应用机器学习研究土壤侵蚀的文献计量分析

李潼亮 李斌斌 张风宝 史方颖 杨明义 何庆

摘要：为探究机器学习应用于土壤侵蚀领域的研究进展和发展趋势，基于CiteSpace等文献计量工具，借助Web of Science （WOS）核心合集数据库中收录的以机器学习应用于土壤侵蚀领域的相关文献，对该领域研究动态进行可视化展示与分类。结果表明：该领域研究成果不断增长，尤其2014年后呈指数型增加；中国是该领域内发文量与被引量最多的国家，但中介中心性低于伊朗、美国；侵蚀敏感性分析是热点问题，大多数研究者目标是基于机器学习相较传统模型分析更快更精准的特点，开发高效侵蚀预测模型；深度学习和各类回归算法是广大研究者常用的方法。未来，研究者们应充分利用不同机器学习方法的特性，探索最新的深度学习预测性能，提高复杂环境条件下土壤侵蚀的预测预报精度，揭示主要影响因子的贡献及因子之间的相关作用机制。

摘要：土壤侵蚀； 机器学习； 神经网络模型； 地理信息系统； 文献计量学

中图法分类号： S157

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.01.012

0 引 言

土壤侵蚀作为全球性的环境问题，给生态安全、粮食安全及可持续发展带来了严峻的挑战［1-4］。为了防治土壤侵蚀，早在百余年前众多学者和研究人员就已经开始了有关土壤侵蚀的研究。从早期研究土壤流失量与单因子之间的关系到现如今的多因子模型［5］，从野外观测到室内模拟试验，有关土壤侵蚀的研究现已发展出一套以实验为基础，以机理与模型为延伸的研究路线，取得了大量的研究成果。但由于土壤侵蚀类型多样、影响因子众多、因子间相互作用复杂及过程多变，采用传统的研究方法对土壤侵蚀情况进行精准的预测预报及机理解析还存在诸多困难。一些新的技术方法开始在土壤侵蚀研究中被大量应用［6］。机器学习是一门多领域交叉学科，研究人员将数据输入到学习算法中，算法根据输入的数据生成计算模型［7］，相较传统模型，机器学习具有分析复杂的非线性数据、因子相互作用和缺失的数据的能力［8］，能够更加迅速便捷地对侵蚀做出预报，并随数据的更新进一步完善，同时能够对其机理进行深入的解析［9-13］。随着土壤侵蚀数据的逐年积累，研究者所掌握的数据总量愈发庞大且复杂，机器学习的优点也愈发适合在该领域发挥。因此伴随着机器学习技术在生态学、土壤学等相近学科的广泛应用［8］，部分土壤侵蚀研究人员将目光转向了机器学习的应用，与之相关的科研文献也越来越多，但目前仍未有研究者对这些成果进行系统的总结。

文献计量学是借助文献的各种特征数量，采用数学与统计学方法指出、评价和预测科学技术的现状和发展趋势的学科［14］，常被用来分析某一学科领域知识点研究现状、热点方向与演化趋势，学术研究者与所在机构间的合作关系等［15］，对已有文献进行定量分析，能够客观评价研究领域在一定时期内的演进历程、研究方向与热点，帮助研究人员把握研究领域的未来发展趋势［16］。为全面了解机器学习技术应用于土壤侵蚀领域中的研究现状，本文采用文献计量学方法，借助Web of Science （WOS）核心合集数据库中收录的相关文献，利用文献计量学软件对所检索到的文献进行可视化与分析，从年度、国家/地区、机构、期刊发文量等多个角度，分析机器学习开始应用于土壤侵蚀的初始年份（1998年）至2022年间的发展历程、研究方向和热点，阐述基于机器学习研究土壤侵蚀的主要进展，力图为研究者展现该领域的研究现状及潜在研究方向，为机器学习在土壤侵蚀领域的深层次应用提供参考。

1 数据与方法

1.1 数据收集

本文统计分析Web of Science （WOS）核心合集数据库中收录的相关文献，首先确定土壤侵蚀（Soil Erosion）与机器学习（Machine Learning）作为主题检索词。土壤侵蚀种类众多，包括水力侵蚀、风力侵蚀、冻融侵蚀、重力侵蚀、淋溶侵蚀、山洪侵蚀、泥石流侵蚀及土壤坍陷等。机器学习包括决策树、人工神经网络、遗传算法等［17］。为保证检全率，参考相关文献［6，18-19］主题词设置，本文补充以下主题词：“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）为数据库，利用其高级检索功能，检索方式为：（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"））），檢索时间为2022年9月15日，删去重复论文和与研究主题不相符的论文后，获得有效期刊论文328篇。

