《Sustainable Futures》：Integrating artificial intelligence in climate change and sustainable development: A comprehensive bibliometric review
编辑推荐：
人工智能（AI）与气候变化和可持续发展（SD）研究的整合具有显著潜力，能够推动可操作、数据驱动、创新且长期的减缓与适应策略。然而，目前缺乏一项系统化、综合性的综述来描绘AI、气候变化与SD关系网络。本研究通过一篇文献计量综述来填补这一重要空白，该综述剖析了描述
人工智能（AI）与气候变化和可持续发展（SD）研究的整合具有显著潜力，能够推动可操作、数据驱动、创新且长期的减缓与适应策略。然而，目前缺乏一项系统化、综合性的综述来描绘AI、气候变化与SD关系网络。本研究通过一篇文献计量综述来填补这一重要空白，该综述剖析了描述性文献计量、绩效和概念分析。利用Web of Science核心合集，研究人员使用Bibliometrix和VOSviewer软件分析了2007年至2025年的3291篇出版物。研究结果表明，年出版增长率为38.29%，原始文章（80%）是主要的出版类型。中国科学院是最大的贡献机构，中国和美国在研究产出以及国际AI整合气候与SD研究合作方面处于领先地位。关键词分析显示，“人工智能”、“气候变化”、“深度学习”、“机器学习”和“可持续性”是主导关键词。概念图谱识别了四种方法：宏观层面的AI驱动数字化；方法论驱动的地理空间和基于机器学习的环境监测；预测建模；以及AI驱动的智慧农业应用。主题图谱揭示了一个转变，从以气候变化为重点的基础AI研究（2007-2013）转向将AI与气候变化和SD整合（2014-2019），再到建模与预测方法（2020-2025）。研究结果突显了显著的地理不对称性；在气候脆弱低收入地区仍存在数据和研究的空白。低收入国家的采掘率为41%，表明其近一半的出版物由高收入国家主导。建议基于理论、方法论、实践和政策考量，并强调可持续发展目标（SDGs）13和17。本研究为研究人员、从业者和政策制定者提供了见解，以强调政策和技术，并实施基于关系网络的框架。
人工智能（AI）与气候变化及可持续发展（SD）的交叉研究是当前全球关注的热点。尽管AI在环境监测、气候预测、资源优化等方面展现出巨大潜力，但既有文献多将AI、气候变化与SD作为独立主题分别探讨，缺乏整合三者关系网络的系统性综述。现有研究往往局限于特定领域或采用单一分析维度，难以全面揭示该跨学科领域的演进路径、知识结构、空间差异和合作格局。为弥补这一缺口，本研究提出一套综合的文献计量分析框架，通过整合绩效分析、科学图谱、主题演化、合作网络和内容分析，系统描绘AI整合气候变化与SD研究领域的全貌，并特别关注理论、方法、实践和政策层面的启示。
研究人员基于Web of Science核心合集，采用PRISMA流程筛选出2007至2025年间的3291篇英文文献，运用Bibliometrix R包和VOSviewer软件进行数据分析和可视化。研究方法包括描述性统计、Lotka定律和Bradford定律分析、作者及国家共引和合著网络分析、关键词共现与多对应分析（MCA）、主题演化分析，以及针对低收入国家（LICs）的研究采掘率（ER）计算。ER定义为LICs参与论文中由高收入国家（HICs）通讯作者主导的比例，用以评估研究合作的平等性。
### 3.1 本研究所用数据概况
数据集包含2007至2025年间3291篇出版物，年增长率为38.29%，篇均引用16.49次，共涉及1067个来源、14,795位作者，国际合作率为43%。原始文章占79.95%，是该领域最主要的出版类型。
