及时总结

IEEE P4005工作组汇集全球专家，致力于建立标准化的实验室和野外光谱测定规程，重点解决仪器差异、数据可比性等关键问题。

本研究对比了四种土壤颜色测量方法（主观目视估测、智能手机、NixPro2色差仪和ASD光谱仪）的性能差异及其在土壤有机质（SOM）和游离铁（FI）预测中的应用效果。

本文综述了便携式土壤养分检测技术的进展，重点介绍了光学、电化学传感器的原理、性能及应用。

本文梳理了ISFET的工作原理、性能特征及非理想特性、电路和建模

本文分析了土壤电学性质的理论基础及测量技术的系统级误差，指出现有技术的不足

摘要 HARVEST是一种低成本无线土壤监测系统，采用无源、无芯片设计，通过射频反向散射技术实现地下土壤含水量和电导率的远程监测。该系统由埋入土壤的钉状传感探头和地面上的三环天线组成，通过无人机在1.8米高度内无线读取数据。实验和田间部署验证了其性能，表明HARVEST能可靠检测土壤参数变化，为精准农业提供可扩展、免维护的解决方案，显著降低传统传感系统的成本和维护需求。

本文综述了精准农业（PA）中常用的近地土壤传感（PSS）技术及其在预测土壤性质中的准确性，并评估了相关成本。

本文综述了智能农业传感器在精准种植、智慧畜牧和渔业领域的技术进展与应用挑战。当前传感器技术正从单一感知向集成化、智能化方向发展，通过柔性电子、微纳制造等技术实现了作物生理、环境参数的原位监测。AI技术的融合显著提升了数据解析与决策能力，但仍面临环境适应性差、能源供应不足、多模态集成难度大等关键瓶颈。未来需在材料创新、能源自供给、标准化等方面突破，以推动农业从经验驱动向数据驱动的数字化转型。

文章详细探讨了纳米传感器在土壤质量监测（水分、养分、pH值、污染物）和作物生长信息监测中的最新应用，展示了其在提高监测精度、实现实时检测方面的优势。最后，针对当前面临的稳定性和可靠性挑战，提出了提高传感器选择性、开发多模态阵列系统、促进人工智能融合、强化设备互联互通等发展方向，为智慧农业纳米传感器的研发与应用提供了重要参考。

本文综述了量子传感器在精准农业领域的应用潜力。在促进作物生长、检测污染物和评估土壤肥力等方面展现出显著效果。然而，其大规模应用仍受制于高昂成本和复杂集成流程。未来需重点探索降低成本的方法。

本研究建立了全球土壤可见-近红外光谱库，包含来自92个国家的23,631条光谱数据。研究表明，光谱信息能有效表征土壤组成，并与土地覆盖类型和地理分布相关联。该光谱库为全球土壤评估和监测提供了统一的数据基础，有助于解决土壤数据短缺问题，支持可持续土壤管理。研究鼓励全球科研人员继续补充数据，以完善这一动态更新的数据。

本研究评估了以色列历史土壤光谱库中91份地中海地区土壤样本在无控室内条件下储存34-37年后的稳定性。通过对比1987年与2024年的化学分析（SOM和CaCO₃）及2004年与2024年的光谱测量数据，发现土壤性质仅发生微小变化（SOM和CaCO₃的R²分别为0.925和0.962）。光谱分析展现出优于湿法化学分析的精确度，mASDS指数、PCA和PLSR分析均证实了光谱特征的长期稳定性。研究证实简易储存条件下土壤性质可保持稳定，为全球土壤监测提供了重要依据，并建议推进标准化光谱库建设。

本研究基于全国5000个代表性土壤剖面，整合机器学习与环境协变量，生成了中国9种土壤属性的90米分辨率网格图。预测精度显著优于现有土壤数据集。该成果为GlobalSoilMap项目提供了高精度中国土壤数据，可支持土壤管理、生态评估等领域。

