夜雨聆风
土壤健康指标评估方法与工具的演变——综述研究
来源：土地生态课题组 （2026年3月24日）
本文发表于国际期刊Geoderma，2026年468卷，论文第一作者及通讯作者为南非夸祖鲁·纳塔尔大学（University of KwaZulu-Natal）的Kwenama Buthelezi。
文章认为，土壤健康已成为可持续粮食生产、以保护为导向的土地管理和气候韧性的核心。然而，用于评估土壤健康指标的方法在概念上仍然零散且方法学上多样。本文综述了2000-2024年间用于评估土壤健康的工具和方法的发展，重点关注方法学趋势、概念转变及对实践的影响。采用PRISMA方法，分析了同行评审的研究，以识别主导的评估方法、时间模式和地理分布。结果显示，方法论从经验统计技术和基于指数的框架向数据驱动和机器学习方法的明显进展。早期评估高度依赖主成分分析、回归模型和复合土壤质量指数，这些指标提供了结构化但大多静态的土壤状况表现。近年来，越来越多的研究利用机器学习模型处理非线性交互和高维数据集，反映了数据可用性和计算能力的提升。尽管有这些进展，关键局限性依然存在，包括时空可迁移性有限、依赖区域特定校准以及指标评分与土壤功能过程之间的联系不足。地理差异依然明显，北美和亚洲的研究集中度较高，而非洲及其他数据稀缺地区的代表性相对有限。总体来看，土壤健康评估工具的发展显示了分析能力的提升，同时也显示出对更具过程知情、动态性和区域适应性框架的需求。未来研究应优先将机制理解与预测建模相结合，以提高土壤健康评估在多样化农业生态系统中的稳健性和适用性。
文章采用了一种称为系统性综述与荟萃分析首选报告项目（PRISMA）的标准化程序，因其对系统性综述、荟萃分析和范围综述的报告有明确指导，被用于进行范围文献综述。PRISMA方法包含四个主要阶段：数据库中主要关键词的生成；选择相关且可靠的数据库；筛选和分类相关文件以进行定性分析和处理结果并进行报告。使用电子数据库（Scopus）搜索相关文献，使用特定关键词在Scopus数据库中搜索相关文档。这些包括包括“Assessing soil health” “Assessing soil health parameters” “Soil Health” AND “Assessing”“Soil health” AND/OR “remote sensing” “Monitoring soil health”以及“soil health” AND/OR “machine learning”，所选主题领域包括农业与生物科学、环境科学、地球与行星科学、计算机科学和化学。这些领域之所以被选中，是因为文章与环境研究特别相关的土壤科学相关。并对文章进行审查，以确定监测和评估土壤健康参数的主要工具，以及用于预测和绘制土壤健康指标的模型。文章进一步分为两类：（i）用于监测土壤健康参数的工具/方法，（ii）通过遥感和机器学习技术绘制和预测土壤健康参数的工具/方法。
该检索策略共计2325篇论文，涵盖2000-2024年间，涵盖方法部分提及的所有主题领域（农业与生物科学、环境科学、地球与行星科学、计算机科学和化学）。经过重复删除和筛选，1427篇论文被排除为无关。共有403篇文章通过审核资格和全文审阅。其中214篇出版物被纳入研究，因为它们符合全球监测、评估、绘制和预测土壤健康参数研究的所有标准。作者关键词的文献计量分析揭示了所选出版物中明确的主题群。本研究发现数据集中出现频率最高的13个关键词。关于土壤健康评估主题，土壤健康、土壤有机碳、可持续农业、土壤肥力、土壤酶、土壤健康指标和保护农业是最常见的。相比之下，将土壤健康参数与土壤测绘和预测联系起来，作者常用的关键词包括机器学习、遥感、数字土壤测绘和随机森林。
（图片来自原文）
就关键词共现模式而言，结果表明，与土壤健康相关的关键词往往与管理导向型术语相联系，如保护性农业、免耕和可持续农业，以及土壤属性类术语，如土壤酶和土壤有机碳；而与建模相关的关键词则主要聚集于遥感和数字土壤制图等主题周围。机器学习相关术语具有较高的出现频次和共现强度，这表明在过去十年间，围绕土壤健康研究的计算建模方向正受到越来越多关注。土壤酶对应节点较小且呈蓝色，说明该指标在土壤健康评价中受到的关注相对不足，或其作为土壤健康指标的表征能力相对较弱。
合著网络分析结果提供了有力证据，表明当前土壤健康研究中的国际合作主要由少数核心国家主导，其中美国表现出最强的合著联系，并与中国、印度、巴西和加拿大保持广泛合作。这些国家同时具有最高的合著发文频次和较高的论文产出数量，反映出其在土壤健康研究领域较强的科研能力和较高的全球参与度。
