李潼亮 李斌斌 張風寶 史方穎 楊明義 何慶

摘要：為探究機器學習應用于土壤侵蝕領(lǐng)域的研究進展和發(fā)展趨勢，基于CiteSpace等文獻計量工具，借助Web of Science （WOS）核心合集數(shù)據(jù)庫中收錄的以機器學習應用于土壤侵蝕領(lǐng)域的相關(guān)文獻，對該領(lǐng)域研究動態(tài)進行可視化展示與分類。結(jié)果表明：該領(lǐng)域研究成果不斷增長，尤其2014年后呈指數(shù)型增加；中國是該領(lǐng)域內(nèi)發(fā)文量與被引量最多的國家，但中介中心性低于伊朗、美國；侵蝕敏感性分析是熱點問題，大多數(shù)研究者目標是基于機器學習相較傳統(tǒng)模型分析更快更精準的特點，開發(fā)高效侵蝕預測模型；深度學習和各類回歸算法是廣大研究者常用的方法。未來，研究者們應充分利用不同機器學習方法的特性，探索最新的深度學習預測性能，提高復雜環(huán)境條件下土壤侵蝕的預測預報精度，揭示主要影響因子的貢獻及因子之間的相關(guān)作用機制。

摘要：土壤侵蝕； 機器學習； 神經(jīng)網(wǎng)絡模型； 地理信息系統(tǒng)； 文獻計量學

中圖法分類號： S157

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.01.012

0 引 言

土壤侵蝕作為全球性的環(huán)境問題，給生態(tài)安全、糧食安全及可持續(xù)發(fā)展帶來了嚴峻的挑戰(zhàn)［1-4］。為了防治土壤侵蝕，早在百余年前眾多學者和研究人員就已經(jīng)開始了有關(guān)土壤侵蝕的研究。從早期研究土壤流失量與單因子之間的關(guān)系到現(xiàn)如今的多因子模型［5］，從野外觀測到室內(nèi)模擬試驗，有關(guān)土壤侵蝕的研究現(xiàn)已發(fā)展出一套以實驗為基礎(chǔ)，以機理與模型為延伸的研究路線，取得了大量的研究成果。但由于土壤侵蝕類型多樣、影響因子眾多、因子間相互作用復雜及過程多變，采用傳統(tǒng)的研究方法對土壤侵蝕情況進行精準的預測預報及機理解析還存在諸多困難。一些新的技術(shù)方法開始在土壤侵蝕研究中被大量應用［6］。機器學習是一門多領(lǐng)域交叉學科，研究人員將數(shù)據(jù)輸入到學習算法中，算法根據(jù)輸入的數(shù)據(jù)生成計算模型［7］，相較傳統(tǒng)模型，機器學習具有分析復雜的非線性數(shù)據(jù)、因子相互作用和缺失的數(shù)據(jù)的能力［8］，能夠更加迅速便捷地對侵蝕做出預報，并隨數(shù)據(jù)的更新進一步完善，同時能夠?qū)ζ錂C理進行深入的解析［9-13］。隨著土壤侵蝕數(shù)據(jù)的逐年積累，研究者所掌握的數(shù)據(jù)總量愈發(fā)龐大且復雜，機器學習的優(yōu)點也愈發(fā)適合在該領(lǐng)域發(fā)揮。因此伴隨著機器學習技術(shù)在生態(tài)學、土壤學等相近學科的廣泛應用［8］，部分土壤侵蝕研究人員將目光轉(zhuǎn)向了機器學習的應用，與之相關(guān)的科研文獻也越來越多，但目前仍未有研究者對這些成果進行系統(tǒng)的總結(jié)。

文獻計量學是借助文獻的各種特征數(shù)量，采用數(shù)學與統(tǒng)計學方法指出、評價和預測科學技術(shù)的現(xiàn)狀和發(fā)展趨勢的學科［14］，常被用來分析某一學科領(lǐng)域知識點研究現(xiàn)狀、熱點方向與演化趨勢，學術(shù)研究者與所在機構(gòu)間的合作關(guān)系等［15］，對已有文獻進行定量分析，能夠客觀評價研究領(lǐng)域在一定時期內(nèi)的演進歷程、研究方向與熱點，幫助研究人員把握研究領(lǐng)域的未來發(fā)展趨勢［16］。為全面了解機器學習技術(shù)應用于土壤侵蝕領(lǐng)域中的研究現(xiàn)狀，本文采用文獻計量學方法，借助Web of Science （WOS）核心合集數(shù)據(jù)庫中收錄的相關(guān)文獻，利用文獻計量學軟件對所檢索到的文獻進行可視化與分析，從年度、國家/地區(qū)、機構(gòu)、期刊發(fā)文量等多個角度，分析機器學習開始應用于土壤侵蝕的初始年份（1998年）至2022年間的發(fā)展歷程、研究方向和熱點，闡述基于機器學習研究土壤侵蝕的主要進展，力圖為研究者展現(xiàn)該領(lǐng)域的研究現(xiàn)狀及潛在研究方向，為機器學習在土壤侵蝕領(lǐng)域的深層次應用提供參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)收集

本文統(tǒng)計分析Web of Science （WOS）核心合集數(shù)據(jù)庫中收錄的相關(guān)文獻，首先確定土壤侵蝕（Soil Erosion）與機器學習（Machine Learning）作為主題檢索詞。土壤侵蝕種類眾多，包括水力侵蝕、風力侵蝕、凍融侵蝕、重力侵蝕、淋溶侵蝕、山洪侵蝕、泥石流侵蝕及土壤坍陷等。機器學習包括決策樹、人工神經(jīng)網(wǎng)絡、遺傳算法等［17］。為保證檢全率，參考相關(guān)文獻［6，18-19］主題詞設(shè)置，本文補充以下主題詞：“soil loss”“interrill erosion”“sheet erosion”“rill erosion”“gully erosion”“gravitational erosion”“wind erosion”“Decision Tree”“Artificial Neural Networks”“Random Forests”“Deep learning”。

