《Environmental and Sustainability Indicators》：Trends in Soil Organic Carbon Prediction Research Using Geospatial Technologies and Artificial Intelligence: an exploratory bibliometric analysis (2005-2025)
编辑推荐：
土壤有机碳（SOC）是土壤肥力和气候调节的核心，其空间预测日益依赖地理空间技术和人工智能（AI）。现有的文献计量研究和综述已分别考察了基于遥感的土壤有机质监测、农业SOC组分或数字土壤制图，但缺乏关于这些分支如何汇聚成用于SOC预测的GeoAI（地理空间人工智
土壤有机碳（SOC）是土壤肥力和气候调节的核心，其空间预测日益依赖地理空间技术和人工智能（AI）。现有的文献计量研究和综述已分别考察了基于遥感的土壤有机质监测、农业SOC组分或数字土壤制图，但缺乏关于这些分支如何汇聚成用于SOC预测的GeoAI（地理空间人工智能：AI与空间显式数据的集成）的文献计量综合。该研究呈现了对2005年至2025年SOC预测研究的一项探索性文献计量分析。研究人员于2026年3月25日在Scopus中使用了带字段标签的布尔查询，限定为英文期刊文章；经过筛选和去重后，使用R中的Bibliometrix对1561篇文章进行了分析（绩效分析、合著、共被引、关键词共现）。年增长率为28.68%，产出在2018年后急剧上升，并在2024年超过300篇；40.49%的文章涉及国际合著，文献平均被引43.67次。中国和美国在总被引方面领先（分别为16,602和8,006次），中国在产出方面领先。Geoderma、Science of the Total Environment和Environmental Monitoring and Assessment是最常见的来源期刊；关键词分析确定机器学习、遥感和数字土壤制图为方法论核心。产出、被引和合作集中在少数国家，非洲、南亚和拉丁美洲部分地区代表性不足，这可能限制模型的可迁移性，但未测量其原因。由于该分析是文献计量性质的，研究结果描述研究趋势，而非模型性能或环境结果。
土壤有机碳（SOC）是陆地生态系统的基本组分，在土壤肥力、气候调节和可持续农业生产中具有关键作用。作为最大的陆地碳库，土壤碳储量高于大气和植被之和，因此SOC动态对全球碳循环和气候变化减缓至关重要。然而，由于气候、地形、植被、母质和土地利用的复杂交互，SOC具有高度空间和时间变异性。传统土壤调查方法劳动密集、耗时，难以在大区域捕获精细尺度异质性；遥感等地理空间技术和人工智能（AI）的进步使SOC估算发生转变，机器学习（ML）算法如随机森林（RF）、支持向量机（SVM）、极限梯度提升（XGBoost）等被广泛采用。GeoAI（地理空间人工智能，即AI与空间显式数据的集成）正在成为集成GIS和遥感数据分析复杂空间模式的新范式。尽管已有文献计量研究分别关注遥感土壤有机质监测、农业SOC组分或数字土壤制图，但缺乏这些分支如何汇聚为GeoAI用于SOC预测的综合文献计量合成；现有文献仍呈碎片化，且存在模型可解释性、跨区域可迁移性以及发展中区域代表性不足等问题。因此，有必要开展全面的探索性文献计量分析。
研究人员对2005—2025年间全球SOC预测研究进行了探索性文献计量分析。通过Scopus数据库检索，最终纳入1561篇英文期刊文章，并利用Bibliometrix工具进行绩效分析、合著分析、共被引分析和关键词共现分析。结果显示，年增长率为28.68%，2018年后产出激增，2024年超过300篇；国际合著率为40.49%，平均每篇被引43.67次；中国在产出和总被引上领先，美国其次；Geoderma等期刊是主要传播平台。该研究填补了GeoAI在SOC预测领域整体定量综述的空白，并揭示了地理产出不平衡对模型可迁移性的潜在影响。
研究采用的主要关键方法包括：在Scopus数据库中进行系统性检索，使用包含“soil organic carbon”“prediction”“remote sensing”“machine learning”等关键词的布尔查询，限定2005—2025年英文期刊文章，并按PRISMA框架进行筛选和去重；随后使用R语言的Bibliometrix包进行绩效分析（计算年度发文量、总被引、篇均被引等指标）；同时进行科学图谱分析，包括合著网络分析、共被引分析、关键词共现分析和主题演化分析；并采用关联强度归一化方法生成网络可视化。样本来源为Scopus数据库，共纳入1561篇文献。
