综述：基于机器学习的农业土壤呼吸量化研究及其对农业土壤碳汇管理的启示

《Agriculture》：A Bibliometric Study on Machine Learning-Based Quantification of Agricultural Soil Respiration and Implications for the Management of Agricultural Soil Carbon Sinks Tongde Chen, Lingling Wang, Xingshuai Mei, Jiarong Hou and Fengqiuli Zhang

这篇文献计量学综述系统梳理了2021-2025年间，机器学习应用于农业土壤呼吸量化研究领域的发展脉络与知识结构。文章揭示了该领域呈现“技术驱动-机制深化-应用拓展”的三段式演进路径，形成了算法、机理与应用三大核心知识集群。研究指出，中国是核心科研产出地，而美国在全球合作网络中扮演关键枢纽。该领域的发展为精准评估农业土壤碳汇、服务碳中和（carbon neutrality）目标提供了重要的方法论支持。未来，应聚焦可解释性人工智能（XAI）与机理融合、多源数据同化与不确定性量化框架构建等方向，以深化理论与应用。

　　

一篇关于“AI嗅探土壤呼吸”的前沿综述：从数据预测到碳汇管理

引言：一个交叉领域的兴起

在应对全球气候变化和推动农业可持续发展的宏大背景下，农业土壤呼吸——这个关乎大气与土壤之间碳动态交换的关键过程，其精准量化显得至关重要。它不仅是理解生态系统碳循环机制的基础，更是评估农田碳汇功能、优化管理措施以实现农业碳中和（carbon neutrality）的科学前提。近年来，随着人工智能（AI）与机器学习（ML）技术的飞速发展，一场静默的革命正在农业环境科学领域发生。机器学习模型以其处理复杂非线性关系、融合多源多尺度数据的强大能力，显著提升了土壤呼吸等关键碳通量过程的模拟与预测精度，推动相关研究从传统经验模型向数据驱动、高精度、可扩展的智能预测范式转型。

然而，这个新兴的交叉领域发展迅速，文献量激增，其宏观的知识结构、演化路径与国际合作格局仍缺乏系统性的梳理。为此，一篇最新的文献计量学研究应运而生，它如同一位“知识地图”的绘制者，系统剖析了2021至2025年间该领域966篇核心文献，为我们勾勒出一幅清晰的发展图景。

发展脉络：从方法验证到系统集成

研究显示，该领域在过去五年经历了清晰的阶段性演变。初期（2021-2022年）是“方法论确立期”，研究核心在于验证机器学习方法在土壤呼吸预测中的可行性与优越性，关键词高度集中于“机器学习”、“土壤呼吸”、“预测”和“温度”等基础问题。随后进入“技术多元化与过程深化期”（2023-2024年），具体高效算法如随机森林（RF）、深度学习（DL）的应用成为热点，同时研究视角扩展到“气候变化”、“碳通量”等更宏观的机制关联。最近（2024-2025年），领域前沿明显转向“数据融合与尺度扩展期”，研究焦点开始聚集于“遥感”数据融合、“不确定性”量化、模型“性能”评估以及面向“中国”等典型区域的应用，标志着该领域正从追求模型的“可用性”迈向关注其“可靠性”与“实用性”。

知识地图：三大支柱的协同演进

通过关键词聚类分析，该领域的知识结构清晰地呈现为三大相互关联的支柱，构成了“方法-机制-应用”协同演进的完整生态系统。

1. 1.
   算法与模型方法支柱：这是最活跃的核心，以“机器学习”、“随机森林”、“深度学习”和“集成学习”等关键词为标志。它代表了驱动该领域发展的技术引擎，其发展轨迹从通用方法探索走向复杂模型的应用与优化。
2. 2.
   环境驱动因素与过程机制支柱：这一支柱聚焦于科学本质，核心关键词包括“温度”、“土壤水分”、“气候变暖”和“二氧化碳通量”（CO₂flux）等。它致力于揭示土壤呼吸的生物地球化学调控机制，从关注单一主导因子扩展到探究水、热等多因子的交互作用，为模型构建提供了不可或缺的机理支撑。
3. 3.
   数据融合与区域应用支柱：这是代表领域发展前沿的方向，由“遥感”、“中国”、“农业”、“不确定性”和“尺度扩展”等关键词标识。它意味着研究正通过融合遥感等多源空间数据，将站点尺度的模型能力拓展至区域乃至国家尺度，并高度重视在此过程中的模型不确定性量化问题。