以Web of Science核心合集（Science Citation Index Expanded，SCIE）為數(shù)據(jù)庫，利用其高級檢索功能，檢索方式為：（TS=（（"soil erosion" OR "soil loss" OR "interrill erosion" OR "sheet erosion" OR "rill erosion" OR "gully erosion" OR "gravitational erosion" OR "wind erosion"） and （"machine learning" OR "decision tree" OR "artificial neural networks" OR "ANN" OR "BP neural networks" OR "random forests" OR "RF" OR "deep learning" OR "DL"））） OR （AB=（（"soil erosion" OR "soil loss" OR "interrill erosion" OR "sheet erosion" OR "rill erosion" OR "gully erosion" OR "gravitational erosion" OR "wind erosion"） AND （"machine learning" OR "decision tree" OR "artificial neural networks" OR "ANN" OR "BP neural networks" OR "random forests" OR "RF" OR "deep learning" OR "DL"））），檢索時間為2022年9月15日，刪去重復論文和與研究主題不相符的論文后，獲得有效期刊論文328篇。

1.2 數(shù)據(jù)分析

本文利用Co-Occurrence 9.9［20］軟件進行同義詞合并和數(shù)據(jù)清洗，對年發(fā)文量、發(fā)布期刊、發(fā)文國家、發(fā)文機構(gòu)、發(fā)文作者等指標進行統(tǒng)計。采用VOSviewer結(jié)合CiteSpace用于繪制作者和機構(gòu)間的合作關(guān)系、共現(xiàn)詞圖譜以及研究熱點分析，最后使用CiteSpace對本領(lǐng)域研究熱點進行分析。

2 結(jié)果分析

2.1 文獻計量總體概況

從論文數(shù)量來看，機器學習應用于土壤侵蝕領(lǐng)域的年論文發(fā)表數(shù)量整體呈現(xiàn)增長趨勢（見圖1），大致可以分為兩個階段：第一階段為1998～2013年，發(fā)文量較少，處于研究興起階段；第二階段為2014～2021年，發(fā)文量增速加快，為該領(lǐng)域的快速發(fā)展階段。從發(fā)表期刊來看，發(fā)表的328篇論文分布于125種期刊，該領(lǐng)域論文發(fā)文量前三的期刊有Remote Sensing（24篇）、Science of the Total Environment（15篇）、Catena（15篇）（見表1）。經(jīng)統(tǒng)計，將近半數(shù)的論文發(fā)表于高影響因子期刊上，可見該領(lǐng)域的研究被地學、遙感、農(nóng)林科學、環(huán)境科學等相關(guān)學科領(lǐng)域知名期刊認可并接納。

使用CiteSpace軟件對所有發(fā)文作者所在國家進行統(tǒng)計，僅從參與發(fā)文數(shù)的人次來看，中國研究者相較其他國家更重視此領(lǐng)域（98人次），但從中介中心性（指網(wǎng)絡中經(jīng)過某點并連接這兩點的最短路徑占這兩點之間的最短路徑線總數(shù)之比，其值越高則說明在合作地位上越處于中心位置，常用來進行中心性測度）上來看（見圖2），中國雖然發(fā)文數(shù)量較多，但中介中心性（0.12）低于伊朗（0.21）和美國（0.26），這說明雖然中國該領(lǐng)域產(chǎn)出較多，但對外合作程度不如美國與伊朗。發(fā)文機構(gòu)合作網(wǎng)絡統(tǒng)計結(jié)果（見圖3）顯示中國科學院、塔爾比亞特·莫達列斯大學與設(shè)拉子大學分別處于不同合作聚類中的中心地位，一同在該領(lǐng)域中起到引領(lǐng)作用。

本文選用的328篇文獻經(jīng)過統(tǒng)計共有1 313名作者（包括所有參與發(fā)文的作者），經(jīng)過數(shù)據(jù)清洗后，整理并列舉出發(fā)文量排名在前5的作者（見表2）。來自伊朗的Hamid reza Pourghasemi 與Alireza Arabameri是此數(shù)據(jù)集內(nèi)該領(lǐng)域發(fā)文量最多的作者（24篇），Hamid reza Pourghasemi是總被引最高的作者，在此數(shù)據(jù)集共計1 150次。經(jīng)過統(tǒng)計，該領(lǐng)域內(nèi)文獻核心作者有39名，通過對核心作者及其成果的討論研究，可以有效把握該領(lǐng)域內(nèi)的發(fā)展脈絡［21］。核心作者一般利用發(fā)文數(shù)量進行篩選，可通過普萊斯理論對發(fā)文量限定范圍進行計算［22］。經(jīng)計算，發(fā)文數(shù)量≥4篇（N=3.67）的學者可被視為核心作者，該領(lǐng)域內(nèi)39位核心作者具有相互聯(lián)系，合作關(guān)系如圖4所示，圖中節(jié)點大小代表文章數(shù)量，連線代表合作關(guān)系。