本研究综述了当前光谱建模的局部化方法，并认为局部化是一个典型的迁移学习问题。随后，我们在土壤光谱建模的背景下，综述并定义了迁移学习，提出该框架可为土壤光谱学新方法的开发提供指导。我们将基于实例的 RS-LOCAL 2.0 迁移学习方法应用于土壤光谱学，研究结果表明，GSSL 2.0 包含对迁移学习有用的信息，还阐明了 RS-LOCAL 2.0 迁移学习的作用机制。迁移学习在土壤光谱学中的应用和进一步发展，将受益于 GSSL 2.0 等全球土壤光谱库的进一步开发和扩展。

研究了非线性基于记忆的学习（N-MBL）模型，用于基于可见-近红外光谱预测土壤特性。通过742个砖红壤样本的光谱库，对比了N-MBL与传统局部模型（MBL）及5种机器学习模型的性能。

数字土壤制图研究进展与挑战，本研究系统综述了2003-2021年244篇大比例尺（空间范围>10,000 km²）数字土壤制图（DSM）文献，聚焦GlobalSoilMap规定的12项核心土壤特性。研究揭示了深层土壤（>100 cm）数据不足、环境协变量缺失等关键挑战，建议加强历史数据保护、优化采样设计、开发动态DSM方法，以提供高质量土壤信息支持全球土壤资源管理决策。

土壤光谱学作为传统土壤分析方法的补充，正逐步从学术研究转向全球应用。由FAO牵头、IUSS支持的GLOSOLAN-Spec计划致力于推动国际合作，解决标准化、教育普及等七大挑战。该技术通过可见-近红外和中红外光谱快速估算土壤有机碳、pH值等关键指标，具有高效经济优势。当前需重点建设全球实验室网络、开发开放共享的光谱库与估算平台，并推进便携仪器研发和野外应用。通过加强多学科协作、完善质量标准和能力建设，土壤光谱学有望为全球可持续土壤管理提供可靠数据支持。

全球开放土壤光谱库（OSSL），整合11个国际光谱库数据，通过标准化处理和机器学习建模，实现土壤性质的快速预测。采用两级数据协调方法，统一不同来源的数据格式和分析方法，并开发了基于Cubist算法的预测模型。

Bibliometrix是一款强大的文献计量分析R包，支持Web of Science、PubMed等数据库的文本/BibTex/CSV格式数据。

土壤作为地球关键带核心组分，承担生态服务、碳储存等关键功能，但土壤退化、城市化等压力威胁其可持续性。传统土壤属性分析方法耗时、昂贵且操作复杂，难以满足大尺度监测需求。可见 - 近红外（vis-NIR）光谱法具备快速、低成本、非破坏性优势，但缺乏全球尺度、多样化的光谱数据库支撑跨区域应用，现有研究多局限于小尺度，存在数据重复与应用局限。

土壤氮循环和磷循环主要转化过程

近红外光谱分析中的采样技术及其仪器结构。

Digital Soil Core（DSC）探头是一种先进的多传感器土壤探测系统，可快速获取高分辨率3D土壤信息。该探头集成尖端应力传感器、套筒摩擦力传感器、介电常数传感器、电导率传感器、MEMS麦克风、视频显微镜和VNIR光谱仪等7种传感器，能在60秒内完成120cm深度剖面测量，垂直分辨率达1cm。

RapidMapper移动土壤多传感器平台组件

列出了一部分土壤红外光谱分析中的关键技术方法。

一种融合机器嗅觉与多光谱数据（UV-Vis-NIR和MIR）的土壤关键养分预测方法。

探讨了Vis-NIR与MIR光谱三种融合方法对土壤养分预测。通过低、中、高三个层次融合策略（全光谱拼接、LASSO特征选择、预测结果加权），结合PLSR和SVM建模，评估了6种土壤养分预测效果。

该图展示了电磁光谱中的近红外（NIR）区域（780-2500nm）及其细分，标注了与土壤化学性质相关的关键官能团（C-H、N-H、O-H）。红外光谱分为近红外（NIR）、中红外（MWIR）和远红外（FIR）。