基于Web of Science数据库的土壤质量评价及其微生物指标研究趋势分析

崔玲宇,喻 曼,乔宇颖,苏 瑶,王云龙,沈阿林

(1.浙江农林大学 环境与资源学院,浙江 杭州 311300; 2.浙江省农业科学院 环境资源与土壤肥料研究所,浙江 杭州 310021)

土壤是人类和动植物赖以生存的基础自然资源,土壤质量直接影响作物生长,进而影响人类和动植物健康,在维护生态系统平衡和维持营养要素的循环和转化上具有重要作用。提高土壤质量是实现农业绿色可持续发展的重要基础和核心内容之一[1]。我国耕地面积有限,长期以来,对农田的高强度利用和对土壤资源的不合理利用导致一些地区的土壤质量下降,发生土壤侵蚀、酸化、污染等现象[2-5]。土壤质量评价作为评估土壤可持续发展潜力的重要手段,受到国内外研究者的广泛关注[6-8],尤其是在近10年,该领域的研究呈快速增长态势。

文献计量分析是基于数据统计来预测和识别未来研究趋势与热点的数学统计方法[9-10],因具有客观、定量的优点而得到广泛应用[11]。李鑫等[12]基于Web of Science核心合集数据库(以下简称为WOS数据库)和CNKI(中国知网)数据库,利用文献计量分析,就土壤质量评价指标、最小数据集筛选、土壤质量评价方法等进行系统总结和比较。近年来,已有不少研究人员对国内外土壤健康评价体系、土壤健康的内涵和研究进展等进行了综述,促进了土壤健康评价途径和对策的提升及其在农业管理实践中的应用,但相关研究仍缺乏系统性[13-14]。本文采用文献计量学方法,利用HistCite Pro2.1、VOSviewer 1.6.19和CiteSpace 6.1.R6等分析软件,以土壤质量/健康评价领域的关键词频度聚类和突现强度等分析结果为主要依据,以全球发文量趋势和文章引用频次等辅助参考,在宏观视角下关注当前土壤质量评价领域的研究热点及其前沿趋势,以期为土壤质量评价研究、土壤资源的可持续发展等提供理论参考。

1 材料与方法

1.1 数据来源

基于WOS数据库进行检索,检索时间为2023年3月6日,检索主题词为“soil quality evaluation”“soil quality assessment”(土壤质量评价)、“soil health evaluation”“soil health assessment”(土壤健康评价)、“soil fertility evaluation”“soil fertility assessment”(土壤肥力评价),检索文献类型包括研究论文和综述两种类型,发表时间为2012-01-01—2022-12-31。共检索到论文523篇,剔除与本文确定的研究方向相关度较低的论文后,共获得相关文献448篇。

1.2 研究方法

通过HistCite Pro 2.1软件的引文分析工具统计发文量、总被引次数、本地被引次数等。其中:总被引次数(global citation score, GCS)是某篇文章在WOS数据库中总的被引用次数,引用这篇文章的文献可能与其研究方向毫无关系。本地被引次数(local citation score, LCS)指某一文献在本地数据集(即在WOS数据库输入关键词后导入Histcite Pro 2.1软件的所有文献的集合)中的被引用次数,因为本地数据集中的文章都是和检索词有关系的,所以LCS常被用来表征该文章在研究领域内同行的认可程度。

利用Origin 2019软件绘制发文量统计图。基于VOSviewer 1.6.19软件的共现(co-occurrence)分析功能,选定数据库中出现的所有关键词,绘制关键词聚类分析图。利用CiteSpace 6.1.R6软件的关键词突现(burstness)功能,分析近10年该领域研究趋势的动态演变。

2 结果与分析

2.1 发文量与文章被引频次分析

发文量和被引频次能够反映该研究领域的发展速度和影响力。近10年,土壤质量评价领域的发文量整体呈增加趋势(图1),在全球范围内,我国是该领域发文量最多的国家(表1),且自2017年起我国发文量快速持续增加,说明我国的土壤质量评价研究领域进入快速发展阶段。篇均被引次数可反映发文的整体质量水平。在本文检索范围内,我国学者的发文量、总被引次数和本地被引次数均居第1位,但篇均被引次数却在表1给出的10个国家中居第7位。这说明,我国学者在该领域的发文量虽高,但文章总体的影响力还不够强。荷兰的发文量为25篇,但篇均被引次数居第1位,在土壤质量评价领域居于领先地位。西班牙和意大利的发文量分居第4位和并列第8位,但其篇均被引次数分列第3位和第2位,说明其发文的整体水平较高。

