1.2.1 土壤水盐运移理论及模型研究
土壤水盐运移理论是描述土壤水分和盐分在时空上的耦合效应，起源于达西（Darcy）定律。从动力学、能量守恒原理分析土壤水盐运移，用偏微分方程建立了多孔介质水运动方程。土壤盐分运移与水分运移相伴发生，水分运移是盐分运移的基础，但有溶质溶解的溶液在土壤中的运移十分繁杂。在20世纪中叶，国外学者通过一系列的试验论证了土壤中的溶质运移速率存在差别，是由溶液的弥散、扩散和对流的综合作用产生的，并在此基础上推导出一维土壤溶质运移方程。随着对土壤水盐运移机制更深入地研究，不再单单考虑弥散和对流，而更加关注田间实际情况，并考虑优先流、大孔隙流、可动水体等影响因素，并且水盐运移模型也逐渐广泛应用。Lapidus等初步探究了土壤水盐运移模型，到20世纪80年代，国际上水盐运移研究以Bresler总结的水盐运移理论和模型为代表。这时期，国内对土壤水盐运移也开展了大量的研究。石元春系统地开展了水盐运移的理论与试验研究；黄康乐通过交替方向的特征有限单元法探索了二维饱和与非饱和溶质运移问题；孙菽芬等采用差分数值法模拟了积盐中土壤水盐运移规律；胡克林探究了农田尺度下土壤属性的时空变异特性，并随机模拟硝酸盐淋洗过程。这些研究成果为土壤水盐运移理论的进一步深入研究提供了积极的借鉴意义。
自20世纪80年代Bresler总结的水盐运移理论和模型以来，陆续研究开发出一系列的模型和软件。土壤水盐运动方程是非线性的、土壤质地多样、初始边界条件复杂、参数众多，很难得到准确的解析解，而数值方法是目前求解模拟水盐运移问题的有效方法。近年来，随着计算机性能和技术的提高，基于计算机的数学模型有Hydrus，WAVE，SWAP，FEFLOW，2DFATMIC等，并开展相关研究，取得了一定成果。
水盐运移模型大致可分为以下两类：
1）物理模型
与其他学科一样，物理模型主要采用相似准则，通过按照一定比例构建实物体，模拟科研问题，即常说的室内模拟试验，包括土壤实验参数的测定等属于这个范畴。
2）确定性数学模型
该模型的边界参数都是确定的，主要由对流-弥散方程构成，可较好地模拟土壤水盐在多孔介质中的运移机理及在时空上的差异变化，是目前广泛采用的一类模型。
土壤盐分运移的基本方程为
土壤水分运移的基本方程为
式中 θ——土壤体积含水量，cm3/cm3；
c——土壤溶液浓度，g/cm3；
D——水动力弥散系数，cm2/s；
q——土壤水渗流系数，cm/s；
Z——空间坐标，原点在地表，向下为正，cm；
t——时间变量，T；
K（θ）——水力传导度，cm/s；
D（θ）——扩散度，cm2/s。
此外，模拟水盐运移时，确定性数学模型中仅考虑水分垂向运移可建立一维Richards模型，Gottardi（1993年）等详细阐述了一维Richatds模型的形式及数值解法；考虑土壤吸附、分解等源汇项可建立非饱和土壤溶质数学模型；考虑不动水体和可动水体可建立两区模型。除了上述两种常用的模型，水盐运移模型还有将土壤溶质运移作为随机过程处理，1974年Jury提出溶质迁移函数模型（TFM）；1975年Stanford提出用于水质评价的黑箱模型及Melsen将土壤空间变异理论引入土壤水盐运移理论中，提出随机统计模型。
土壤水分运动及溶质运移方程的求解往往因边界条件复杂、计算参数众多、数值方法繁杂，在土壤水盐动态预测中运用受限。针对数值解析法存在的不足，许多学者将机器学习-人工神经网络技术应用到土壤水盐运移分布预测的研究上。机器学习起源于20世纪50年代，以实测数据为基础，选取适当的算法，训练得出模型的一种技术。它的本质是借助计算机的高计算性能，选取不同的数学算法模型对实际数据进行拟合与迭代逼近，通过样本训练拟合出现实问题的未知函数，实现直接编程无法完成的一种方法。但机器学习的传统算法在计算、识别、检测等领域显得力不从心，此时深度学习算法的出现突破了机器学习发展瓶颈，扩大了人工智能应用的领域。
Schindler等认为，基于数据驱动的模型较基于过程机理模型更具优势。作为当前机器学习领域最为活跃的深度学习理论及技术，在时间序列上的学习和表征具有明显的优势。深度学习通过组合低维度数据特征构建更抽象的结构化高维度，发现数据分布规律，并从少数样本集中学习数据本质，其在计算机视觉、自然语言处理、机器翻译、医疗、生物识别等领域已取得长足发展。康俊锋等比较了6种不同的机器算法模型预测PM2.5浓度间的差异；基于深度学习序列到序列的算法建立的上海市PM2.5统计预报模型，能有效地提高预报PM2.5精度；深度学习在疾病诊断中广泛应用；基于深度学习的算法能够高效检测出大豆缺素分类，与迁移学习融合能更清晰、连贯地提取寒旱区遥感河流影像；闵超等综述了深度学习在石油行业的发展与展望。但是，深度学习在农田土壤水盐运移模型方面的应用鲜见报道。由于农田土壤的复杂性与特殊性，目前还没有适宜土壤水盐运移的深度学习训练样本库，也没有针对性地建立深度学习模型和算法体系。但是，随着检测手段的发展及信息的不断积累，深度学习理论及技术会在土壤水盐运移领域的应用上逐步得到广泛认可，表现出比传统过程机理模型更高效、更精准的优势。