1.2 数据分析

本文利用Co-Occurrence 9.9［20］软件进行同义词合并和数据清洗，对年发文量、发布期刊、发文国家、发文机构、发文作者等指标进行统计。采用VOSviewer结合CiteSpace用于绘制作者和机构间的合作关系、共现词图谱以及研究热点分析，最后使用CiteSpace对本领域研究热点进行分析。

2 结果分析

2.1 文献计量总体概况

从论文数量来看，机器学习应用于土壤侵蚀领域的年论文发表数量整体呈现增长趋势（见图1），大致可以分为两个阶段：第一阶段为1998～2013年，发文量较少，处于研究兴起阶段；第二阶段为2014～2021年，发文量增速加快，为该领域的快速发展阶段。从发表期刊来看，发表的328篇论文分布于125种期刊，该领域论文发文量前三的期刊有Remote Sensing（24篇）、Science of the Total Environment（15篇）、Catena（15篇）（见表1）。经统计，将近半数的论文发表于高影响因子期刊上，可见该领域的研究被地学、遥感、农林科学、环境科学等相关学科领域知名期刊认可并接纳。

使用CiteSpace软件对所有发文作者所在国家进行统计，仅从参与发文数的人次来看，中国研究者相较其他国家更重视此领域（98人次），但从中介中心性（指网络中经过某点并连接这两点的最短路径占这两点之间的最短路径线总数之比，其值越高则说明在合作地位上越处于中心位置，常用来进行中心性测度）上来看（见图2），中国虽然发文数量较多，但中介中心性（0.12）低于伊朗（0.21）和美国（0.26），这说明虽然中国该领域产出较多，但对外合作程度不如美国与伊朗。发文机构合作网络统计结果（见图3）显示中国科学院、塔尔比亚特·莫达列斯大学与设拉子大学分别处于不同合作聚类中的中心地位，一同在该领域中起到引领作用。

本文选用的328篇文献经过统计共有1 313名作者（包括所有参与发文的作者），经过数据清洗后，整理并列举出发文量排名在前5的作者（见表2）。来自伊朗的Hamid reza Pourghasemi 与Alireza Arabameri是此数据集内该领域发文量最多的作者（24篇），Hamid reza Pourghasemi是总被引最高的作者，在此数据集共计1 150次。经过统计，该领域内文献核心作者有39名，通过对核心作者及其成果的讨论研究，可以有效把握该领域内的发展脉络［21］。核心作者一般利用发文数量进行筛选，可通过普莱斯理论对发文量限定范围进行计算［22］。经计算，发文数量≥4篇（N=3.67）的学者可被视为核心作者，该领域内39位核心作者具有相互联系，合作关系如图4所示，图中节点大小代表文章数量，连线代表合作关系。

2.2 文献共被引分析

对机器学习在土壤侵蚀领域的应用文献进行共被引分析，其被引频次最高的文献是Hamid reza Pourghasemi发表的“Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling”（见图5），被引用53次，中介中心性为0.01。高被引文献中均涉及沟蚀（gully erosion），表明现阶段学者热衷于结合机器学习方法对沟蚀进行研究，尤其是对沟蚀的敏感性进行评估［23-27］。Hamid reza Pourghasemi发表在Science of the Total Environment的文章“Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling”使用多种机器学习方法相互比较，用以绘制Gully侵蚀性在伊朗的Aghemam流域，证明了集合建模在構建准确和广义的模型中的重要作用，强调了检查不同模型集成的必要性；Rahmati等分别对多个模型进行评估，用于散发侵蚀易感性的空间预测［23-24］，并表征伊朗伊拉姆省查瓦尔地区的易感性条件，研究发现，河川距离、河网密度和土地利用是最有效的因素。其他文献主要关注于不同区域应用不同机器学习模型对沟蚀敏感性进行建模或进行沟蚀空间建模。该领域高被引文章具有的共性为：① 多种模型相互比较；② 大多是基于已有遥感资料用机器学习方法对沟蚀敏感性进行判定、预测。沟蚀敏感性分析是土壤侵蚀领域的热点问题，研究者们比较不同模型在预测沟蚀敏感性上的表现，以找到最适合评估敏感性的预测模型。集成模型相对于单一模型能提高预测精度，在高被引文章中得到了验证。