（图片来自原文）
不同模型在历年土壤健康评价中的总体应用趋势，2021-2024年间，经验模型和机器学习模型的使用均呈稳步增长态势，这在很大程度上反映了该时期相关研究论文发表数量的持续增加。经验模型仍然是应用最广泛的工具，这凸显了其在土壤健康监测中具有较高的可获得性、较强的可解释性，以及长期以来所发挥的重要作用。
（图片来自原文）
在过去三十年里，土壤健康评估工具高度依赖于实证统计方法，如主成分分析（PCA）、线性回归模型（LRM）、土壤管理评估框架（SMAF）、主成分分析-土壤质量指数（PCA-SQI）、土壤健康综合评估（CASH）。其中，PCA使用最广泛，占综述文章的32%，其次是SMAF（13%）、LRM（12%）、PCA-SQI（9%）、CASH（7%）和SQI（6%），其余33%则包含各种其他模型。此外，还有一些罕见工具，如典型对应分析（CCA）、非度量多维尺度（NMDS）和结构方程模型。PCA和回归方法的主导性反映了长期以来对统计模型的依赖，以评估土壤健康指标随时间或跨土地利用系统的变化。同时，采用SMAF和CASH等框架，体现了对标准化、多指标方法日益重视，这些方法能够综合多样土壤属性，形成全面的评估。
（图片来自原文）
在第一个十年阶段（2000-2009年），PCA和LRM是土壤健康评价中占主导地位的工具，尤其常用于构建最小土壤健康指标集，以服务于SQI评分工具的开发。随后十年（2010-2020年）中，SMAF和CASH等框架型工具的应用增加，表明土壤参数评价逐步转向功能导向的解释路径。2021-2024年间，所采用工具的类型进一步拓展，评价方法体系更加多样化。Harney土壤健康测试、土壤健康评价协议与评估（SHAPE）、结构方程模型（SEM）以及随机森林（RF）等较新的方法得到更多应用。由此可见，深入认识现有工具的优势与局限，对于提升方法学严谨性、引导未来研究方向以及识别知识空白具有重要意义。
（图片来自原文）
2000-2009年间，机器学习（ML）在土壤健康研究中的应用较为有限，仅有少数研究采用此类方法。因此，在这一阶段，土壤参数预测主要依赖经验模型，如多元线性回归和偏最小二乘回归（PLSR）。2010-2020年期间，机器学习方法的应用显著增加，RF、支持向量机（SVM）和神经网络等模型开始在相关文献中频繁出现。自2018年以来，随着光谱数据和遥感数据集可获取性的不断提高，随机森林、支持向量机、Cubist以及偏最小二乘回归等方法迅速扩展。
这一趋势表明，随着技术发展逐步迈向人工智能（AI）阶段，学界对机器学习在土壤健康研究中应用潜力的信心不断增强。模型类型的多样化也反映出研究者正积极探索何种方法在不同情境下更具有效性和适用性，这说明机器学习正逐渐成为土壤健康评价中经验模型和过程模型的重要补充。因此，深入理解各类模型的关键特征、优势与局限，对于优化工具选择和提升预测精度至关重要。
（图片来自原文）
本研究的创新在于：以2000-2024年土壤健康指标评估研究为对象，基于PRISMA流程和Scopus数据库开展范围综述，系统梳理了经验统计方法、指数/框架方法与机器学习方法的演化路径，并将关键词共现、合著网络和区域分布纳入分析框架，从而不只停留在方法类型归纳层面，而是进一步揭示出土壤健康评估正由较为线性、静态的工具体系，向遥感支撑下的数据驱动和机器学习评估体系转变，其中PCA仍是最常见的经验方法，而RF已成为最具代表性的机器学习模型。
但仍存在局限：该研究的文献来源仅限Scopus，可能带来数据库覆盖和选择上的偏倚；同时，综述指出现有土壤健康评估研究本身仍普遍面临时空迁移性不足、区域特异性校准依赖较强、指标评分与土壤功能过程衔接不够，并且研究力量在北美和亚洲集聚、非洲等地区数据稀缺地区代表性不足等问题，因此当前方法体系在全球适用性、过程解释力和区域可推广性上仍有明显短板。
新书速递 | 教育部战略性新兴领域“十四五”教材《土壤与地下水污染防治》
院士领衔 | 学术巨作《作物栽培理论与实践》重磅出版发行！
农业农村部“十四五”规划教材《农作系统模拟》正式出版 | 助力智慧农业人才培养与技术创新
土壤氮转化过程：新方法与新认识
本书是国家出版基金项目“土壤生态学研究前沿”丛书之一。它将微生物学的微观奇迹与农业可持续发展的宏观需求完美联结，为你打开解磷微生物应用的新视野，让磷素管理工作迈向新高度。
破解磷困局：微生物驱动的农业绿色革命/《土壤磷素的生物转化》新书推荐/国家出版基金项目