2.2 文獻共被引分析

對機器學習在土壤侵蝕領(lǐng)域的應用文獻進行共被引分析，其被引頻次最高的文獻是Hamid reza Pourghasemi發(fā)表的“Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling”（見圖5），被引用53次，中介中心性為0.01。高被引文獻中均涉及溝蝕（gully erosion），表明現(xiàn)階段學者熱衷于結(jié)合機器學習方法對溝蝕進行研究，尤其是對溝蝕的敏感性進行評估［23-27］。Hamid reza Pourghasemi發(fā)表在Science of the Total Environment的文章“Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling”使用多種機器學習方法相互比較，用以繪制Gully侵蝕性在伊朗的Aghemam流域，證明了集合建模在構(gòu)建準確和廣義的模型中的重要作用，強調(diào)了檢查不同模型集成的必要性；Rahmati等分別對多個模型進行評估，用于散發(fā)侵蝕易感性的空間預測［23-24］，并表征伊朗伊拉姆省查瓦爾地區(qū)的易感性條件，研究發(fā)現(xiàn)，河川距離、河網(wǎng)密度和土地利用是最有效的因素。其他文獻主要關(guān)注于不同區(qū)域應用不同機器學習模型對溝蝕敏感性進行建?；蜻M行溝蝕空間建模。該領(lǐng)域高被引文章具有的共性為：① 多種模型相互比較；② 大多是基于已有遙感資料用機器學習方法對溝蝕敏感性進行判定、預測。溝蝕敏感性分析是土壤侵蝕領(lǐng)域的熱點問題，研究者們比較不同模型在預測溝蝕敏感性上的表現(xiàn)，以找到最適合評估敏感性的預測模型。集成模型相對于單一模型能提高預測精度，在高被引文章中得到了驗證。

2.3 機器學習研究土壤侵蝕的進展

2.3.1 關(guān)鍵詞聚類和演變分析

關(guān)鍵詞可以概括文獻主題，總結(jié)研究領(lǐng)域的熱點和發(fā)展趨勢［19］。通過VOSviewer軟件對文獻的關(guān)鍵詞進行共現(xiàn)分析，研究發(fā)現(xiàn)土壤侵蝕（Soil Erosion）、人工神經(jīng)網(wǎng)絡（Artificial Neural Network）、地理信息系統(tǒng)（GIS）、邏輯斯蒂回歸（Logistics Regression）等是該領(lǐng)域的研究熱點（見圖6）。目前的研究主要集中在神經(jīng)網(wǎng)絡模型在土壤侵蝕領(lǐng)域的應用（Cluster 1）以及其他機器學習模型結(jié)合地理信息系統(tǒng)在土壤侵蝕領(lǐng)域中的應用（Cluster 2）。此外，還有一些研究者使用機器學習方法解決土壤侵蝕領(lǐng)域的其他問題（Cluster 3，4，5，6），但受到的關(guān)注較少。通過關(guān)鍵詞突現(xiàn)分析（Burst Detection）篩選，得到近年來受關(guān)注度較高的關(guān)鍵詞，包括人工神經(jīng)網(wǎng)絡（Artificial Neural Network）、降水（Precipitation）、河流（River）、回歸分析（Regression）、邏輯斯蒂回歸（Logistics Regression）5項，這些關(guān)鍵詞揭示了該領(lǐng)域的研究趨勢（見表3）。

2.3.2 土壤侵蝕研究中應用的主要機器學習方法

對關(guān)鍵詞結(jié)合文章內(nèi)容進行分析，提取機器學習模型相關(guān)關(guān)鍵詞并依照年份和體系結(jié)構(gòu)對該領(lǐng)域中的機器學習進行重新區(qū)分［7-8，17］。將其分為深度學習、樹模型、回歸模型、統(tǒng)計模型、支持向量機模型、遺傳模型和其他模型這7類，其他模型類別包括算法類型分類為難以識別或未公開的研究，統(tǒng)計結(jié)果如圖7所示。由圖7可知，深度學習與回歸模型相較其他模型占比較大。深度學習作為機器學習的一個分支，擁有著極高的預測性能與效率［8］，因此備受研究者青睞。而回歸算法依托于數(shù)學基礎(chǔ)，其預測結(jié)果有著堅實的理論支持，尤其是邏輯斯蒂回歸等算法能夠?qū)μ卣饕蜃迂暙I度排序，因此應用廣泛。

2.3.3 基于神經(jīng)網(wǎng)絡模型研究土壤侵蝕的進展

圖6中展示的紅色聚類是所有聚類中最核心的聚類，包括45個關(guān)鍵詞，與其他聚類連接緊密。其中人工神經(jīng)網(wǎng)絡（Aritficial Neural Network）與土壤侵蝕（Soil Erosion）是該聚類中共現(xiàn)頻次最高的關(guān)鍵詞。神經(jīng)網(wǎng)絡模型是土壤侵蝕領(lǐng)域最常見的機器學習模型，其理論基礎(chǔ)來源于對大腦的逆向演繹［17］，近年來神經(jīng)網(wǎng)絡模型在諸多行業(yè)應用廣泛，多層神經(jīng)網(wǎng)絡模型的機器學習也被稱為深度學習［28］。此聚類中的作者嘗試利用以神經(jīng)網(wǎng)絡模型為基礎(chǔ)的多種模型對容易發(fā)生溝蝕的區(qū)域進行準確檢測和預測，以達到水土保持的目的［29］。大多數(shù)作者使用與土壤侵蝕相關(guān)的因子作為特征值，將侵蝕的數(shù)值或侵蝕強度作為標簽值對模型進行訓練［30-35］，部分作者對溝蝕預測過程中的影響因子種類進行了探究。Nhu等［29］在研究中發(fā)現(xiàn)降雨、地形高差和河流密度是研究區(qū)域中溝蝕預測的最重要因素，Saha等［32-33］的研究中發(fā)現(xiàn)含沙量、土地利用、地表覆蓋率和海拔對不丹（Bhutan）地區(qū)受到溝蝕的影響最大。少部分作者利用神經(jīng)網(wǎng)絡的圖像處理能力結(jié)合遙感影像對土壤侵蝕進行研究。Samarin等［36］使用完全卷積神經(jīng)網(wǎng)絡模型與高分辨率遙感影像建立了侵蝕監(jiān)測工具，可對侵蝕地點進行判別；還有學者使用多源、多尺度遙感和基于地面數(shù)據(jù)的組合訓練了包括神經(jīng)網(wǎng)絡在內(nèi)的多種模型，并對Bowen流域的溝壑網(wǎng)絡進行判別，取得了滿意的成果［37］。

