论文标题：Soil Organic Carbon Estimation via Remote Sensing and Machine Learning Techniques: Global Topic Modeling and Research Trend Exploration

论文链接：https://www.mdpi.com/2072-4292/16/17/3168

期刊名：Remote Sensing

期刊主页：https://www.mdpi.com/journal/remotesensing

土壤有机碳（Soil Organic Carbon, SOC）是全球陆地系统中最大的碳库，在调节气候、维持土壤健康与支持农业生产方面发挥着基础性作用。如何在大尺度、跨生态系统范围内高效、准确地估算SOC储量，一直是地球系统科学、农业与环境政策领域关注的关键问题。在最新发表于国际期刊《Remote Sensing》的研究中，来自昆士兰大学的Yash Dang博士和李通博士团队首次引入自然语言处理领域的BERTopic模型，对1991年至2023年间全球SOC估算相关研究进行了系统性分析。BERTopic 是一种基于 BERT（来自 transformers 的双向编码器代表）的主题建模技术，集成了自然语言处理的最新进展。

研究过程与结果

该研究汇集了1761篇遥感（Remote Sensing, RS）相关论文以及与 490 篇关于机器学习 （ML） 技术结合的相关文献，突破性地构建了一个反映三十年研究脉络的“知识图谱”，全面呈现了SOC研究主题的演进轨迹与未来发展方向。研究显示，基于BERTopic建模，共提取出九个遥感与SOC估算的核心主题，覆盖了高光谱建模、碳通量监测、湿地碳储、农业管理、永冻土变化、火灾干扰、稻田耕作、泥炭地积碳和污染物风险等多个方向。这些主题反映了遥感技术在多种生态场景中对SOC空间分布、变化机制和环境影响的广泛适应性。同时，在遥感与机器学习融合的研究中，还识别出森林SOC建模、农业深度学习、高光谱图像分析、多时相影像处理及新型平台（如Sentinel-2与SAR）应用等五个前沿热点，标志着智能算法正在快速渗透到土壤碳研究的各个层面。

土壤碳遥感研究中9个主题类别分布

通过关键词图谱、主题演变分析与共现网络，本研究揭示了SOC研究的三大趋势：第一，遥感平台持续升级，从Landsat、MODIS向Sentinel-2与SAR推进，分辨率更高、时效更强；第二，建模手段日趋智能，从PLSR走向深度学习、自组织映射等非线性算法；第三，研究视角日益综合，从单地块研究扩展至全球尺度、跨气候区与跨生态系统的集成评估。尤为重要的是，本研究展示了BERTopic模型在环境科学文献计量分析中的巨大潜力。相较传统主题模型（如LDA）或者传统的文献计量软件分析效果，BERTopic结合BERT词嵌入、UMAP降维与HDBSCAN聚类，具备更高的语义理解能力与主题分辨力，为理解大数据背景下的科研演进提供了全新范式。

作者关键词的动态过程（a）以及关键词随时间变化的动态 （b）

研究总结

本研究通过对2251篇文献的系统挖掘，基于BERTopic模型首次构建了土壤有机碳遥感估算研究的全球知识图谱，揭示了该领域过去三十年在研究主题、方法演进和技术应用上的核心趋势。研究明确识别出九大遥感主题与五个遥感+机器学习融合热点，系统呈现了SOC研究从“数据获取”到“智能建模”的全过程演化路径。总的来看，这项研究不仅开创性地将自然语言处理方法引入SOC遥感研究的趋势挖掘中，也为全球农业碳管理、生态系统恢复与气候政策制定提供了坚实的数据支撑与理论参考。在“碳达峰、碳中和”国家战略不断推进的背景下，该研究成果有望为低碳农业、智慧土地管理和生态系统服务评估注入新的科技动能，推动遥感与人工智能在绿色可持续发展领域的深度融合，也是AI时代下土壤碳遥感研究的一次有益探索。