Geospatial Methods for SDG-Aligned Land and Water Resource Management: A Bibliometric and Systematic Review of Research Trends (2021–2026)
本研究结合了对 2021–2026 年研究的文献计量学和系统综述，旨在绘制全球土地与水资源管理中地理空间方法的趋势图谱，揭示了向云平台和机器学习转移的趋势，同时识别了在实时监测和政策整合方面的关键差距，以更好地支持可持续发展目标 6（SDG 6）和可持续发展目标 15（SDG 15）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，地球是一个巨大的、活生生的拼图，陆地与水面是两个不断相互挤压的碎片。如果你用力过猛压迫陆地（比如建造城市或过度耕作），水就会被挤出、干涸或变得肮脏。如果水的流动出现偏差，陆地也可能被冲走。长期以来，科学家们试图解决这个拼图难题的方法是派人携带记录板和水桶进入实地，但这既缓慢又昂贵，而且在天气恶劣或区域过于广阔时几乎无法实现。于是，“地理空间”侦探们登场了。这些科学家利用像巨大的、超强力的眼睛一样在轨道上运行的卫星来拍摄地球照片，并利用强大的计算机将这些照片转化为地图。他们使用的工具包括遥感（从太空拍照）、GIS（一种数字地图图层系统，让你能像做三明治一样堆叠信息）以及机器学习（能够比人类更擅长识别模式的计算机）。我们之所以关注这些，是因为世界正在变热，城市正在扩张，而水资源正变得日益稀缺。如果我们无法弄清楚水藏在哪里，或者陆地是如何变化的，我们就无法喂饱人类或保护人们免受洪灾。
现在，请想象一座巨大的图书馆，里面收藏了 2021 年至 2026 年间关于这些空间卫星地图的所有研究论文。这篇论文的作者决定担任终极图书管理员。他们不仅阅读了几本书，还扫描了 335 篇同行评审文章，以了解全世界都在做什么；接着，他们又深入挖掘了 59 项特定研究，以观察这些研究是否做得足够出色。这就像是在评测一季电视剧：他们看了评分（有多少观众观看），然后评论了剧情（故事是否合乎逻辑？）。
以下是他们的发现，其中包含了一些情节转折。
首先，图书馆正迅速变得拥挤。在 2021 年至 2025 年间，发表的论文数量激增了 59.2%，并在 2025 年达到峰值，共计 1,735 篇文章。这就像是一次突然的兴趣爆发，其驱动力来自于疫情（疫情让人们难以外出，因此转向使用卫星）以及全球推动实现联合国“可持续发展目标”（一份拯救地球的清单）的努力。虽然像中国和美国这样的主要参与者撰写了最多的论文，但最“被引用”（被讨论最多）的研究却来自肯尼亚、厄瓜多尔和南非等地。看来，当你身处水资源极其匮乏的地方时，你的研究会获得很多关注，因为你在解决一个真实且紧迫的问题。
但这里有一个巨大的惊喜，一个“抓包”时刻。多年来，许多科学家一直在遵循一个配方：“想要做出更好的地图，只需增加更多原料。”他们认为，如果堆叠更多的图层数据（就像给披萨增加更多配料），或者用更多的地面点进行校验（就像多次品尝披萨），那么他们的地图就会自动变得完美。
作者用数学测试了这个想法，并且它并不奏效。
他们发现，增加更多的“主题输入层”（即数据配料）几乎无法提高地图的准确性。事实上，数学表明，图层的数量仅解释了地图好坏原因中的 9.4%。这就像意识到，给你的披萨加第十片意大利香肠并不会让它显著变好吃；面团和酱汁的质量其实重要得多。同样，仅仅增加更多的地面校验点也只有微小的帮助，它并不是大家一直以为的那种灵丹妙药。
那么，究竟什么才能让一张地图变得优秀呢？论文发现，你使用的方法才是真正的秘方。
长期以来，最流行的方法被称为 AHP（层次分析法）。把 AHP 想象成一种“投票系统”，由专家决定每个地图图层的重要性。它易于使用且非常普遍，尤其是在计算机性能可能较慢的南亚和非洲地区。但论文发现，AHP 就像是一个可靠的老式计算器：它能完成任务，但它不是最快或最聪明的工具。
当作者将 AHP 与机器学习（计算机根据数据自主学习）进行对比时，计算机每次都赢了。在那些将两者进行侧重对比的研究中，机器学习实现的准确度得分（称为 ROC-AUC）为 0.860，而 AHP 仅达到了 0.748。这是 15% 的提升。这就像是一个能带你到正确街道的 GPS 与一个能精准带你到家门口的 GPS 之间的区别。
然而，还有一个令人遗憾的转折。尽管机器学习显然更好，但最需要它的地方（如地下水正在枯竭的南亚和非洲）仍然主要在使用旧的 AHP 方法。这就像是你明明有一辆快速的电动车停在车库里，却依然开着一辆缓慢且可靠的老爷车，只是因为你不敢尝试切换。论文建议，如果这些地区能够转向使用更新、更智能的方法，他们就能更准确地找到水资源。
论文还指出了拼图中其他一些缺失的部分：
- “黑箱”问题： 许多研究使用了聪明的计算机，却不解释计算机为什么做出某个决定。这就像一位老师给了你一个“A”，却没告诉你哪里做得对。作者表示，我们需要“可解释人工智能”，以便决策者能够信任研究结果。
- “静态”陷阱： 大多数地图只是某一时刻的快照。但世界始终在变动。论文认为我们需要“实时”监测，就像是看一段实时视频流，而不是一张照片，以便在洪水或干旱发生时及时捕捉。
- “仅关注供给”的盲点： 几乎所有的水资源研究都只关注水在哪里（供给），但没有一个研究关注人们消耗了多少水（需求）。这就像是在测量桶里有多少水，却忽略了桶底的洞。如果不了解人们的使用量，我们就无法真正管理这项资源。
最后，这篇论文是一份行动号召。它告诉我们，我们的工具正在变得更好，但我们在最需要速度的地方却在使用最慢、最旧的工具。未来不仅仅是关于从太空拍摄更多的照片，更是关于如何使用更聪明的计算机来解读这些照片，清晰地解释我们的答案，并将水在哪里与我们如何使用水这两者联系起来。如果我们能做到这一点，我们或许就能解开那个最大的谜题：让我们的陆地与水资源为每个人保持健康。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。