除了溝壑侵蝕外，神經(jīng)網(wǎng)絡也常常被應用于風蝕方面的研究。Kouchami等［38］嘗試使用構(gòu)建帶特征提取的神經(jīng)網(wǎng)絡（NNFE）、單音多層感知神經(jīng)網(wǎng)絡（MMLPNN）等在內(nèi)的多種機器學習方法對伊朗的伊斯法罕省土地繪制了風蝕敏感性圖，還使用其他多種模型對風蝕臨界磨擦速度進行預測，為通過伊朗干旱和半干旱地區(qū)的表層土特征和表面粗糙度預測臨界磨擦速度提供了有力的基礎(chǔ)［39］。

研究人員對于機器學習模型在土壤侵蝕領(lǐng)域的應用有不同的見解，除了直接預測侵蝕情況外，還有其他方面的應用。Mirzaee等［40］將人工神經(jīng)網(wǎng)絡與WEPP模型相結(jié)合，對模型中的土壤可蝕性因子進行建模，并與WEPP模型相比較，結(jié)果表明人工神經(jīng)網(wǎng)絡相較傳統(tǒng)模型表現(xiàn)出了良好的預測性能。Zhu等［41］采用人工神經(jīng)網(wǎng)絡（ANN）對長江上游龍川江的月懸移質(zhì)輸沙量進行了建模，結(jié)果表明，當將適當?shù)淖兞考捌鋵疑惩康臏笮鳛檩斎霑r，人工神經(jīng)網(wǎng)絡能夠以相當高的精度模擬月懸沙通量。與多元線性回歸和冪關(guān)系模型相比，人工神經(jīng)網(wǎng)絡能夠在相同的數(shù)據(jù)要求下產(chǎn)生更好的擬合。Yusof等［42］使用神經(jīng)網(wǎng)絡模型對通用土壤流失方程中的侵蝕敏感性進行預測，再運用于土壤侵蝕計算中。Silva等［43］利用神經(jīng)網(wǎng)絡模型對巴西米納斯·格拉斯州（State of Minas Gerais）降雨侵蝕力進行預測。Halecki等［44］建立基于山區(qū)集水區(qū)地貌參數(shù)的神經(jīng)網(wǎng)絡模型估算硝酸鹽氮、總磷通量和懸浮泥沙濃度作為地表侵蝕過程的指標，還有部分作者對包括神經(jīng)網(wǎng)絡在內(nèi)的多種溝蝕預測模型的耦合進行了探索，如Arabameri等［31］通過對比試驗指出2種和3種模型相結(jié)合的ANN模型比其他組合的模型更精確。

此聚類聚焦于神經(jīng)網(wǎng)絡模型在土壤侵蝕領(lǐng)域的應用，旨在解決侵蝕敏感性判別和侵蝕發(fā)生識別等需求。隨著時間的推移，應用的模型變得越來越復雜和專業(yè)化。新興的神經(jīng)網(wǎng)絡模型具有之前模型不具備的特點。未來研究的重點是如何充分利用神經(jīng)網(wǎng)絡模型的特點，并解決土壤侵蝕領(lǐng)域待解決的問題。

2.3.4 機器學習結(jié)合地理信息系統(tǒng)研究土壤侵蝕的進展

圖6中第二大聚類位于圖的右側(cè)（Cluster 2），關(guān)鍵詞包含地理信息系統(tǒng)（GIS）、數(shù)據(jù)挖掘技術(shù)（Data-mining Technical）與多種機器學習模型的名稱。此聚類主題可概括為機器學習模型結(jié)合地理信息系統(tǒng)在土壤侵蝕領(lǐng)域中的應用。

以神經(jīng)網(wǎng)絡為基礎(chǔ)的深度學習在眾多應用領(lǐng)域已經(jīng)取得了成功，但對其原理的解釋一直備受質(zhì)疑［45］，而其余機器學習方法如邏輯斯蒂回歸、樹模型等則有相對穩(wěn)定的理論支持。因此在對溝蝕敏感性分析時，常常被研究者用來與深度學習結(jié)果做對比［31-32，37，46］。同時邏輯斯蒂回歸、樹模型由于其能夠?qū)μ卣髦匾赃M行排序，因此在對溝蝕敏感性等預測結(jié)果進行分析時，常常被用于對影響因子的重要性排序。例如Avand等［47］使用隨機森林（RF）和K近鄰（K-NN）繪制了伊斯法罕省羅巴特土耳其地區(qū)溝蝕敏感性圖，并確定沖溝侵蝕與地質(zhì)環(huán)境因素之間的關(guān)系。Nguyen等［48］基于DEM數(shù)據(jù)使用隨機森林算法對侵蝕深度進行預測，并利用Boruta算法對影響要素進行篩選。Madarasz等［49］利用隨機森林算法研究長期保護性耕作對土壤侵蝕的影響，并發(fā)現(xiàn)耕作類型在該項研究中影響最大。Arabameri等［50］使用證據(jù)權(quán)重（WOE）貝葉斯理論評估了溝蝕（GE）和地質(zhì)環(huán)境變量（GEV）之間的空間關(guān)系，然后應用3種數(shù)據(jù)挖掘方法隨機森林（RF）、增強回歸樹（BRT）和多元自適應回歸樣條（MARS）繪制了伊朗Shahroud流域的溝蝕敏感性圖，研究表明，與道路的距離、海拔和巖性對溝蝕發(fā)生率的影響最大，還對溝頭侵蝕使用基于旋轉(zhuǎn)森林的交替決策樹（RF-ADTree）進行預測，并對影響因子進行排序，根據(jù)隨機森林結(jié)果，該研究中影響力前列的因素是道路距離、排水密度、河流距離、LU/LC、年降水量、地形濕度指數(shù)、NDVI和海拔［51］。還有不同作者對模型之間的性能進行比較，Chowdhuri等［52］比較了集成多種模型的集成算法與單一模型對侵蝕點的預測能力，得出集成模型普遍優(yōu)于單一模型的結(jié)論。Svoray等［53］采用基于地理信息系統(tǒng)的物理模型、專家知識系統(tǒng)和基于樹模型的機器學習算法對侵蝕溝頭位置進行模擬，結(jié)果表明機器學習算法在輸入同一數(shù)據(jù)的前提下，預測結(jié)果最為精準。