“黄河流域易盐渍区高效生态农业技术创新丛书”推荐
来源：土地生态课题组 （2026年3月24日）
本文发表于国际期刊Geoderma，2026年468卷，论文第一作者及通讯作者为南非夸祖鲁·纳塔尔大学（University of KwaZulu-Natal）的Kwenama Buthelezi。
文章认为，土壤健康已成为可持续粮食生产、以保护为导向的土地管理和气候韧性的核心。然而，用于评估土壤健康指标的方法在概念上仍然零散且方法学上多样。本文综述了2000-2024年间用于评估土壤健康的工具和方法的发展，重点关注方法学趋势、概念转变及对实践的影响。采用PRISMA方法，分析了同行评审的研究，以识别主导的评估方法、时间模式和地理分布。结果显示，方法论从经验统计技术和基于指数的框架向数据驱动和机器学习方法的明显进展。早期评估高度依赖主成分分析、回归模型和复合土壤质量指数，这些指标提供了结构化但大多静态的土壤状况表现。近年来，越来越多的研究利用机器学习模型处理非线性交互和高维数据集，反映了数据可用性和计算能力的提升。尽管有这些进展，关键局限性依然存在，包括时空可迁移性有限、依赖区域特定校准以及指标评分与土壤功能过程之间的联系不足。地理差异依然明显，北美和亚洲的研究集中度较高，而非洲及其他数据稀缺地区的代表性相对有限。总体来看，土壤健康评估工具的发展显示了分析能力的提升，同时也显示出对更具过程知情、动态性和区域适应性框架的需求。未来研究应优先将机制理解与预测建模相结合，以提高土壤健康评估在多样化农业生态系统中的稳健性和适用性。
文章采用了一种称为系统性综述与荟萃分析首选报告项目（PRISMA）的标准化程序，因其对系统性综述、荟萃分析和范围综述的报告有明确指导，被用于进行范围文献综述。PRISMA方法包含四个主要阶段：数据库中主要关键词的生成；选择相关且可靠的数据库；筛选和分类相关文件以进行定性分析和处理结果并进行报告。使用电子数据库（Scopus）搜索相关文献，使用特定关键词在Scopus数据库中搜索相关文档。这些包括包括“Assessing soil health” “Assessing soil health parameters” “Soil Health” AND “Assessing”“Soil health” AND/OR “remote sensing” “Monitoring soil health”以及“soil health” AND/OR “machine learning”，所选主题领域包括农业与生物科学、环境科学、地球与行星科学、计算机科学和化学。这些领域之所以被选中，是因为文章与环境研究特别相关的土壤科学相关。并对文章进行审查，以确定监测和评估土壤健康参数的主要工具，以及用于预测和绘制土壤健康指标的模型。文章进一步分为两类：（i）用于监测土壤健康参数的工具/方法，（ii）通过遥感和机器学习技术绘制和预测土壤健康参数的工具/方法。
该检索策略共计2325篇论文，涵盖2000-2024年间，涵盖方法部分提及的所有主题领域（农业与生物科学、环境科学、地球与行星科学、计算机科学和化学）。经过重复删除和筛选，1427篇论文被排除为无关。共有403篇文章通过审核资格和全文审阅。其中214篇出版物被纳入研究，因为它们符合全球监测、评估、绘制和预测土壤健康参数研究的所有标准。作者关键词的文献计量分析揭示了所选出版物中明确的主题群。本研究发现数据集中出现频率最高的13个关键词。关于土壤健康评估主题，土壤健康、土壤有机碳、可持续农业、土壤肥力、土壤酶、土壤健康指标和保护农业是最常见的。相比之下，将土壤健康参数与土壤测绘和预测联系起来，作者常用的关键词包括机器学习、遥感、数字土壤测绘和随机森林。
（图片来自原文）
就关键词共现模式而言，结果表明，与土壤健康相关的关键词往往与管理导向型术语相联系，如保护性农业、免耕和可持续农业，以及土壤属性类术语，如土壤酶和土壤有机碳；而与建模相关的关键词则主要聚集于遥感和数字土壤制图等主题周围。机器学习相关术语具有较高的出现频次和共现强度，这表明在过去十年间，围绕土壤健康研究的计算建模方向正受到越来越多关注。土壤酶对应节点较小且呈蓝色，说明该指标在土壤健康评价中受到的关注相对不足，或其作为土壤健康指标的表征能力相对较弱。
合著网络分析结果提供了有力证据，表明当前土壤健康研究中的国际合作主要由少数核心国家主导，其中美国表现出最强的合著联系，并与中国、印度、巴西和加拿大保持广泛合作。这些国家同时具有最高的合著发文频次和较高的论文产出数量，反映出其在土壤健康研究领域较强的科研能力和较高的全球参与度。
