编辑推荐：
这篇综述运用文献计量学和荟萃分析方法，研究土壤质量评估指标。通过对阿根廷疫情期间 118 篇文献的分析，确定了区域敏感指标。多对应分析（MCA）揭示指标关系，强调跨学科研究对实现联合国可持续发展目标的意义，还展望了机器学习的应用前景。
土壤质量评估的研究新进展
在土壤质量评估的研究领域，一项别具意义的文献研究正不断深入。该研究采用文献计量学和荟萃分析的方法，对科学出版物中的土壤质量评估指标展开探究，致力于为未来全球土壤价值评估提供具有推广性的见解。
研究人员对阿根廷疫情期间的 118 篇关于土壤质量评估的科学出版物进行了系统的文献综述。在这个过程中，他们识别出了具有区域敏感性的土壤质量指标。这些指标并非凭空而来，而是通过严谨的研究方法筛选得出。其中，多对应分析（MCA）发挥了重要作用，它能够在二维空间中揭示不同指标类别之间的相互关系。
研究发现，除了产量之外的作物因素、综合理化 - 生物统计分析、生态区域以及本土知识指标，对数据集总方差的解释率超过 30%。这意味着这些因素在塑造土壤质量评估数据方面具有不可忽视的影响力，它们反映了不同环境背景下土壤质量的变化趋势。比如，不同生态区域的土壤，其质量受到当地独特的气候、植被等因素影响，通过这些指标的分析，就能更精准地把握土壤质量的特征。
研究人员通过 MCA 的低维聚类分析，研究分类变量之间的关联，从而确定了具有时间和地点特异性的土壤质量指标。并且，k - 均值稳健性检验也进一步证实了这些指标的可靠性。这些指标突出了特定时期和区域的土壤质量变化趋势，为土壤质量的精准评估提供了有力依据。
值得一提的是，在相关科学出版物中，来自不同生态区域的女性研究人员做出了重要贡献。她们的研究成果丰富了土壤质量评估的理论和实践，为该领域注入了新的活力。
从更宏观的角度看，这项跨学科研究基于可转移、情境敏感且明确的框架，与多个联合国可持续发展目标紧密相连。例如，通过合理评估土壤质量，能够为农业可持续发展提供支持，助力实现粮食安全等目标。
展望未来，机器学习在土壤质量评估领域有着广阔的应用前景。借助机器学习强大的数据处理能力，可以在更广泛的空间和时间尺度上快速开展土壤质量评估工作，使土壤质量评估在全球范围内具有更好的推广性和实用性，为全球土壤资源的合理利用和保护提供更科学的依据 。