这三者并非孤立发展：算法支柱为机理研究提供新工具；机理研究的需求又推动算法针对特定场景（如异质数据）进行优化；而区域应用的需求则直接拉动了数据融合技术与不确定性量化方法的发展。这种螺旋式上升的逻辑，构成了该领域内在的发展动力。

全球科研力量图谱：亚洲主导，中美双核

在国际合作版图上，该领域形成了“亚洲主导、中美双核、欧洲联通”的鲜明格局。中国在科研成果产出上占据绝对主导地位，发文量占总量的61.9%，这体现了中国在响应“双碳”战略、发展智慧农业方面的强大科研投入。美国则在发文量上位居第二，凭借其在环境模型、遥感科学和基础算法领域的深厚积累，在全球合作网络中扮演着关键的“枢纽”角色。许多欧洲国家（如德国、瑞典）尽管总发文量不高，但在网络中处于重要的“桥梁”位置，促进了跨区域的学术交流。这种格局优势在于能快速整合东方大规模应用场景的数据优势与西方前沿方法论的创新能力。

对农业土壤碳汇管理的深远启示

土壤呼吸与土壤碳汇之间存在动态平衡关系。土壤碳汇的积累取决于植物光合作用输入的有机碳与土壤呼吸释放的二氧化碳之间的净差值。因此，准确量化并理解土壤呼吸，是评估和提升土壤碳汇潜力的关键。

本综述揭示的机器学习研究趋势，为农业土壤碳汇的科学评估与智能管理提供了重要启示：

• •
  精准识别与优化管理：高精度的机器学习模型能够识别土壤呼吸的关键环境驱动因子及其对人为管理的响应。据此，可以优化耕作、灌溉和施肥策略，在维持农业生产力的同时，减少碳输出、增强土壤固碳。
• •
  支撑区域碳汇核算：该领域前沿对区域尺度模拟和不确定性量化的聚焦，意味着机器学习方法能够为县域乃至国家尺度的农业碳汇核算提供空间明晰且带有置信区间评估的结果。这对于构建可信的农业碳汇监测-报告-核查（MRV）体系、支撑碳交易市场和农业碳补贴政策具有重大价值。
• •
  迈向智能决策支持：未来，通过推动可解释人工智能（XAI）与过程模型的深度融合，不仅能提升预测可靠性，更能揭示不同农业管理情景（如保护性耕作、有机施肥）对土壤呼吸及碳汇的长期影响路径，从而为筛选适应当地特征的高效固碳技术体系、推动农业向“气候智慧型”转型提供决策支持。

未来展望：迈向集成、开放与决策

站在从“快速增长期”迈向“系统集成期”的关键节点，该领域未来应在多个维度寻求突破：

1. 1.
   模型机理融合：大力发展可解释AI、因果推断、物理信息神经网络（PINN）等方法，推动数据驱动模型与基于过程的土壤生物地球化学模型、作物生长模型的深度耦合，开发下一代兼具高预测精度和生态机理的智能模型。
2. 2.
   不确定性管理：构建适应农业生态系统特点的多源数据智能同化算法，并建立从输入数据、模型参数到输出结果的全链条不确定性量化、传递与归因分析系统，为碳汇风险管理和政策决策提供可靠工具。
3. 3.
   拓展全球代表性：着力构建覆盖全球主要农业生态区的协同观测-模拟网络，鼓励开展长期、跨区域的比较研究，增强模型在不同气候-土壤-管理组合下的适应性和外推可靠性。
4. 4.
   构建开放科研生态：倡导由主要国家科研机构牵头，共建开放共享的农业土壤呼吸与碳汇多源数据库、基准测试平台和模型互操作接口，加强核心与新兴科研区域在数据、方法与人才方面的实质性合作。

随着可解释AI、多模态数据融合、数字孪生等新技术的不断赋能，该领域有望在技术应用层面形成“空-天-地”一体化的智能监测-模拟-决策支持系统；在科学认知层面深化对农业生态系统“呼吸-碳汇-气候”反馈耦合机制的理解；在研究范式层面，推动形成跨学科、跨界别、开放协作的全球合作新模式。通过坚持问题导向、深化技术融合、加强开放协作，基于机器学习的农业土壤呼吸量化研究必将在推动农业绿色转型、提升土壤碳汇功能、应对全球气候变化挑战的进程中，扮演不可或缺的核心角色。