Science|“农业地震学”揭示农田机械扰动的水文水动力学效应

近期，由中国科学院地质与地球物理研究所的 Qibin Shi（第一作者兼共同通讯作者）及华盛顿大学的 Marine A. Denolle（共同通讯作者）等人领衔的研究团队在《Science》期刊发表重要研究成果。该研究首次利用分布式声学传感技术（DAS）结合基于物理的水力机械模型，在分钟级和米级分辨率下，追踪了农田由于历史耕作和压实操作所导致的地震波与水文动态变化。

研究团队发现，土壤中的动态毛细管效应主导了受扰动土壤中的瞬态刚度和水分重新分配过程。这种效应导致了降雨后近地表饱和引起的地震波速度急剧下降，以及随后由蒸散发（ET）驱动的大幅度速度回升。该研究正式确立了“农业地震学”（Agroseismology）这一新领域，将 DAS 技术打造为一种可扩展的、非侵入式的土壤探测工具，为改进地球系统模型、土地管理以及提升农业抗灾能力提供了全新视角。

土壤是地球表面的重要动态界面，控制着水、碳和能量的交换。然而，目前的陆面和水文模型大多将土壤视为静态介质，忽略了人类反复的机械扰动（如农业耕作）对其微观孔隙结构的深远影响。

现有的土壤观测方法面临两难：地面传感器只能提供点状测量，难以应对大面积的空间异质性；而卫星遥感虽然覆盖广，但时空分辨率受限，且易受植被干扰。

这项研究的重要意义在于：

• 弥合观测尺度的鸿沟：利用光纤电缆将农田转化为高密度的地震波传感器网络，实现了连续、米级、亚分钟级的无损监测。

• 揭示动态土壤属性：解开了动态土壤特性如何调节水分通量与机械稳定性之间的耦合关系，打破了以往“土壤结构静态不变”的认知盲区。

• 指导农业抗灾与基建安全：明确了深耕和过度压实如何破坏土壤蓄水能力，为应对干旱、改进气候模型以及评估岩土工程风险提供了科学依据。

实验场地：长期受控的农田档案 研究在英国哈珀亚当斯大学的实验农场进行，覆盖 27 个地块。这些地块自 2011 年以来一直接受不同程度的耕作（免耕、10 厘米浅耕、25 厘米深耕）和农机轮胎压实（常规胎压、高胎压）处理。

技术突破：让普通光纤“听诊”土壤健康 研究人员在裸土表面约 2 厘米深处埋设了一条光纤电缆。基于分布式声学传感（DAS）技术，记录了 40 小时的连续环境地震噪声。

• 物理机制的转化：团队没有使用传统的湿度探针，而是监测地震波剪切波速的变化。当土壤吸水时，孔隙水压改变导致土壤变软（波速下降）；水分蒸发时，毛细管吸力增加导致土壤变硬（波速上升）。

• 虚拟雨量计：巧妙地将高频频段（80-140 Hz）的地震能量作为代理降雨量指标，精确反映了实时的降水动态。

Fig. 1 | 农田土壤属性与水文强迫的时空响应 

为了探究真实农田环境下的土壤水动力学，研究团队在不同处理地块下方埋设了光纤。监测数据显示，土壤孔隙率和压实度在空间上存在显著差异。当遇到降雨事件时，DAS 不仅精准捕捉了降水动态，其记录的地震波信号还显示出与土壤含水量强烈的负相关性：降水瞬间，反映土壤刚度的波速发生骤降；而在随后的蒸散发干燥期，波速又逐渐回升。

Fig. 2 | 响应蒸散发的水文与岩性变化对比 

研究通过对比相邻但响应迥异的观测点，揭示了土壤微观结构对水分动态的决定性作用。在强烈蒸散发条件下，某个重度扰动通道的水分快速流失，导致其代表骨架刚度的剪切波速在一个下午内跃升了约60%。这种剧烈波动无法用传统的静态力学模型解释，而是由“动态毛细管效应”主导——即水分在孔隙重新分配时产生的微观拉力。相反，结构受损较小的通道则几乎未出现波动，证明土壤结构的连通性直接决定了其水力机械响应的敏感度。

Fig. 3 | 机械扰动的空间变异性及其对水动力学的影响 

为量化人类活动影响，研究提出了“扰动指数”（DI），将耕作深度与压实程度融合为一个综合破坏指标。结果表明，高扰动土壤（如深耕且过度压实）的孔隙连通性遭到严重破坏，水分难以向下渗透，从而在浅表层形成饱和。这种“近地表饱和”引发了更长期的排涝和强烈的地表水分无效蒸发。而低扰动（免耕）土壤则能维持良好的孔隙网络，发挥深层毛细管缓冲作用，有效保持了整体水分的稳定。

Fig. 4 | 物理扰动对土壤水文响应影响的概念模型 

基于观测数据，研究提出了一个直观的概念模型，揭示耕作如何改变农田储水能力：

这项研究通过高精度光纤声学传感分析，识别了机械扰动对土壤水动力学的深刻影响。主要发现包括：

1. 反思农业可持续性：深耕和压实会严重损害土壤的保水能力和抗旱性，推行免耕或少耕等低干扰农业有助于维持土壤储水缓冲能力。

2. 约束地球系统模型：目前气候模型多忽略土壤孔隙演变。引入基于速率的动态毛细管效应，可极大提高地表径流、蒸散发和地下水补给估算的准确性。

3. 警示地质灾害风险：水分激增导致的刚度变化挑战了岩土工程中“土层静态”的假设，在评估地震液化和基建稳定性时必须考量水文波动。

复杂DAS海量数据的深度学习降噪与特征提取 本研究中，DAS 系统以 2kHz 的采样率在 40 小时内产生了极度庞大的原始波形数据，且混合了风声、农机震动等复杂环境噪声。传统的互相关函数（ACF）提取计算成本高昂。深度学习（如一维卷积神经网络 1D-CNN 或 Transformer 架构）可以直接应用于连续的 DAS 应变率数据，在潜空间中自动分离降雨信号、蒸发信号与背景噪声，实现实时、低延迟的土壤剪切波速（$v_s$）连续反演，极大降低农业物联网的边缘计算压力。

物理信息神经网络（PINNs）加速水力机械反演 该研究构建了复杂的正演模型 $v_s = L[H(P, Q, ET)]$，将水文模型（H）和包含 Hertz-Mindlin 接触理论的岩性模型（L）结合。这种物理方程的参数网格搜索（如反演动态毛细管系数和扰动指数）极其耗时。通过引入物理信息神经网络（PINN），可以将土壤质量守恒方程和非线性弹性力学定律直接嵌入神经网络的损失函数中。AI 代理模型可以替代繁重的微分方程求解过程，实现从“地震波速瞬变”到“土壤绝对含水率”和“孔隙连通度”的毫秒级秒级反演。

跨尺度地球系统模型（ESMs）的机器学习升流（Upscaling） 该研究的一个核心挑战是如何将农田米级尺度的“扰动指数（DI）”效应推广到区域甚至全球的气候模型中。空间自相关分析结合图神经网络（GNN）或多模态深度学习，可以整合卫星遥感（如 Sentinel-1 的合成孔径雷达数据）、地形数据以及有限的局部 DAS 观测数据。AI 可以学习光纤监测到的精细微观水动力学特征，并在未铺设光纤的广袤农业区进行预测，生成包含动态毛细管效应的全球高分辨率“土壤水分缓冲能力图”，为未来的全球碳汇和温室气体通量模拟提供极其关键的底层动态约束。