滑坡作為重力侵蝕的一種，對人類生產(chǎn)生活具有極大的危害，但往往在意識到滑坡時，滑坡就已經(jīng)發(fā)生，遙感數(shù)據(jù)為滑坡災害的監(jiān)測與識別提供了可能［54］。部分研究者將機器學習用于滑坡敏感性分析［55］，Huang等［56］利用決策樹、邏輯回歸等機器學習算法對中國寧都縣繪制滑坡敏感性圖，并引入包括土壤侵蝕因子在內(nèi)的10余種影響因子，對影響因子相對重要性進行排序，結(jié)果表明土壤侵蝕因子在滑坡中起著至關(guān)重要的作用。Xie等［57］提出了一種以支持向量機（SVM）為主要模型、貝葉斯優(yōu)化（BO）算法為參數(shù)調(diào)整方法的滑坡災害評估新方法，對提升滑坡預測模型精度做出了貢獻。

此聚類研究成果中，機器學習模型主要與地理信息系統(tǒng)配合，用于繪制溝蝕敏感性圖和滑坡敏感性圖。一些研究者利用模型的特征篩選和排序方法來探索侵蝕機理。集成方法常被使用以提高模型精度，但對于基礎(chǔ)機器學習模型優(yōu)化缺乏深入研究。未來發(fā)展方向包括更好地利用白盒模型（如邏輯斯蒂回歸、樹模型）的特征篩選和排序特點，輔助研究侵蝕機理，并優(yōu)化模型性能。

2.3.5 基于機器學習研究土壤侵蝕其他方面的進展

除了之前提到的兩個聚類，其他聚類包含關(guān)鍵詞如土地利用方式（land-use）和通用土壤流失方程（USLE），但它們的被引頻次較低。這表明與之前的關(guān)鍵詞相比，這些關(guān)鍵詞并不屬于主流研究方向。在這些聚類中，最多的研究成果是對USLE中的因子進行預測和判別。

USLE是通過大量實驗得出的經(jīng)驗公式，預測精度有限，并且在使用上具有一定的困難，但長久以來不同研究者對其進行改造、修正［58-59］，USLE逐漸成為主流的預測方法之一。在機器學習興起后，仍有作者利用機器學習模型對USLE模型進行修正，主要修正方法為利用機器學習的分辨、判別功能對USLE模型中的因子進行判別，并輸出對應因子數(shù)值。Puente等［60］利用植被指數(shù)作為基礎(chǔ)輸入，經(jīng)機器學習模型處理后輸出USLE模型中的植被覆蓋因子（C因子），相較于NDVI輸出植被覆蓋因子，這種方法計算出的指標具有更好的預測效果。Mukharamova等［61］利用衛(wèi)星影像數(shù)據(jù)與LSTM機器學習方法對植被覆蓋因子進行預測，并取得了令人滿意的結(jié)果。Lee等［62］利用機器學習算法，基于韓國月降雨資料對侵蝕力因子進行預測，其預測結(jié)果R2可達到0.87。

其他具有創(chuàng)新性的研究方向研究成果數(shù)量較少，包括對產(chǎn)沙量的研究與對泥沙研究方法的改進等，最突出的是Tiecher利用支持向量機（SVM）對基于光譜的沉積物示蹤技術(shù)進行改進，提升其相對精度，取得了一定成效［63］。

綜上，在其余聚類中最受關(guān)注的方向仍與對通用土壤流失方程的改進有關(guān)，在這些聚類中存在著未被主流關(guān)注到的諸多具有創(chuàng)新點的文章亟待其他研究者關(guān)注，包括對產(chǎn)沙量、產(chǎn)沙過程的模擬、對重力侵蝕過程的預測等方面仍然有待研究人員的探索。

3 結(jié) 論

機器學習技術(shù)在土壤侵蝕領(lǐng)域的研究經(jīng)歷了初始期和快速發(fā)展期。近20 a來，該領(lǐng)域的研究數(shù)量呈現(xiàn)持續(xù)增加且增速加快的趨勢。研究表明，該領(lǐng)域的論文多發(fā)表于較高影響因子的期刊上，并取得了高質(zhì)量的研究成果。中國的研究者在土壤侵蝕領(lǐng)域非?；钴S，是該領(lǐng)域論文中參與次數(shù)最多的國家之一。然而，從中介中心性的角度來看，中國的合作程度相對較低，還需要加強與其他國家的合作以提升國際影響力。從機構(gòu)的角度來看，中國科學院、塔爾比亞特·莫達列斯大學和設(shè)拉子大學在土壤侵蝕領(lǐng)域的合作中處于中心地位，并起到引領(lǐng)作用。