（图片来自原文）
不同模型在历年土壤健康评价中的总体应用趋势，2021-2024年间，经验模型和机器学习模型的使用均呈稳步增长态势，这在很大程度上反映了该时期相关研究论文发表数量的持续增加。经验模型仍然是应用最广泛的工具，这凸显了其在土壤健康监测中具有较高的可获得性、较强的可解释性，以及长期以来所发挥的重要作用。
（图片来自原文）
在过去三十年里，土壤健康评估工具高度依赖于实证统计方法，如主成分分析（PCA）、线性回归模型（LRM）、土壤管理评估框架（SMAF）、主成分分析-土壤质量指数（PCA-SQI）、土壤健康综合评估（CASH）。其中，PCA使用最广泛，占综述文章的32%，其次是SMAF（13%）、LRM（12%）、PCA-SQI（9%）、CASH（7%）和SQI（6%），其余33%则包含各种其他模型。此外，还有一些罕见工具，如典型对应分析（CCA）、非度量多维尺度（NMDS）和结构方程模型。PCA和回归方法的主导性反映了长期以来对统计模型的依赖，以评估土壤健康指标随时间或跨土地利用系统的变化。同时，采用SMAF和CASH等框架，体现了对标准化、多指标方法日益重视，这些方法能够综合多样土壤属性，形成全面的评估。
（图片来自原文）
在第一个十年阶段（2000-2009年），PCA和LRM是土壤健康评价中占主导地位的工具，尤其常用于构建最小土壤健康指标集，以服务于SQI评分工具的开发。随后十年（2010-2020年）中，SMAF和CASH等框架型工具的应用增加，表明土壤参数评价逐步转向功能导向的解释路径。2021-2024年间，所采用工具的类型进一步拓展，评价方法体系更加多样化。Harney土壤健康测试、土壤健康评价协议与评估（SHAPE）、结构方程模型（SEM）以及随机森林（RF）等较新的方法得到更多应用。由此可见，深入认识现有工具的优势与局限，对于提升方法学严谨性、引导未来研究方向以及识别知识空白具有重要意义。
（图片来自原文）
2000-2009年间，机器学习（ML）在土壤健康研究中的应用较为有限，仅有少数研究采用此类方法。因此，在这一阶段，土壤参数预测主要依赖经验模型，如多元线性回归和偏最小二乘回归（PLSR）。2010-2020年期间，机器学习方法的应用显著增加，RF、支持向量机（SVM）和神经网络等模型开始在相关文献中频繁出现。自2018年以来，随着光谱数据和遥感数据集可获取性的不断提高，随机森林、支持向量机、Cubist以及偏最小二乘回归等方法迅速扩展。
这一趋势表明，随着技术发展逐步迈向人工智能（AI）阶段，学界对机器学习在土壤健康研究中应用潜力的信心不断增强。模型类型的多样化也反映出研究者正积极探索何种方法在不同情境下更具有效性和适用性，这说明机器学习正逐渐成为土壤健康评价中经验模型和过程模型的重要补充。因此，深入理解各类模型的关键特征、优势与局限，对于优化工具选择和提升预测精度至关重要。
（图片来自原文）
本研究的创新在于：以2000-2024年土壤健康指标评估研究为对象，基于PRISMA流程和Scopus数据库开展范围综述，系统梳理了经验统计方法、指数/框架方法与机器学习方法的演化路径，并将关键词共现、合著网络和区域分布纳入分析框架，从而不只停留在方法类型归纳层面，而是进一步揭示出土壤健康评估正由较为线性、静态的工具体系，向遥感支撑下的数据驱动和机器学习评估体系转变，其中PCA仍是最常见的经验方法，而RF已成为最具代表性的机器学习模型。
但仍存在局限：该研究的文献来源仅限Scopus，可能带来数据库覆盖和选择上的偏倚；同时，综述指出现有土壤健康评估研究本身仍普遍面临时空迁移性不足、区域特异性校准依赖较强、指标评分与土壤功能过程衔接不够，并且研究力量在北美和亚洲集聚、非洲等地区数据稀缺地区代表性不足等问题，因此当前方法体系在全球适用性、过程解释力和区域可推广性上仍有明显短板。
新书速递 | 教育部战略性新兴领域“十四五”教材《土壤与地下水污染防治》
院士领衔 | 学术巨作《作物栽培理论与实践》重磅出版发行！
农业农村部“十四五”规划教材《农作系统模拟》正式出版 | 助力智慧农业人才培养与技术创新
土壤氮转化过程：新方法与新认识
来源：土地生态课题组 （2026年3月24日）
本文发表于国际期刊Geoderma，2026年468卷，论文第一作者及通讯作者为南非夸祖鲁·纳塔尔大学（University of KwaZulu-Natal）的Kwenama Buthelezi。