研究结果部分如下：
3.1 数据集描述性分析：对1561篇文献的分析显示，该领域年增长率为28.68%，共有7107位作者，平均每篇6.09位合著者，国际合著率40.49%，篇均被引43.67次，平均文献年龄4.05年。这表明该领域快速增长、合作密切且具有较高学术影响力。
3.2 年度科学生产趋势：年度发文量在2005—2012年极低，2013—2017年逐渐上升，2018年后急剧增长，2024年发文量超过300篇，2025年略有稳定。这表明该领域已经从边缘议题转变为主流研究方向。
3.3 最相关出版来源：发文量最多的期刊为Geoderma（405篇）、Science of the Total Environment（315篇）、Environmental Monitoring and Assessment（174篇）等，说明土壤科学、环境监测和遥感类期刊是主要传播平台。
3.4 最多产和最有影响力的作者：Shi Zhou、Chen Songchao、Demattê José A.M.等为高产作者；Demattê、Minasny、Arrouays等具有较高h-index和总被引，显示其持续学术影响力。少数研究者主导了方法创新。
3.5 国家和机构贡献：中国在累计发文量和总被引（16,602次）上均居第一，美国以8,006次被引居第二；澳大利亚、德国、法国等也有重要贡献。机构主要位于中国、美国和欧洲，国际合著占比高。同时，非洲、南亚和拉丁美洲部分地区代表性不足。
3.6 有影响力文献的引用分析：全球被引最高的文献是Weiss M.（2020）发表于Remote Sensing of Environment的论文（1,550次），本地被引最高的是Rossel R.A.V.（2010）发表于Geoderma的论文（98次本地被引）。高被引文献集中于遥感和数字土壤制图的经典研究。
3.7 关键词分析与研究主题：机器学习（622次）、遥感（535次）、数字土壤制图等为高频关键词。主题演化显示2010—2014年以回归树、数字地形分析为主，2015—2018年转向数据挖掘、偏最小二乘回归和AI，2019年后机器学习、遥感和数字制图相关术语急剧增长。研究主题归为三类：数据驱动的AI建模、地理空间遥感技术、土壤与环境应用。需要指出，GeoAI在该研究中被用作概念框架而非检索词或关键词类别。
3.8 关键词共现网络分析：共现网络呈现无标度特征，形成以机器学习/遥感（红色）、土壤/有机碳/数字土壤制图（绿色）、环境监测/土地利用/气候变化（蓝色）为核心的三簇结构；随机森林和预测等术语是连接计算与土壤应用的关键桥梁。
3.9 学术合作网络分析：作者合作网络呈现集散结构，少数核心作者作为合作枢纽；国家合作网络显示中国与美国是主要全球枢纽，并连接欧洲、澳大利亚、加拿大等国。这表明领域的快速发展得益于结构化的国际协作。
在讨论部分，研究人员指出，产出和引用的地理集中可能限制SOC预测模型向代表性不足地区的可迁移性；虽然未直接测量原因，但提出研究经费、数据、算力和国际合作网络的不平衡可能是结构性因素。为弥合差距，建议优先发展开放土壤和地理空间数据集、区域基准数据集和野外验证网络，加强GeoAI培训和南南、南北合作。研究局限性包括依赖单一数据库、仅限英文文献、未计算领域归一化引用影响等。
研究结论部分可翻译为：这项探索性文献计量分析表明，利用地理空间技术和AI进行SOC预测的研究已快速扩展，年增长率高且2018年后急剧上升。该领域高度合作，文章被引较多。中国在产出和总被引方面领先，美国其次；Geoderma、Science of the Total Environment和Environmental Monitoring and Assessment是最主要的来源期刊。主题演化显示，研究从传统统计和地统计方法向结合机器学习、深度学习、遥感和数字土壤制图的GeoAI方法论转变，这一融合扩大了SOC制图在精准农业、土壤肥力评估、碳核算和气候智能土地管理中的应用。未来研究应整合多源地理空间数据，提高GeoAI模型的可解释性、稳健性和可迁移性，并扩大在全球南方等代表性不足地区的验证。总体而言，GeoAI、遥感和数字土壤制图的融合正在将SOC预测从研究性活动转变为可持续土壤管理的操作性技术。
