森林碳儲量估算的全球格局，技術演進、精度提升與尺度擴展挑戰的書目計量分析Global patterns in forest carbon storage estimation: bibliometric analysis of technological evolution, accuracy gains and scaling challenges

研究問題

我想搞清楚這篇在問什麼，它整理的是 2008 到 2025 年森林碳儲量估算技術在時間與空間尺度上怎麼演進，方法上有哪些進展與缺口。

材料與方法

作者從 Web of Science 核心合輯與中國知網檢索 2008 年到 2025 年 4 月的文獻，用 Forest 搭配 C storage 或 C sequestration 或 C sink 與量測方法等關鍵字，篩選後保留 2,427 筆相關出版品，再精選 487 篇擷取地點、經緯度、方法與精度，並用 CiteSpace 做書目計量分析，搭配 R、ArcGIS 與 SPSS 製圖。

結論

結論是這個領域分成三個階段，早期靠渦度相關與遙測、中期轉向過程模型、近年由隨機森林與機器學習主導，模型平均精度由 R2 約 0.7 升到 0.77，但大尺度與全球評估仍然很少，研究高度集中在美國與中國。

討論與我的觀察

對我來說，這篇最大的價值是當研究背景的演進骨架，它用真實統計告訴我文獻量大、精度上升，卻也誠實點出大尺度評估稀少與監測能力不均。限制也很關鍵，書目計量有語言偏誤與時效落後，而且它彙整的高 R2 來自不同原始研究、跨森林型可轉移性並沒有被證明，所以我不能把高 R2 當成某個方法已經全球可用。放到森林數位孿生與我的研究脈絡，它正好幫我把問題從方法清單，轉向在地多尺度整合、標準化驗證與 FDT 的必要性。

重要科學發現

• 2008 到 2025 年共納入 2,427 筆出版品，中國貢獻 25.5%，最高產國家為美國 691 篇佔 29%、中國 468 篇佔 20%。
• 技術分為三階段，2008-2012 渦度相關與遙測、2013-2017 過程與統計模型、2018-2025 隨機森林與機器學習主導。
• 模型平均精度由 Stage 1 的 R2 約 0.7 升至 Stage 3 的 0.77，TRIPLEX-Flux 由 0.62 升至 0.97、隨機森林由 0.63 升至 0.97。
• 大、中、小尺度研究分別僅有 8、16、67 國投入，多數集中於局地至區域尺度，全球評估仍有限。

關鍵短引用

大尺度或全球評估仍然有限Abstract Discussion

中國科學院為最高產機構p.6 Sec 3.3

博士生的話

這篇給我的博論一個用真實統計撐起的森林碳估算演進背景，並點出大尺度與在地驗證的缺口；對 TJFS review，它支撐我把焦點放在驗證設計、在地校準與森林數位孿生整合，而不是只列方法。