目前，該領(lǐng)域的研究熱點主要集中在侵蝕敏感性預測方面，使用遙感技術(shù)和多種機器學習模型進行研究。研究者希望通過機器學習模型建立更優(yōu)秀的預測模型，以提高預測精度。研究者普遍發(fā)現(xiàn)集成模型相對于單一模型能夠提高預測精度，并展現(xiàn)出更好的性能。因此，研究者更傾向于使用不同特性的機器學習方法進行耦合，以提升模型性能。

盡管現(xiàn)有的機器學習模型在其他領(lǐng)域取得了巨大的進展，但在土壤侵蝕領(lǐng)域的應用仍然相對原始和落后。為了推動土壤侵蝕預測模型的發(fā)展，研究者們應該積極應用更先進的機器學習模型，并發(fā)揮各類機器學習方法的特性。深度學習和各類回歸算法是當前廣大研究者最常用的機器學習方法。在熟悉基礎(chǔ)模型的前提下，研究者們可以積極探索最新的深度學習方法，以發(fā)掘其在土壤侵蝕預測方面的性能。此外，還可以充分發(fā)揮樹模型、邏輯斯蒂回歸等白盒模型的特性，進行特征篩選，從而更好地理解土壤侵蝕的影響因素機制。此外，還可以利用機器學習模型優(yōu)化水土流失監(jiān)測方式，并探索更多應用的可能性。例如，可以利用機器學習模型改進遙感技術(shù)和地理信息系統(tǒng)，實現(xiàn)對土壤侵蝕的監(jiān)測和預測，以及對防治措施的優(yōu)化。

總之，發(fā)揮各類機器學習方法的特性，積極應用更先進的機器學習模型，并結(jié)合土壤侵蝕的影響因素機制，將有助于開發(fā)出更優(yōu)化適宜、精度更高的土壤侵蝕預測模型，并拓展其在土壤侵蝕研究領(lǐng)域更多應用的可能性。

參考文獻：

［1］ TRIMBLE S W，CROSSON P.U.S.soil erosion rates-myth and reality［J］.Science，2000，289（5477）：248-250.

［2］ HARMON R S，DOEIII W W.Landscape erosion and evolution modeling［M］.New York：Springer，2001.

［3］ INGRAM J，LEE J，VALENTIN C.The GCTE soil erosion network：a multi-participatory research program［J］.Journal of Soil and Water Conservation，1996，51（5）：377-380.

［4］ 趙文武，傅伯杰，呂一河，等.多尺度土地利用與土壤侵蝕［J］.地理科學進展，2006，25（1）：24-33.

［5］ 賈媛媛，鄭粉莉，楊勤科，等.國內(nèi)坡面土壤侵蝕預報模型述評［J］.水土保持研究，2004，11（4）：109-112.

［6］ 宋長青，譚文峰.基于文獻計量分析的近30年國內(nèi)外土壤科學發(fā)展過程解析［J］.土壤學報，2015，52（5）：957-969.

［7］ 孟子流，李騰龍.機器學習技術(shù)發(fā)展的綜述與展望［J］.集成電路應用，2020，37（10）：56-57.

［8］ CHRISTIN S，HERVET R，LECOMTE N.Applications for deep learning in ecology［J］.Methods in Ecology and Evolution，2019，10（10）：1632-1644.

［9］ 鄭海金，湯崇軍，汪邦穩(wěn)，等.基于人工神經(jīng)網(wǎng)絡的紅壤坡面水土流失預測模型［J］.亞熱帶水土保持，2009，21（4）：10-13，33.

［10］ 馮利華.基于ANN的土壤侵蝕研究［J］.土壤侵蝕與水土保持學報，1999（增1）：105-109.

［11］ 趙西寧，吳普特，馮浩，等.基于人工神經(jīng)網(wǎng)絡的坡面土壤侵蝕研究［J］.中國水土保持科學，2004，2（3）：32-35.

［12］ 張科利，曹其新，細山田健三，等.神經(jīng)網(wǎng)絡理論在土壤侵蝕預報方面應用的探討［J］.土壤侵蝕與水土保持學報，1995（1）：58-63，72.

［13］ 蔡煜東，許偉杰.土壤侵蝕預報的自組織人工神經(jīng)網(wǎng)絡方法［J］.農(nóng)業(yè)網(wǎng)絡信息，1993（4）：14-16.

［14］ 崔慶宏，王廣斌，劉瀟，等.2008～2017年國內(nèi)BIM技術(shù)研究熱點與演進趨勢［J］.科技管理研究，2019，39（4）：197-205.

［15］ 劉海燕，李琳，李雪蓉.《系統(tǒng)工程理論與實踐》1981～2015年文獻計量分析［J］.系統(tǒng)工程理論與實踐，2017，37（3）：805-816.

［16］ 吳同亮，王玉軍，陳懷滿.2016～2020年環(huán)境土壤學研究進展與熱點分析［J］.農(nóng)業(yè)環(huán)境科學學報，2021，40（1）：1-15.

［17］ 李旭然，丁曉紅.機器學習的五大類別及其主要算法綜述［J］.軟件導刊，2019，18（7）：4-9.

［18］ 王涵，趙文武，賈立志.近10年土壤水蝕研究進展與展望：基于文獻計量的統(tǒng)計分析［J］.中國水土保持科學（中英文），2021，19（1）：141-151.

［19］ 張宇婷，肖海兵，聶小東，等.基于文獻計量分析的近30年國內(nèi)外土壤侵蝕研究進展［J］.土壤學報，2020，57（4）：797-810.