文章认为，土壤健康已成为可持续粮食生产、以保护为导向的土地管理和气候韧性的核心。然而，用于评估土壤健康指标的方法在概念上仍然零散且方法学上多样。本文综述了2000-2024年间用于评估土壤健康的工具和方法的发展，重点关注方法学趋势、概念转变及对实践的影响。采用PRISMA方法，分析了同行评审的研究，以识别主导的评估方法、时间模式和地理分布。结果显示，方法论从经验统计技术和基于指数的框架向数据驱动和机器学习方法的明显进展。早期评估高度依赖主成分分析、回归模型和复合土壤质量指数，这些指标提供了结构化但大多静态的土壤状况表现。近年来，越来越多的研究利用机器学习模型处理非线性交互和高维数据集，反映了数据可用性和计算能力的提升。尽管有这些进展，关键局限性依然存在，包括时空可迁移性有限、依赖区域特定校准以及指标评分与土壤功能过程之间的联系不足。地理差异依然明显，北美和亚洲的研究集中度较高，而非洲及其他数据稀缺地区的代表性相对有限。总体来看，土壤健康评估工具的发展显示了分析能力的提升，同时也显示出对更具过程知情、动态性和区域适应性框架的需求。未来研究应优先将机制理解与预测建模相结合，以提高土壤健康评估在多样化农业生态系统中的稳健性和适用性。
文章采用了一种称为系统性综述与荟萃分析首选报告项目（PRISMA）的标准化程序，因其对系统性综述、荟萃分析和范围综述的报告有明确指导，被用于进行范围文献综述。PRISMA方法包含四个主要阶段：数据库中主要关键词的生成；选择相关且可靠的数据库；筛选和分类相关文件以进行定性分析和处理结果并进行报告。使用电子数据库（Scopus）搜索相关文献，使用特定关键词在Scopus数据库中搜索相关文档。这些包括包括“Assessing soil health” “Assessing soil health parameters” “Soil Health” AND “Assessing”“Soil health” AND/OR “remote sensing” “Monitoring soil health”以及“soil health” AND/OR “machine learning”，所选主题领域包括农业与生物科学、环境科学、地球与行星科学、计算机科学和化学。这些领域之所以被选中，是因为文章与环境研究特别相关的土壤科学相关。并对文章进行审查，以确定监测和评估土壤健康参数的主要工具，以及用于预测和绘制土壤健康指标的模型。文章进一步分为两类：（i）用于监测土壤健康参数的工具/方法，（ii）通过遥感和机器学习技术绘制和预测土壤健康参数的工具/方法。
该检索策略共计2325篇论文，涵盖2000-2024年间，涵盖方法部分提及的所有主题领域（农业与生物科学、环境科学、地球与行星科学、计算机科学和化学）。经过重复删除和筛选，1427篇论文被排除为无关。共有403篇文章通过审核资格和全文审阅。其中214篇出版物被纳入研究，因为它们符合全球监测、评估、绘制和预测土壤健康参数研究的所有标准。作者关键词的文献计量分析揭示了所选出版物中明确的主题群。本研究发现数据集中出现频率最高的13个关键词。关于土壤健康评估主题，土壤健康、土壤有机碳、可持续农业、土壤肥力、土壤酶、土壤健康指标和保护农业是最常见的。相比之下，将土壤健康参数与土壤测绘和预测联系起来，作者常用的关键词包括机器学习、遥感、数字土壤测绘和随机森林。
（图片来自原文）
就关键词共现模式而言，结果表明，与土壤健康相关的关键词往往与管理导向型术语相联系，如保护性农业、免耕和可持续农业，以及土壤属性类术语，如土壤酶和土壤有机碳；而与建模相关的关键词则主要聚集于遥感和数字土壤制图等主题周围。机器学习相关术语具有较高的出现频次和共现强度，这表明在过去十年间，围绕土壤健康研究的计算建模方向正受到越来越多关注。土壤酶对应节点较小且呈蓝色，说明该指标在土壤健康评价中受到的关注相对不足，或其作为土壤健康指标的表征能力相对较弱。
合著网络分析结果提供了有力证据，表明当前土壤健康研究中的国际合作主要由少数核心国家主导，其中美国表现出最强的合著联系，并与中国、印度、巴西和加拿大保持广泛合作。这些国家同时具有最高的合著发文频次和较高的论文产出数量，反映出其在土壤健康研究领域较强的科研能力和较高的全球参与度。
（图片来自原文）
不同模型在历年土壤健康评价中的总体应用趋势，2021-2024年间，经验模型和机器学习模型的使用均呈稳步增长态势，这在很大程度上反映了该时期相关研究论文发表数量的持续增加。经验模型仍然是应用最广泛的工具，这凸显了其在土壤健康监测中具有较高的可获得性、较强的可解释性，以及长期以来所发挥的重要作用。
