.11648/j.ns.20240901.12 |