2.3 机器学习研究土壤侵蚀的进展

2.3.1 关键词聚类和演变分析

关键词可以概括文献主题，总结研究领域的热点和发展趋势［19］。通过VOSviewer软件对文献的关键词进行共现分析，研究发现土壤侵蚀（Soil Erosion）、人工神经网络（Artificial Neural Network）、地理信息系统（GIS）、逻辑斯蒂回归（Logistics Regression）等是该领域的研究热点（见图6）。目前的研究主要集中在神经网络模型在土壤侵蚀领域的应用（Cluster 1）以及其他机器学习模型结合地理信息系统在土壤侵蚀领域中的应用（Cluster 2）。此外，还有一些研究者使用机器学习方法解决土壤侵蚀领域的其他问题（Cluster 3，4，5，6），但受到的关注较少。通过关键词突现分析（Burst Detection）筛选，得到近年来受关注度较高的关键词，包括人工神经网络（Artificial Neural Network）、降水（Precipitation）、河流（River）、回归分析（Regression）、逻辑斯蒂回归（Logistics Regression）5项，这些关键词揭示了该领域的研究趋势（见表3）。

2.3.2 土壤侵蚀研究中应用的主要机器学习方法

对关键词结合文章内容进行分析，提取機器学习模型相关关键词并依照年份和体系结构对该领域中的机器学习进行重新区分［7-8，17］。将其分为深度学习、树模型、回归模型、统计模型、支持向量机模型、遗传模型和其他模型这7类，其他模型类别包括算法类型分类为难以识别或未公开的研究，统计结果如图7所示。由图7可知，深度学习与回归模型相较其他模型占比较大。深度学习作为机器学习的一个分支，拥有着极高的预测性能与效率［8］，因此备受研究者青睐。而回归算法依托于数学基础，其预测结果有着坚实的理论支持，尤其是逻辑斯蒂回归等算法能够对特征因子贡献度排序，因此应用广泛。

2.3.3 基于神经网络模型研究土壤侵蚀的进展

图6中展示的红色聚类是所有聚类中最核心的聚类，包括45个关键词，与其他聚类连接紧密。其中人工神经网络（Aritficial Neural Network）与土壤侵蚀（Soil Erosion）是该聚类中共现频次最高的关键词。神经网络模型是土壤侵蚀领域最常见的机器学习模型，其理论基础来源于对大脑的逆向演绎［17］，近年来神经网络模型在诸多行业应用广泛，多层神经网络模型的机器学习也被称为深度学习［28］。此聚类中的作者尝试利用以神经网络模型为基础的多种模型对容易发生沟蚀的区域进行准确检测和预测，以达到水土保持的目的［29］。大多数作者使用与土壤侵蚀相关的因子作为特征值，将侵蚀的数值或侵蚀强度作为标签值对模型进行训练［30-35］，部分作者对沟蚀预测过程中的影响因子种类进行了探究。Nhu等［29］在研究中发现降雨、地形高差和河流密度是研究区域中沟蚀预测的最重要因素，Saha等［32-33］的研究中发现含沙量、土地利用、地表覆盖率和海拔对不丹（Bhutan）地区受到沟蚀的影响最大。少部分作者利用神经网络的图像处理能力结合遥感影像对土壤侵蚀进行研究。Samarin等［36］使用完全卷积神经网络模型与高分辨率遥感影像建立了侵蚀监测工具，可对侵蚀地点进行判别；还有学者使用多源、多尺度遥感和基于地面数据的组合训练了包括神经网络在内的多种模型，并对Bowen流域的沟壑网络进行判别，取得了满意的成果［37］。

除了沟壑侵蚀外，神经网络也常常被应用于风蚀方面的研究。Kouchami等［38］尝试使用构建带特征提取的神经网络（NNFE）、单音多层感知神经网络（MMLPNN）等在内的多种机器学习方法对伊朗的伊斯法罕省土地绘制了风蚀敏感性图，还使用其他多种模型对风蚀临界磨擦速度进行预测，为通过伊朗干旱和半干旱地区的表层土特征和表面粗糙度预测临界磨擦速度提供了有力的基础［39］。