（图片来自原文）
在过去三十年里，土壤健康评估工具高度依赖于实证统计方法，如主成分分析（PCA）、线性回归模型（LRM）、土壤管理评估框架（SMAF）、主成分分析-土壤质量指数（PCA-SQI）、土壤健康综合评估（CASH）。其中，PCA使用最广泛，占综述文章的32%，其次是SMAF（13%）、LRM（12%）、PCA-SQI（9%）、CASH（7%）和SQI（6%），其余33%则包含各种其他模型。此外，还有一些罕见工具，如典型对应分析（CCA）、非度量多维尺度（NMDS）和结构方程模型。PCA和回归方法的主导性反映了长期以来对统计模型的依赖，以评估土壤健康指标随时间或跨土地利用系统的变化。同时，采用SMAF和CASH等框架，体现了对标准化、多指标方法日益重视，这些方法能够综合多样土壤属性，形成全面的评估。
（图片来自原文）
在第一个十年阶段（2000-2009年），PCA和LRM是土壤健康评价中占主导地位的工具，尤其常用于构建最小土壤健康指标集，以服务于SQI评分工具的开发。随后十年（2010-2020年）中，SMAF和CASH等框架型工具的应用增加，表明土壤参数评价逐步转向功能导向的解释路径。2021-2024年间，所采用工具的类型进一步拓展，评价方法体系更加多样化。Harney土壤健康测试、土壤健康评价协议与评估（SHAPE）、结构方程模型（SEM）以及随机森林（RF）等较新的方法得到更多应用。由此可见，深入认识现有工具的优势与局限，对于提升方法学严谨性、引导未来研究方向以及识别知识空白具有重要意义。
（图片来自原文）
2000-2009年间，机器学习（ML）在土壤健康研究中的应用较为有限，仅有少数研究采用此类方法。因此，在这一阶段，土壤参数预测主要依赖经验模型，如多元线性回归和偏最小二乘回归（PLSR）。2010-2020年期间，机器学习方法的应用显著增加，RF、支持向量机（SVM）和神经网络等模型开始在相关文献中频繁出现。自2018年以来，随着光谱数据和遥感数据集可获取性的不断提高，随机森林、支持向量机、Cubist以及偏最小二乘回归等方法迅速扩展。
这一趋势表明，随着技术发展逐步迈向人工智能（AI）阶段，学界对机器学习在土壤健康研究中应用潜力的信心不断增强。模型类型的多样化也反映出研究者正积极探索何种方法在不同情境下更具有效性和适用性，这说明机器学习正逐渐成为土壤健康评价中经验模型和过程模型的重要补充。因此，深入理解各类模型的关键特征、优势与局限，对于优化工具选择和提升预测精度至关重要。
（图片来自原文）
本研究的创新在于：以2000-2024年土壤健康指标评估研究为对象，基于PRISMA流程和Scopus数据库开展范围综述，系统梳理了经验统计方法、指数/框架方法与机器学习方法的演化路径，并将关键词共现、合著网络和区域分布纳入分析框架，从而不只停留在方法类型归纳层面，而是进一步揭示出土壤健康评估正由较为线性、静态的工具体系，向遥感支撑下的数据驱动和机器学习评估体系转变，其中PCA仍是最常见的经验方法，而RF已成为最具代表性的机器学习模型。
但仍存在局限：该研究的文献来源仅限Scopus，可能带来数据库覆盖和选择上的偏倚；同时，综述指出现有土壤健康评估研究本身仍普遍面临时空迁移性不足、区域特异性校准依赖较强、指标评分与土壤功能过程衔接不够，并且研究力量在北美和亚洲集聚、非洲等地区数据稀缺地区代表性不足等问题，因此当前方法体系在全球适用性、过程解释力和区域可推广性上仍有明显短板。
来源：土地生态课题组 （2026年3月24日）
文章采用了一种称为系统性综述与荟萃分析首选报告项目（PRISMA）的标准化程序，因其对系统性综述、荟萃分析和范围综述的报告有明确指导，被用于进行范围文献综述。PRISMA方法包含四个主要阶段：数据库中主要关键词的生成；选择相关且可靠的数据库；筛选和分类相关文件以进行定性分析和处理结果并进行报告。使用电子数据库（Scopus）搜索相关文献，使用特定关键词在Scopus数据库中搜索相关文档。这些包括包括“Assessing soil health” “Assessing soil health parameters” “Soil Health” AND “Assessing”“Soil health” AND/OR “remote sensing” “Monitoring soil health”以及“soil health” AND/OR “machine learning”，所选主题领域包括农业与生物科学、环境科学、地球与行星科学、计算机科学和化学。这些领域之所以被选中，是因为文章与环境研究特别相关的土壤科学相关。并对文章进行审查，以确定监测和评估土壤健康参数的主要工具，以及用于预测和绘制土壤健康指标的模型。文章进一步分为两类：（i）用于监测土壤健康参数的工具/方法，（ii）通过遥感和机器学习技术绘制和预测土壤健康参数的工具/方法。