表1 2012—2022年土壤质量评价领域发文量排名前10的国家的基本信息

图1 2012—2022年土壤质量评价领域的发文量

2.2 高被引文章分析

文章的总被引次数在一定程度上可反映文章的受关注程度。将本研究检索范围内获得的总被引次数排名前10的文章[15-24]整理于表2。瑞士学者Bünemann等[15]于2018年发表在SoilBiologyandBiochemistry杂志上的“Soil quality: a critical review”一文的被关注程度最高,该文为综述性论文,主要从定义、评价方法、指标选择等方面回顾了土壤质量的相关概念,确定了农业用地利用下最常用的土壤质量指标,并建议针对特定区域和种植模式,建立针对性的指标和关键评估步骤。在总被引频次排名前10的文章中,有5篇出自中国作者,例如:Yao等[20]以滨海盐土为例,建立了以地下水特性、土壤盐度、有机质为评价指标的最小数据集;Yu等[22]以不同的指标筛选方法(全数据集、最小数据集、修正后最小数据集)和评价方法(线性、非线性评价方法)开发土壤质量指数计算模型,结果发现,基于修正后的最小数据集使用非线性评价方法开发的土壤质量指数对土壤质量变异具有更高的敏感性。总的来看,总被引次数高的这些研究大多充分考虑了区域土壤特征与耕作体系,以此作为评价最小数据集筛选的重要依据,并比较了不同评价方法对评价体系客观性和敏感性的影响,为土壤质量评价体系构建提供了重要依据。

表2 2012—2022年土壤质量评价领域排名前10的高被引文章的基本信息

2.3 土壤质量/健康评价领域的研究热点与趋势

利用VOSviewer 1.6.19软件对本研究检索到的文献进行关键词分析,绘制关键词共现分析图(图2),图中不同的颜色代表不同的聚类,圆圈大小代表关键词出现频度的高低。关键词共现网络共分为3个聚类:聚类A以土壤健康评价为核心,关注土壤健康与生态系统服务、土壤功能之间的关系;聚类B以土壤质量评价为核心,关注最小数据集、评价指标筛选方法和理化指标;聚类C以微生物指标、微生物活性、酶活性为核心,关注土壤质量评价中的动态指标——微生物评价指标,以及微生物群落结构组成等。

在聚类A中,土壤健康评价与生态系统服务、土壤功能等聚为一类,说明相较于土壤质量评价,土壤健康评价的内涵倾向于土壤提供的各种生态系统服务功能[25-26],融合了更多的土壤生态属性,包含土壤生物多样性和土壤生态功能等,而不仅限于土壤质量或生产作物的能力[13]。在聚类B中,土壤质量指数、最小数据集和主成分分析等出现频次最高,其次为速效磷、有机质、土壤容重等理化指标,说明筛选合适的指标和构建科学的评价方法对于识别区域土壤质量问题,提供预警信号来说至关重要[27]。运用以统计分析为主的主成分法构建最小数据集是当前评价指标筛选的研究热点[28-29],土壤质量管理框架是当前常用的评价方法[30-31]。在聚类C中,β-葡萄糖苷酶、脱氢酶、过氧化氢酶等酶活指标和微生物量碳、微生物活性等微生物指标出现频率较高,这些微生物指标单独聚类,说明以微生物信息为主的动态评价指标开始成为当前土壤质量研究的独立板块和热点。

突现性关键词是指突然出现且引用频率很高的词汇,在一定程度上代表了一个研究领域的研究前沿和热点。本文使用CiteSpace 6.1.R6软件提取土壤质量/健康评价研究领域突现强度排名前25的关键词(图3)。根据突现词出现和热度衰退的年份,大致可划分为2012—2019年和2019—2022年两个阶段。第一阶段,突现词从关注理化指标转向土壤质量评价方法的多元化发展,典型突现词如神经网络、随机森林。随着计算机技术和大数据分析的快速发展,使用机器学习算法预测土壤质量变化已成为研究趋势[32]。第二阶段,突现词聚焦于土壤质量评价动态指标——微生物指标的筛选上,典型突现词如微生物量、微生物指标、微生物多样性。传统的土壤质量评价研究注重选取土壤物理和化学指标[33-34],随着分子生物学的不断发展,挖掘土壤微生物学信息,并与传统理化指标相结合以评价土壤质量,已成为一大趋势。