研究人员对于机器学习模型在土壤侵蚀领域的应用有不同的见解，除了直接预测侵蚀情况外，还有其他方面的应用。Mirzaee等［40］将人工神经网络与WEPP模型相结合，对模型中的土壤可蚀性因子进行建模，并与WEPP模型相比较，结果表明人工神经网络相较传统模型表现出了良好的预测性能。Zhu等［41］采用人工神经网络（ANN）对长江上游龙川江的月悬移质输沙量进行了建模，结果表明，当将适当的变量及其对悬沙通量的滞后效应作为输入时，人工神经网络能够以相当高的精度模拟月悬沙通量。与多元线性回归和幂关系模型相比，人工神经网络能够在相同的数据要求下产生更好的拟合。Yusof等［42］使用神经网络模型对通用土壤流失方程中的侵蚀敏感性进行预测，再运用于土壤侵蚀计算中。Silva等［43］利用神经网络模型对巴西米纳斯·格拉斯州（State of Minas Gerais）降雨侵蚀力进行预测。Halecki等［44］建立基于山区集水区地貌参数的神经网络模型估算硝酸盐氮、总磷通量和悬浮泥沙浓度作为地表侵蚀过程的指标，还有部分作者对包括神经网络在内的多种沟蚀预测模型的耦合进行了探索，如Arabameri等［31］通过对比试验指出2种和3种模型相结合的ANN模型比其他组合的模型更精确。

此聚类聚焦于神经网络模型在土壤侵蚀领域的应用，旨在解决侵蚀敏感性判别和侵蚀发生识别等需求。随着时间的推移，应用的模型变得越来越复杂和专业化。新兴的神经网络模型具有之前模型不具备的特点。未来研究的重点是如何充分利用神经网络模型的特点，并解决土壤侵蚀领域待解决的问题。

2.3.4 机器学习结合地理信息系统研究土壤侵蚀的进展

图6中第二大聚类位于图的右侧（Cluster 2），关键词包含地理信息系统（GIS）、数据挖掘技术（Data-mining Technical）与多种机器学习模型的名称。此聚类主题可概括为机器学习模型结合地理信息系统在土壤侵蚀领域中的应用。

以神经网络为基础的深度学习在众多应用领域已经取得了成功，但对其原理的解释一直备受质疑［45］，而其余机器学习方法如逻辑斯蒂回归、树模型等则有相对稳定的理论支持。因此在对沟蚀敏感性分析时，常常被研究者用来与深度学习结果做对比［31-32，37，46］。同时逻辑斯蒂回归、树模型由于其能够对特征重要性进行排序，因此在对沟蚀敏感性等预测结果进行分析时，常常被用于对影响因子的重要性排序。例如Avand等［47］使用随机森林（RF）和K近邻（K-NN）绘制了伊斯法罕省罗巴特土耳其地区沟蚀敏感性图，并确定冲沟侵蚀与地质环境因素之间的关系。Nguyen等［48］基于DEM数据使用随机森林算法对侵蚀深度进行预测，并利用Boruta算法对影响要素进行筛选。Madarasz等［49］利用随机森林算法研究长期保护性耕作对土壤侵蚀的影响，并发现耕作类型在该项研究中影响最大。Arabameri等［50］使用证据权重（WOE）贝叶斯理论评估了沟蚀（GE）和地质环境变量（GEV）之间的空间关系，然后应用3种数据挖掘方法随机森林（RF）、增强回归树（BRT）和多元自适应回归样条（MARS）绘制了伊朗Shahroud流域的沟蚀敏感性图，研究表明，与道路的距离、海拔和岩性对沟蚀发生率的影响最大，还对沟头侵蚀使用基于旋转森林的交替决策树（RF-ADTree）进行预测，并对影响因子进行排序，根据随机森林结果，该研究中影响力前列的因素是道路距离、排水密度、河流距离、LU/LC、年降水量、地形湿度指数、NDVI和海拔［51］。还有不同作者对模型之间的性能进行比较，Chowdhuri等［52］比较了集成多种模型的集成算法与单一模型对侵蚀点的预测能力，得出集成模型普遍优于单一模型的结论。Svoray等［53］采用基于地理信息系统的物理模型、专家知识系统和基于树模型的机器学习算法对侵蚀沟头位置进行模拟，结果表明机器学习算法在输入同一数据的前提下，预测结果最为精准。