### 3.2 AI整合气候变化与SD研究格局的绩效综合视角
年度发文量自2018年后显著上升，2025年预计成为峰值年份（超过1000篇），反映了社会技术转型背景下AI与气候及SD融合的加速趋势。作者分析显示，Farooque A.A.发文量最多（32篇），Yaseen Z.M.拥有最高h指数（14）和最多引用（981次）。Lotka定律表明，仅1.3%的作者发文超过5篇，呈现明显的"精英核心"结构。期刊方面，Sustainability发文量最高（280篇），Remote Sensing、Science of the Total Environment等构成核心期刊群。机构层面，中国科学院贡献最大（>500篇），中国、美国、印度、意大利和加拿大是产出最多的五个国家。空间分布上，亚洲占48%，欧洲占24%，南美洲仅占2%，揭示出显著的区域不平衡。进一步合作分析显示，中国在单国和多国合作中均居首位，而众多低收入国家仍处于研究网络的边缘。
### 3.3 最有影响力的贡献者（作者、来源、国家）及其知识结构网络
作者共引网络识别出9个高度互联的聚类，Beiman等学者具有较高共引影响力；合著网络则显示作者间合作强度较低（171条链接）。期刊共引分析中，Remote Sensing被引最多（4898次），Sustainability和Science of the Total Environment紧随其后。国家引用网络和合著网络均以中国为核心节点，但参与国分布极不均衡，许多发展中国家参与度有限。研究还计算了LICs的ER为0.41，领导率为0.59，表明其合作呈现"混合型"结构，既有平等合作成分，也存在41%的“采掘性”合作——即近一半LICs相关论文由HICs研究人员主导通讯作者，lics更多扮演数据提供者或当地协作者角色。
### 3.4 关键研究主题、热点主题、时间演化、概念发展和主题结构
关键词共现分析显示，除“人工智能”和“气候变化”外，“深度学习”、“遥感”、“人工神经网络”等构成核心方法论词汇。热点词分析确认了机器学习、AI、气候变化在2018-2025年间的主导地位。主题演化划分三个时期：2007-2013年的基础AI应用阶段，2014-2019年的方法多样化和政策导向阶段，2020-2025年的预测建模和深度学习阶段。MCA识别出5个概念簇：宏观数字化簇、地理空间监测簇、预测建模簇、智能农业簇，以及一个连接各簇的跨领域整合簇。高被引文献分析显示，遥感数据、机器学习模型和物联网技术是支撑这些簇的主要成分，且研究逐渐向集成化决策支持系统收敛。主题结构图展示"气候变化"、"AI"和"可持续发展"是核心驱动主题；"城市热岛"和"城市规划"为高发展但边缘化的主题；"深度学习"和"预测"等处于新兴或衰退象限；"机器学习"和"遥感"为基础主题，但需要进一步标准化。
讨论部分强调，地理知识生产的不平衡是结构性特征：HICs凭借资金和制度优势主导AI气候与SD研究，而最易受气候影响的LICs贡献有限。41%的采掘率表明现有伦理框架不足以消除全球研究合作中的不平等，这种动态被称为“现代殖民实践”，它将加剧AI治理中的数据、劳动和知识权力失衡。此外，AI本身的双重角色（既助力减排又带来能耗）要求政策层面推动绿色AI和可持续计算。研究人员提出，未来研究应基于理论、方法、实践和政策四方面综合建议，尤其应关注SDG 13（气候行动）和SDG 17（促进目标实现的伙伴关系），通过加强本地能力建设、开放数据平台和公平合作机制来缩小南北差距。
结论部分指出，本研究通过整合文献计量分析揭示了AI整合气候变化与SD研究领域的快速增长、核心贡献者、知识结构、主题演化和全球不平等现状。从2007至2025年，该领域经历了从基础AI应用到高级预测建模的转变，但研究和合作仍集中于少数高收入国家及中国。网络分析显示知识凝聚力强但协作分散，LICs处于边缘位置。未来需要采取公平导向的策略，包括对LICs主导研究的定向资助、多语言出版支持、可持续AI基础设施投资，以及建立兼顾透明度和责任感的AI治理框架。本研究为跨学科研究者提供了可复制的分析模板，并为政策制定者提供了基于证据的决策参考。