图3 关键词的突现强度与时间

2.3.1 土壤质量评价方法——机器学习算法

(1)随机森林模型。随机森林算法可以解决非线性复杂系统中指标过拟合的问题,近年来在评价土壤质量和预测评价指标方面得到了较为广泛的应用。Ciarkowska等[35]研究发现,随机森林模型与主成分分析法均可有效预测土壤质量指数,但随机森林模型的拟合效果更好,决定系数(R2)值提高31.65%,均方根误差(RMSE)值降低31%。Li等[36]研究发现,用基于随机森林模型得到的最小数据集预测的土壤质量指数与基于全数据集获得的土壤质量指数有很强的相关性,相关系数为0.94,高于用相关性分析或主成分分析得到的相关系数,在绿色生产模式下,用随机森林模型预测的土壤质量指数呈上升趋势,说明其可有效预测土壤质量变异和反馈种植管理方式带来的变化,但该模型对其他轮作系统和气候条件下的土壤质量评估效果未知,可能存在一定的局限性,尚需要在不同管理模式下进行验证和提升。Wilhelm等[37]发现,随机森林模型预测土壤健康类别和等级的准确性受土壤微生物测序深度归一化、过滤和分类分辨率类型的影响很大,应用归一化数据训练的模型,在使用高分辨率(ASV)数据时预测结果会更加精确,若使用目、科、属等较低分辨率的数据训练模型,则其准确性明显降低。考虑到土壤微生物组的区域差异,若能针对不同地理位置、土壤类型和种植体系的微生物组数据进行训练,模型效果会更好。与传统方法相比,随机森林模型在土壤质量评价中展现出更好的拟合效果,但目前的研究大多聚焦于多种模型的对比和模型精度的提高上,在推动随机森林模型评价方法的实际应用方面,缺乏对模型在不同土壤类型、种植系统和管理措施上的应用效果研究。

(2)神经网络模型。神经网络模型是土壤质量评价中的常用方法,包括人工神经网络和模糊神经网络等。Shao等[38]基于反向传播人工神经网络针对西北典型干旱区构建了土壤质量评价模型,经验证,模型的准确率达97%。Liu等[32]利用反向传播人工神经网络与注意力模型组合构建评价模型,用于评价雅安市的土壤质量,结果发现,与反向传播人工神经网络相比,集成模型的性能更好,R2值增加0.005,RMSE值降低0.002。Wang等[39]应用Takagi-Sugeno模糊神经网络模型评估稻田土壤质量,结果发现,土壤质量等级与水稻产量的空间分布一致,模型误差在-0.05～0.05。总的来看,神经网络模型在评价土壤质量、响应土壤生产力上具有一定优势,但不同神经网络模型的局限性和应用效果存在差异,进一步优化、训练神经网络模型以适应其在土壤质量评价领域的实际应用,具有现实意义。

2.3.2 土壤质量评价动态指标——微生物评价指标

(1)土壤酶活性。除传统的理化指标外,近年来,土壤质量评价更加关注微生物指标的筛选,并将其与理化指标搭配使用构建最小数据集,以提高评价效果。土壤酶活性、微生物多样性、微生物量等是较为常见的微生物评价指标。其中,土壤常用的酶活性指标包括β-葡萄糖苷酶、过氧化氢酶、脲酶、脱氢酶、磷酸酶等。土壤酶参与土壤有机质的分解、转化、矿化等环节[40-41],是响应土壤生产力水平和质量变化的敏感指标[42]。Liu等[43]应用酸性磷酸酶、总细菌和总氮等指标构建最小数据集评价酸性紫土区的水稻土土壤质量,发现该数据集能反映土壤质量变异的82.1%。Liu等[44]建立以全氮、速效钾、微生物量碳、β-葡萄糖苷酶、总细菌和丛枝菌根真菌为主体的最小数据集评价稻田土壤质量,发现与高生产力水平相比,在低生产力水平下,土壤脲酶、磷酸酶和β-葡萄糖苷酶的活性分别显著降低31.7%、17.6%和24.2%,但土壤脱氢酶活性在不同生产力水平下无显著差异。Liu等[45]在评价油茶林的土壤质量时发现相似结果,即土壤过氧化氢酶、脲酶、蔗糖酶、磷酸酶的活性与茶林生产力水平呈正相关关系,其中,过氧化氢酶可作为评价油茶林土壤质量的合适指标。综上,土壤酶活性指标在土壤质量评价中具有一定的代表性,目前的研究重点关注土壤酶活性指标与土壤生产力水平的响应关系,对土壤酶活性在不同土壤类型、种植管理方式下的响应机理,以及土壤酶活性指标在土壤质量中的赋权等尚未开展系统研究。