滑坡作为重力侵蚀的一种，对人类生产生活具有极大的危害，但往往在意识到滑坡时，滑坡就已經发生，遥感数据为滑坡灾害的监测与识别提供了可能［54］。部分研究者将机器学习用于滑坡敏感性分析［55］，Huang等［56］利用决策树、逻辑回归等机器学习算法对中国宁都县绘制滑坡敏感性图，并引入包括土壤侵蚀因子在内的10余种影响因子，对影响因子相对重要性进行排序，结果表明土壤侵蚀因子在滑坡中起着至关重要的作用。Xie等［57］提出了一种以支持向量机（SVM）为主要模型、贝叶斯优化（BO）算法为参数调整方法的滑坡灾害评估新方法，对提升滑坡预测模型精度做出了贡献。

此聚类研究成果中，机器学习模型主要与地理信息系统配合，用于绘制沟蚀敏感性图和滑坡敏感性图。一些研究者利用模型的特征筛选和排序方法来探索侵蚀机理。集成方法常被使用以提高模型精度，但对于基础机器学习模型优化缺乏深入研究。未来发展方向包括更好地利用白盒模型（如逻辑斯蒂回归、树模型）的特征筛选和排序特点，辅助研究侵蚀机理，并优化模型性能。

2.3.5 基于机器学习研究土壤侵蚀其他方面的进展

除了之前提到的两个聚类，其他聚类包含关键词如土地利用方式（land-use）和通用土壤流失方程（USLE），但它们的被引频次较低。这表明与之前的关键词相比，这些关键词并不属于主流研究方向。在这些聚类中，最多的研究成果是对USLE中的因子进行预测和判别。

USLE是通过大量实验得出的经验公式，预测精度有限，并且在使用上具有一定的困难，但长久以来不同研究者对其进行改造、修正［58-59］，USLE逐渐成为主流的预测方法之一。在机器学习兴起后，仍有作者利用机器学习模型对USLE模型进行修正，主要修正方法为利用机器学习的分辨、判别功能对USLE模型中的因子进行判别，并输出对应因子数值。Puente等［60］利用植被指数作为基础输入，经机器学习模型处理后输出USLE模型中的植被覆盖因子（C因子），相较于NDVI输出植被覆盖因子，这种方法计算出的指标具有更好的预测效果。Mukharamova等［61］利用卫星影像数据与LSTM机器学习方法对植被覆盖因子进行预测，并取得了令人满意的结果。Lee等［62］利用机器学习算法，基于韩国月降雨资料对侵蚀力因子进行预测，其预测结果R2可达到0.87。

其他具有创新性的研究方向研究成果数量较少，包括对产沙量的研究与对泥沙研究方法的改进等，最突出的是Tiecher利用支持向量机（SVM）对基于光谱的沉积物示踪技术进行改进，提升其相对精度，取得了一定成效［63］。

综上，在其余聚类中最受关注的方向仍与对通用土壤流失方程的改进有关，在这些聚类中存在着未被主流关注到的诸多具有创新点的文章亟待其他研究者关注，包括对产沙量、产沙过程的模拟、对重力侵蚀过程的预测等方面仍然有待研究人员的探索。

3 结 论

机器学习技术在土壤侵蚀领域的研究经历了初始期和快速发展期。近20 a来，该领域的研究数量呈现持续增加且增速加快的趋势。研究表明，该领域的论文多发表于较高影响因子的期刊上，并取得了高质量的研究成果。中国的研究者在土壤侵蚀领域非常活跃，是该领域论文中参与次数最多的国家之一。然而，从中介中心性的角度来看，中国的合作程度相对较低，还需要加强与其他国家的合作以提升国际影响力。从机构的角度来看，中国科学院、塔尔比亚特·莫达列斯大学和设拉子大学在土壤侵蚀领域的合作中处于中心地位，并起到引领作用。

目前，该领域的研究热点主要集中在侵蚀敏感性预测方面，使用遥感技术和多种机器学习模型进行研究。研究者希望通过机器学习模型建立更优秀的预测模型，以提高预测精度。研究者普遍发现集成模型相对于单一模型能够提高预测精度，并展现出更好的性能。因此，研究者更倾向于使用不同特性的机器学习方法进行耦合，以提升模型性能。