［20］ 張勇，李仁華，姚赫，等.水土保持自動監(jiān)測設(shè)備現(xiàn)狀及新設(shè)備研發(fā)［J］.人民長江，2022，53（9）：43-48.

［21］ 史方穎，張風寶，楊明義.基于文獻計量分析的土壤有機碳礦化研究進展與熱點［J］.土壤學報，2022，59（2）：381-392.

［22］ 曹夢，李勇，勾宇軒，等.基于知識圖譜的土壤中抗生素研究進展分析［J］.農(nóng)業(yè)資源與環(huán)境學報，2020，37（5）：627-635.

［23］ RAHMATI R N F.Gully erosion susceptibility mapping：the role of GIS-based bivariate statistical models and their comparison［J］.Natural Hazards，2016，82（2）：1231-1258.

［24］ RAHMATI O，TAHMASEBIPOUR N，HAGHIZADEH A，et al.Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion［J］.Geomorphology，Amsterdam，2017，298：118-137.

［25］ AZAREH A，RAHMATI O，RAFIEI S E，et al.Modelling gully-erosion susceptibility in a semi-arid region，Iran：investigation of applicability of certainty factor and maximum entropy models［J］.Science of the Total Environment，2019，655：684-696.

［26］ GAYEN A，POURGHASEMI H R，SAHA S，et al.Gully erosion susceptibility assessment and management of hazard-prone areas in India using different machine learning algorithms［J］.Science of the Total Environment，2019，668：124-138.

［27］ ARABAMERI A，REZAEI K，POURGHASEMI H R，et al.GIS-based gully erosion susceptibility mapping：a comparison among three data-driven models and AHP knowledge-based technique［J］.Environmental Earth Sciences，2018，77：1-22.

［28］ 陳先昌.基于卷積神經(jīng)網(wǎng)絡的深度學習算法與應用研究［D］.杭州：浙江工商大學，2014.

［29］ NHU V H，JANIZADEH S，AVAND M，et al.GIS-based gully erosion susceptibility mapping：a comparison of computational ensemble data mining models［J］.Applied Sciences-Basel，2020，10（6）：2039.

［30］ ROY J，SAHA S.Integration of artificial intelligence with meta classifiers for the gully erosion susceptibility assessment in Hinglo River basin，eastern India［J］.Advances in Space Research，2021，67（1）：316-333.

［31］ ARABAMERI A，NALIVAN O A，SAHA S，et al.Novel ensemble approaches of machine learning techniques in modeling the gully erosion susceptibility［J］.Remote Sensing，2020，12（11）：1890.

［32］ SAHA S，SARKAR R，THAPA G，et al.Modeling gully erosion susceptibility in Phuentsholing，Bhutan using deep learning and basic machine learning algorithms［J］.Environmental Earth Sciences，2021，80（8）：295.

［33］ SAHA S，GOGOI P，GAYEN A，et al.Constructing the machine learning techniques based spatial drought vulnerability index in Karnataka state of India［J］.Journal of Cleaner Production，2021，314：128073.

［34］ YU G Q，ZHANG M S，LI Z B，et al.Piecewise prediction model for watershed-scale erosion and sediment yield of individual rainfall events on the Loess Plateau，China［J］.Hydrological Processes，2014，28（21）：5322-5336.

［35］ BAND S S，JANIZADEH S，CHANDRA P S，et al.Novel ensemble approach of Deep Learning Neural Network （DLNN） model and Particle Swarm Optimization （PSO） algorithm for prediction of gully erosion susceptibility［J］.Sensors，2020，20（19）：5609.

［36］ SAMARIN M，ZWEIFEL L，ROTH V，et al.Identifying soil erosion processes in alpine grasslands on aerial imagery with a U-Net Convolutional Neural Network［J］.Remote Sensing，2020，12（24）：4149.

［37］ SHAHABI H，JARIHANI B，PIRALILOU S T，et al.A semi-automated object-based gully networks detection using different machine learning models：a case study of Bowen Catchment，Queensland，Australia［J］.Sensors，2019，19（22）：4893.

［38］ KOUCHAMI S I，SHIRANI H，ESFANDIARPOUR B I，et al.Prediction of soil wind erodibility using a hybrid Genetic algorithm-Artificial neural network method［J］.Catena，2020，187：104315.

［39］ KOUCHAMI S I，SHIRANI H，ESFANDIARPOUR B I，et al.Optimal feature selection for prediction of wind erosion threshold friction velocity using a modified evolution algorithm［J］.Geoderma，2019，354：113873.

［40］ MIRZAEE S，GHORBANI D S，MOHAMMADI J，et al.Modeling WEPP erodibility parameters in calcareous soils in northwest Iran［J］.Ecological Indicators，2017，74：302-310.

［41］ ZHU Y M，LU X X，ZHOU Y.Sediment flux sensitivity to climate change：a case study in the Longchuanjiang catchment of the upper Yangtze River，China［J］.Global and Planetary Change，2008，60（3/4）：429-442.

［42］ YUSOF M F，AZAMATHULLA H M，ABDULLAH R.Prediction of soil erodibility factor for peninsular malaysia soil series using ANN［J］.Neural Computing & Applications，2014，24（2）：383-389.

［43］ DA SILVA A M，DE MELLO C R，CURI N，et al.Simulation of water erosion spatial variability in a watershed representative of oxisols in southern Minas Gerais State［J］.Revista Brasileira De Ciencia Do Solo，2008，32（5）：2125-2134.

［44］ HALECKI W，KRUK E，RYCZEK M.Estimations of nitrate nitrogen，total phosphorus flux and suspended sediment concentration （SSC） as indicators of surface-erosion processes using an ANN （Artificial Neural Network） based on geomorphological parameters in mountainous catchments［J］.Ecological Indicators，2018，91：461-469.