(2)微生物多样性。土壤微生物多样性能直观反映土壤生态系统结构和功能的变化[46],将其作为评价指标引入土壤质量/健康评价体系是近年来的研究热点,常用指标包括微生物多样性指数、丰富度指数和均匀度指数,但也有学者将细菌功能多样性、真菌功能多样性和核心功能微生物纳入土壤质量评价指标体系[47]。Lin等[48]利用酸碱度、有机质、速效钾、全氮、微生物量碳、细菌功能多样性、细菌香农指数、细菌Chao1指数和真菌香农指数构建最小数据集评价土壤质量,该数据集能够反映土壤质量变化的73.17%,并发现沟渠建设和增施有机肥等土壤整治措施能显著提高细菌香农指数、真菌香农指数和细菌功能多样性,增强与土壤氮循环、反硝化和呼吸作用相关功能的基因丰度。Kim等[47]研究发现,在农田与森林2种土地利用方式下,土壤优势菌种存在显著差异,Actinomadurarifamycini、Azospirillumagricola、Gelriaglutamica等6种优势菌种只存在于森林土壤中,参与土壤氮循环、植物致病性和物质降解过程的优势菌种分别为Actinomadurarifamycini、Chthoniobacterflavus和Gelriaglutamica,这些菌种在指征土壤健康方面具有潜力。由此可见,土壤质量/健康评价中的微生物多样性指标选取从仅关注多样性、丰富度和均匀度指数起步,逐渐深入到微生物功能多样性、核心功能微生物上,基于分子-生物宏基因组数据寻找指征土壤质量变异的核心功能微生物或优势菌种是当前的研究重点,探寻核心功能微生物生态功能与土壤质量之间的关系,进而评价和预测土壤质量/健康,并结合大数据分析,通过确定不同土壤类型下的核心功能微生物变化,有助于推动土壤微生物多样性指标在土壤质量评价中的进一步应用。

(3)微生物量。微生物量反映了参与调控土壤养分循环与有机物质转化所对应的微生物的数量,与土壤生产力水平显著相关,其中,微生物量碳、微生物量氮和微生物量磷是评估土壤质量/健康状况的常见微生物指标。Liu等[49]在评价稻田土壤质量时选用丛枝菌根真菌、微生物量碳、有效硅、有效钾和总氮构建最小数据集,该数据集可反映土壤质量变化的93.84%,其中,微生物量碳在该数据集中所占权重最高(0.25)。该研究还发现,低生产力水平土壤的微生物量碳含量较高生产力水平土壤低52.08%。Li等[36]的研究也发现,高生产力水平土壤的微生物量氮与总氮的比较低生产力水平土壤高出15.3%,用有机质、碱解氮、微生物量氮与总氮的比和有效锌构建最小数据集评价麦田土壤质量,能够反映土壤质量变异的76.11%。Wang等[50]选用全氮、微生物量碳、全磷、全钾、砂含量和盐度评价湿地土壤质量,数据集可反映土壤质量变化的83.83%。Deng等[51]选用酸碱度、全氮、交换性钙、微生物量氮、微生物量磷、黏土含量和毛管孔隙度构建最小数据集评价喀斯特石漠化地区的土壤质量,与重度石漠化地区相比,轻度石漠化地区的土壤微生物量磷降低70.6%,微生物量氮降低27.6%。综上,微生物量在土壤质量/健康评价中具有一定的代表性和敏感性,土壤微生物量与不同生产力水平、不同土壤类型和同种土壤类型的不同演替级别之间存在响应关系,但其交互机制尚不明确,今后还需进一步明确土壤耕作方式、水文条件和管理模式等因素与土壤微生物评价指标的关系,完善其在土壤质量评价体系中的实际应用。

3 结语

近10年来,世界范围内对土壤质量/健康评价领域研究的关注程度日益升高。在该领域内,我国学者的发文量居世界首位,但文章整体影响力还有待进一步增强,荷兰学者发表论文的影响力较强。当前,土壤质量/健康评价领域的研究热点可分为土壤健康与生态系统服务、土壤功能之间的关系,最小数据集、评价指标筛选方法和微生物评价指标3类,其中,主成分分析和土壤管理评估框架是当前最常用的指标筛选和评价方法。该领域的研究热点逐渐从关注土壤质量/健康评价理化指标变到评价方法建立,再变到土壤动态评价指标构建,如微生物指标的筛选上来。微生物指标以土壤酶活性指标、微生物多样性和微生物量等指标为主。机器学习算法,如随机森林和神经网络模型开始广泛应用于土壤质量评价领域。然而,当前研究大多集中于多种模型的比较或模型精度的提高上,尚缺乏对不同尺度下特定区域的应用比较,和评价模型在不同应用模式下的效果验证。在挖掘和筛选土壤微生物信息评价指标上,应结合现代生物技术和大数据分析,厘清不同土壤类型、种植体系下的关键功能微生物,建立关键功能微生物与土壤质量之间的内在联系,以进一步完善和提升土壤质量/健康评价体系。