尽管现有的机器学习模型在其他领域取得了巨大的进展，但在土壤侵蚀领域的应用仍然相对原始和落后。为了推动土壤侵蚀预测模型的发展，研究者们应该积极应用更先进的机器学习模型，并发挥各类机器学习方法的特性。深度学习和各类回归算法是当前广大研究者最常用的机器学习方法。在熟悉基础模型的前提下，研究者们可以积极探索最新的深度学习方法，以发掘其在土壤侵蚀预测方面的性能。此外，还可以充分发挥树模型、逻辑斯蒂回归等白盒模型的特性，进行特征筛选，从而更好地理解土壤侵蚀的影响因素机制。此外，还可以利用机器学习模型优化水土流失监测方式，并探索更多应用的可能性。例如，可以利用机器学习模型改进遥感技术和地理信息系统，实现对土壤侵蚀的监测和预测，以及对防治措施的优化。

总之，发挥各类机器学习方法的特性，积极应用更先进的机器学习模型，并结合土壤侵蚀的影响因素机制，将有助于开发出更优化适宜、精度更高的土壤侵蚀预测模型，并拓展其在土壤侵蚀研究领域更多应用的可能性。

参考文献：

［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］ 赵文武，傅伯杰，吕一河，等.多尺度土地利用与土壤侵蚀［J］.地理科学进展，2006，25（1）：24-33.

［5］ 贾媛媛，郑粉莉，杨勤科，等.国内坡面土壤侵蚀预报模型述评［J］.水土保持研究，2004，11（4）：109-112.

［6］ 宋长青，谭文峰.基于文献计量分析的近30年国内外土壤科学发展过程解析［J］.土壤学报，2015，52（5）：957-969.

［7］ 孟子流，李腾龙.机器学习技术发展的综述与展望［J］.集成电路应用，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］ 郑海金，汤崇军，汪邦稳，等.基于人工神经网络的红壤坡面水土流失预测模型［J］.亚热带水土保持，2009，21（4）：10-13，33.

［10］ 冯利华.基于ANN的土壤侵蚀研究［J］.土壤侵蚀与水土保持学报，1999（增1）：105-109.

［11］ 赵西宁，吴普特，冯浩，等.基于人工神经网络的坡面土壤侵蚀研究［J］.中国水土保持科学，2004，2（3）：32-35.

［12］ 张科利，曹其新，细山田健三，等.神经网络理论在土壤侵蚀预报方面应用的探讨［J］.土壤侵蚀与水土保持学报，1995（1）：58-63，72.

［13］ 蔡煜东，许伟杰.土壤侵蚀预报的自组织人工神经网络方法［J］.农业网络信息，1993（4）：14-16.

［14］ 崔庆宏，王广斌，刘潇，等.2008～2017年国内BIM技术研究热点与演进趋势［J］.科技管理研究，2019，39（4）：197-205.

［15］ 刘海燕，李琳，李雪蓉.《系统工程理论与实践》1981～2015年文献计量分析［J］.系统工程理论与实践，2017，37（3）：805-816.

［16］ 吴同亮，王玉军，陈怀满.2016～2020年环境土壤学研究进展与热点分析［J］.农业环境科学学报，2021，40（1）：1-15.

［17］ 李旭然，丁曉红.机器学习的五大类别及其主要算法综述［J］.软件导刊，2019，18（7）：4-9.

［18］ 王涵，赵文武，贾立志.近10年土壤水蚀研究进展与展望：基于文献计量的统计分析［J］.中国水土保持科学（中英文），2021，19（1）：141-151.

［19］ 张宇婷，肖海兵，聂小东，等.基于文献计量分析的近30年国内外土壤侵蚀研究进展［J］.土壤学报，2020，57（4）：797-810.

［20］ 张勇，李仁华，姚赫，等.水土保持自动监测设备现状及新设备研发［J］.人民长江，2022，53（9）：43-48.

［21］ 史方颖，张风宝，杨明义.基于文献计量分析的土壤有机碳矿化研究进展与热点［J］.土壤学报，2022，59（2）：381-392.

［22］ 曹梦，李勇，勾宇轩，等.基于知识图谱的土壤中抗生素研究进展分析［J］.农业资源与环境学报，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.基于卷积神经网络的深度学习算法与应用研究［D］.杭州：浙江工商大学，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.卷积神经网络研究综述［J］.计算机应用，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，刘国彬，郑粉莉，等.RUSLE侵蚀模型的应用及进展［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.

（编辑：黄文晋）

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