［45］ 李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡研究綜述［J］.計算機應用，2016，36（9）：2508-2515，2565.

［46］ GHOLAMI H，MOHAMMADIFAR A，BUI D T，et al.Mapping wind erosion hazard with regression-based machine learning algorithms［J］.Scientific Reports，2020，10（1）：20494.

［47］ AVAND M，JANIZADEH S，NAGHIBI S A，et al.A Comparative Assessment of random forest and k-Nearest neighbor classifiers for gully erosion susceptibility mapping［J］.Water，2019，11（10）：2076.

［48］ NGUYEN K A，CHEN W，NGUYEN，K，et al.DEM-and GIS-based analysis of soil erosion depth using machine learning［J］.Isprs International Journal of Geo-Information，2021，10（11）：724.

［49］ MADARASZ B，JAKAB G，SZALAI Z，et al.Long-term effects of conservation tillage on soil erosion in Central Europe：a random forest-based approach［J］.Soil & Tillage Research，2021，209：104959.

［50］ ARABAMERI A，PRADHAN B，POURGHASEMI H R，et al.Spatial modelling of gully erosion using GIS and R programing：a comparison among three data mining algorithms［J］.Applied Sciences-Basel，2018，8（8）：1369.

［51］ ARABAMERI A，CHEN W，BLASCHKE T，et al.Gully head-cut distribution modeling using machine learning methods-A Case Study of NW Iran［J］.Water，2020，12（1）：16.

［52］ CHOWDHURI I，PAL S C，ARABAMERI A，et al.Implementation of artificial intelligence based ensemble models for gully erosion susceptibility assessment［J］.Remote Sensing，2020，12（21）：3620.

［53］ SVORAY T，MICHAILOV E，COHEN A，et al.Predicting gully initiation：comparing data mining techniques，analytical hierarchy processes and the topographic threshold［J］.Earth Surface Processes and Landforms，2012，37（6）：607-619.

［54］ ZINCK J A，LóPEZ J，METTERNICHT G，et al.Mapping and modelling mass movements and gullies in mountainous areas using remote sensing and GIS techniques［J］.International Journal of Applied Earth Observation & Geoinformation，2001，3（1）：43-53.

［55］ BERNKNOPF R，CAMPBELL R H，BROOKSHIRE D S，et al.A probabilistic approach to landslide hazard mapping in cincinnati，ohio，with applications for economic evaluation［J］.Environmental & Engineering Geoscience，1988，25（1）：39-56.

［56］ HUANG F，CHEN J，DU Z，et al.Landslide susceptibility prediction considering regional soil erosion based on machine-learning models［J］.Isprs International Journal of Geo-Information，2020，9（6）：377.

［57］ XIE W，NIE W，SAFFARI P，et al.Landslide hazard assessment based on Bayesian optimization-support vector machine in Nanping City，China［J］.Natural Hazards，2021，109（1）：931-948.

［58］ TOY T J，OSTERKAMP W R.The applicability of RUSLE to geomorphic studies［J］.Journal of Soil and Water Conservation，1995，50（5）：498-503.

［59］ 陳云明，劉國彬，鄭粉莉，等.RUSLE侵蝕模型的應用及進展［J］.水土保持研究，2004，11（4）：80-83.

［60］ PUENTE C，OLAGUE G，TRABUCCHI M，et al.Synthesis of vegetation indices using genetic programming for soil erosion estimation［J］.Remote Sensing，2019，11（2）：156.

［61］ MUKHARAMOVA S，SAVELIEV A，IVANOV M，et al.Estimating the soil erosion cover-management factor at the european Part of Russia［J］.Isprs International Journal of Geo-Information，2021，10（10）：645.

［62］ LEE J，LEE S，HONG J，et al.Evaluation of rainfall erosivity factor estimation using machine and deep learning models［J］.Water，2021，13（3）：382.

［63］ TIECHER T，MOURA J M，CANER L，et al.Improving the quantification of sediment source contributions using different mathematical models and spectral preprocessing techniques for individual or combined spectra of ultraviolet-visible，near-and middle-infrared spectroscopy［J］.Geoderma，2021，384：114815.

（編輯：黃文晉）

Bibliometric analysis of soil erosion study by machine learning

LI Tongliang1，LI Binbin2，ZHANG Fengbao1，3，SHI Fangying3，YANG Mingyi1，3，HE Qing1

（1.College of Soil and Water Conservation Science and Engineering，Northwest A&F University，Yangling 712100，China； 2.Monitoring Center of Soil and Water Conservation of Ministry of Water Resources，Beijing 100053，China； 3.Institute of Soil and Water Conservation，Chinese Academy of Sciences and Ministry of Water Resources，Yangling 712100，China）

Abstract：

To explore the research progress and development trend of machine learning technology application in soil erosion field study，CiteSpace and other bibliometric tools were used to analyze the research progress，hotspots，authors cooperation network，and future research direction and development trend of machine learning technology in this field，based on the relevant documents included in the Web of Science（WOS）core collection database.The results show that the research results in this field have been increasing exponentially since 2014.China has the largest number of publications and citations，but the intermediary centrality is lower than that of Iran and the United States.Erosion sensitivity analysis is a hot issue in this field.Most of researchers develop efficient erosion prediction models based on the faster and more accurate characteristics of machine learning compared with traditional models.Deep learning and various regression algorithms are the most commonly used machine learning methods.In the future，researchers should give full play to the characteristics of various types of machine learning，explore the latest prediction performance of deep learning，improve the prediction accuracy of soil erosion under complex environmental conditions，and reveal the contribution of main impact factors and the relevant mechanism between factors.

Key words：

soil erosion；machine learning；neural network model；GIS；bibliometrics