该检索策略共计2325篇论文，涵盖2000-2024年间，涵盖方法部分提及的所有主题领域（农业与生物科学、环境科学、地球与行星科学、计算机科学和化学）。经过重复删除和筛选，1427篇论文被排除为无关。共有403篇文章通过审核资格和全文审阅。其中214篇出版物被纳入研究，因为它们符合全球监测、评估、绘制和预测土壤健康参数研究的所有标准。作者关键词的文献计量分析揭示了所选出版物中明确的主题群。本研究发现数据集中出现频率最高的13个关键词。关于土壤健康评估主题，土壤健康、土壤有机碳、可持续农业、土壤肥力、土壤酶、土壤健康指标和保护农业是最常见的。相比之下，将土壤健康参数与土壤测绘和预测联系起来，作者常用的关键词包括机器学习、遥感、数字土壤测绘和随机森林。
（图片来自原文）
就关键词共现模式而言，结果表明，与土壤健康相关的关键词往往与管理导向型术语相联系，如保护性农业、免耕和可持续农业，以及土壤属性类术语，如土壤酶和土壤有机碳；而与建模相关的关键词则主要聚集于遥感和数字土壤制图等主题周围。机器学习相关术语具有较高的出现频次和共现强度，这表明在过去十年间，围绕土壤健康研究的计算建模方向正受到越来越多关注。土壤酶对应节点较小且呈蓝色，说明该指标在土壤健康评价中受到的关注相对不足，或其作为土壤健康指标的表征能力相对较弱。
合著网络分析结果提供了有力证据，表明当前土壤健康研究中的国际合作主要由少数核心国家主导，其中美国表现出最强的合著联系，并与中国、印度、巴西和加拿大保持广泛合作。这些国家同时具有最高的合著发文频次和较高的论文产出数量，反映出其在土壤健康研究领域较强的科研能力和较高的全球参与度。
（图片来自原文）
不同模型在历年土壤健康评价中的总体应用趋势，2021-2024年间，经验模型和机器学习模型的使用均呈稳步增长态势，这在很大程度上反映了该时期相关研究论文发表数量的持续增加。经验模型仍然是应用最广泛的工具，这凸显了其在土壤健康监测中具有较高的可获得性、较强的可解释性，以及长期以来所发挥的重要作用。
（图片来自原文）
在过去三十年里，土壤健康评估工具高度依赖于实证统计方法，如主成分分析（PCA）、线性回归模型（LRM）、土壤管理评估框架（SMAF）、主成分分析-土壤质量指数（PCA-SQI）、土壤健康综合评估（CASH）。其中，PCA使用最广泛，占综述文章的32%，其次是SMAF（13%）、LRM（12%）、PCA-SQI（9%）、CASH（7%）和SQI（6%），其余33%则包含各种其他模型。此外，还有一些罕见工具，如典型对应分析（CCA）、非度量多维尺度（NMDS）和结构方程模型。PCA和回归方法的主导性反映了长期以来对统计模型的依赖，以评估土壤健康指标随时间或跨土地利用系统的变化。同时，采用SMAF和CASH等框架，体现了对标准化、多指标方法日益重视，这些方法能够综合多样土壤属性，形成全面的评估。
（图片来自原文）
在第一个十年阶段（2000-2009年），PCA和LRM是土壤健康评价中占主导地位的工具，尤其常用于构建最小土壤健康指标集，以服务于SQI评分工具的开发。随后十年（2010-2020年）中，SMAF和CASH等框架型工具的应用增加，表明土壤参数评价逐步转向功能导向的解释路径。2021-2024年间，所采用工具的类型进一步拓展，评价方法体系更加多样化。Harney土壤健康测试、土壤健康评价协议与评估（SHAPE）、结构方程模型（SEM）以及随机森林（RF）等较新的方法得到更多应用。由此可见，深入认识现有工具的优势与局限，对于提升方法学严谨性、引导未来研究方向以及识别知识空白具有重要意义。
（图片来自原文）
2000-2009年间，机器学习（ML）在土壤健康研究中的应用较为有限，仅有少数研究采用此类方法。因此，在这一阶段，土壤参数预测主要依赖经验模型，如多元线性回归和偏最小二乘回归（PLSR）。2010-2020年期间，机器学习方法的应用显著增加，RF、支持向量机（SVM）和神经网络等模型开始在相关文献中频繁出现。自2018年以来，随着光谱数据和遥感数据集可获取性的不断提高，随机森林、支持向量机、Cubist以及偏最小二乘回归等方法迅速扩展。
这一趋势表明，随着技术发展逐步迈向人工智能（AI）阶段，学界对机器学习在土壤健康研究中应用潜力的信心不断增强。模型类型的多样化也反映出研究者正积极探索何种方法在不同情境下更具有效性和适用性，这说明机器学习正逐渐成为土壤健康评价中经验模型和过程模型的重要补充。因此，深入理解各类模型的关键特征、优势与局限，对于优化工具选择和提升预测精度至关重要。
（图片来自原文）
本研究的创新在于：以2000-2024年土壤健康指标评估研究为对象，基于PRISMA流程和Scopus数据库开展范围综述，系统梳理了经验统计方法、指数/框架方法与机器学习方法的演化路径，并将关键词共现、合著网络和区域分布纳入分析框架，从而不只停留在方法类型归纳层面，而是进一步揭示出土壤健康评估正由较为线性、静态的工具体系，向遥感支撑下的数据驱动和机器学习评估体系转变，其中PCA仍是最常见的经验方法，而RF已成为最具代表性的机器学习模型。
但仍存在局限：该研究的文献来源仅限Scopus，可能带来数据库覆盖和选择上的偏倚；同时，综述指出现有土壤健康评估研究本身仍普遍面临时空迁移性不足、区域特异性校准依赖较强、指标评分与土壤功能过程衔接不够，并且研究力量在北美和亚洲集聚、非洲等地区数据稀缺地区代表性不足等问题，因此当前方法体系在全球适用性、过程解释力和区域可推广性上仍有明显短板。
农业农村部“十四五”规划教材《农作系统模拟》正式出版 | 助力智慧农业人才培养与技术创新
土壤氮转化过程：新方法与新认识
破解磷困局：微生物驱动的农业绿色革命/《土壤磷素的生物转化》新书推荐/国家出版基金项目
《土壤盐渍化的诊断、评估、减缓与适应技术指南》由联合国粮农组织 / 国际原子能机构粮食和农业核技术联合中心水土管理和作物营养科专家穆罕默德·扎曼、李恒所著。著者长期致力于改善土壤、水资源与肥料管理的生产实践，为促进国际社会农业积极适应气候变化做出了贡献。
该书回顾了全球土壤盐渍化的历史和治理成败经验，旨在制定盐度和钠化度的评估技术规程，完善盐渍化土壤的缓解和适应措施，创新和推进核技术和同位素技术等的应用，为可持续地利用盐碱地提供可行性方案。该书具有先进性、指导性和实用性，能够切实解决生物盐碱农业所遇到的实际问题。该书可为进行景观和农田土壤盐渍化评估和诊断，利用核技术和同位素技术制定边际土壤可持续利用战略的技术研究人员、一线管理人员提供参考和借鉴。
康绍忠院士序|《土壤盐渍化的诊断、评估、减缓与适应技术指南》出版发行
Rainer Horn 博士，德国基尔大学教授，世界著名土壤物理学家。现任中-欧土地和土壤合作专家组委员，曾任世界土壤联合会(IUSS)主席，IUSS土壤物理委员会、土壤技术委员会以及第三工作组主席、土壤耕作研究组织主席、德国土壤学会主席等土壤学术组织重要职位。Horn教授在不饱和土壤力学理论创新和应用、土壤物理多尺度过程、土壤力学与水力学、物理化学和生物学等多学科交叉研究等方面取得巨大成就，并成功应用于指导固废处理、地质工程安全以及电缆地下埋藏等社会经济多方面。发表100余篇期刊论文，数十部土壤学专著以及数百篇技术报告，荣获美国土壤学会、美国农学会会士，罗马尼亚、波兰、德国土壤学会以及国际土壤耕作研究组织等学术团体先后授予Horn教授荣誉会员称号。
该书由赵英博士和张斌博士组织，邀请了诸多从事土壤物理研究的中青年工作者共同翻译。他们花费很大精力把该教材引进国内，可使更多的科研人员系统了解土壤物理学，对推动我国土壤物理学的发展意义重大。
邵明安院士序|《土壤物理学精要——过程、功能、结构和力学导论》
中国科学院院士朱永官带领一群“土壤高级玩家”，一同创作出了本部集科学性、趣味性和前瞻性于一体的科普著作——《鲜活的土壤》，以科研者的视角和深入浅出的笔触，向大众讲述了土壤的本质、功能、土壤污染问题以及由此带来的粮食安全问题等人们关心和感兴趣的话题。
书中不仅涵盖了土壤的形成、分类、功能等基础内容，还深入探讨了土壤与生态环境、人类健康、文明演变进程等方面的紧密联系。用丰富的科研数据与成果揭示了土壤作为农业生产之基、生态系统之本的不可替代作用，更强调了在当前全球环境变化与资源约束加剧的背景下，科学合理地利用土地资源，对于维护国家粮食安全、促进生态平衡、实现经济社会可持续发展乃至推动人与自然和谐共生的战略价值。
精选土壤好书，长按识别二维码了解
“有用就点在看，下次第一时间收到。”