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
Feng Y, Liu J, Hu H, Cui P, Zhou H, Ma B, Liu Z, Chen D｜Frontiers in Forests and Global Change 8: 1649356｜DOI: 10.3389/ffgc.2025.1649356
狀態：AI_DRAFT_FROM_REVIEW｜分級：A｜閱讀深度：FULL_TEXT_CHECKED｜Jacky 審核：False
森林數位孿生方法平台
forest carboncarbon storage estimationbibliometric reviewbibliometricsCiteSpacecontent reviewglobal
專討核心文獻定位
[54]
Ch1 · 研究背景
新增
WOS 與 CNKI 2008-2025 共 2,427 筆，模型平均 R2 由 0.7 升至 0.77，大尺度研究仍稀少
使用警示
本頁是文獻知識庫卡片，不等於可直接引用的最終查核稿。只有狀態升級為 CITABLE 後，才可直接進入論文引用候選。
為什麼納入這篇
這篇是研究背景章節的核心書目計量來源，提供森林碳儲量估算技術從地面量測、遙測、模型模擬到機器學習的長期演進脈絡，並用真實統計支撐文獻量大、精度上升但大尺度評估仍不足的論點。
結構式摘要｜中英文對照
| 研究問題 | 2008 至 2025 年間，森林碳儲量估算技術在時間與空間尺度上如何演進，方法上有哪些進展與缺口？ How have forest carbon storage estimation techniques evolved over time and across spatial scales between 2008 and 2025, and what methodological advances and gaps remain? |
|---|---|
| 資料來源 | 原文第 1 至 2 頁說明，作者自 Web of Science 核心合輯與中國知網 CNKI 檢索 2008 年 1 月至 2025 年 4 月文獻，關鍵字組合為 Forest 與 C storage 或 C sequestration 或 C sink 與量測方法或技術，經篩選後保留 2,427 筆與森林碳儲量估算技術相關的出版品，再從中精選 487 篇最相關者擷取地點、經緯度、方法與精度等資料。 Pages 1 to 2 state that the authors retrieved literature from the Web of Science Core Collection and the China National Knowledge Infrastructure (CNKI) for January 2008 to April 2025, using Boolean keywords combining Forest with C storage or C sequestration or C sink and measurement method or technique. After screening, 2,427 publications related to forest carbon storage estimation techniques were retained, and 487 of the most relevant papers were selected to extract study location, coordinates, method, and accuracy. |
| 方法 | 書目計量加內容回顧，使用 CiteSpace V6.2.R6 進行科學計量分析，並以 R 4.5.0 的 ggplot2 與 metafor 套件、ArcGIS 10.8.1 與 IBM SPSS 27 製圖與統計；以 2008 年為起點，依京都議定書與巴黎協定等政策里程碑將 2008-2025 切分為三個發展階段。 The study combines bibliometric and content review, using CiteSpace V6.2.R6 for scientometric analysis, with R 4.5.0 (ggplot2, metafor), ArcGIS 10.8.1, and IBM SPSS 27 for mapping and statistics. Starting from 2008, the 2008-2025 period is divided into three stages aligned with policy milestones such as the Kyoto Protocol and the Paris Agreement. |
| 主要結果 | 原文確認：累積出版量達 2,427 筆，中國貢獻 25.5%；學科以環境科學最多 718 篇佔 18%，其次林業 456 篇、生態 383 篇；最高產國家為美國 691 篇佔 29%，其次中國 468 篇佔 20%；最高產機構為中國科學院 208 篇佔 22%。三階段為早期 2008-2012 以渦度相關、衛星遙測與機載雷達為主，中期 2013-2017 轉向過程式與統計模擬模型，後期 2018-2025 以隨機森林與機器學習及生物量製圖為主。模型平均精度由 Stage 1 的 R2 約 0.7 升至 Stage 3 的 0.77，TRIPLEX-Flux 模型 R2 由 0.62 升至 0.97、隨機森林由 0.63 升至 0.97。空間上多數研究集中於局地至區域尺度，大尺度與全球評估仍有限。 The original text confirms a cumulative total of 2,427 publications, with China contributing 25.5%. Environmental Science was the largest discipline with 718 publications (18%), followed by Forestry (456) and Ecology (383). The most productive country was the United States with 691 publications (29%), followed by China with 468 (20%); the most productive institution was the Chinese Academy of Sciences with 208 (22%). Three stages were identified: the early stage (2008-2012) dominated by eddy covariance, satellite remote sensing, and airborne radar; the middle stage (2013-2017) shifting to process-based and statistical simulation models; and the later stage (2018-2025) dominated by random forest, machine learning, and biomass mapping. Average model accuracy rose from R2 about 0.7 in Stage 1 to 0.77 in Stage 3, the TRIPLEX-Flux model R2 rose from 0.62 to 0.97, and random forest from 0.63 to 0.97. Spatially, most studies addressed local-to-regional scales, while large-scale and global assessments remained limited. |
| 限制 | 作者自陳五點限制，包含僅納入可被索引的期刊文獻而可能漏掉操作實務與灰色文獻、為維持主題一致性而聚焦林業與環境科學期刊、非生物量碳庫如枯落物與粗木質殘體偏少、書目計量本身的語言偏誤以英文文獻為主、以及書目方法的時效落後使最新技術難以被捕捉。 The authors note five limitations, including reliance on indexed journal literature that may miss operational practice and grey literature, a focus on forestry and environmental-science venues that constrains interdisciplinary coverage, underrepresentation of non-living carbon pools such as litter and coarse woody debris, language bias toward English literature inherent to bibliometrics, and a recency lag that makes the latest techniques hard to capture. |
Key Findings
| 發現 | 證據 | 確定性 |
|---|---|---|
| 森林碳儲量估算技術歷經三個發展階段，由渦度相關與遙測，轉向過程模型，再到機器學習與隨機森林主導。 | 原文摘要與 3.5 節、結論：2008-2012 渦度相關與衛星遙測、機載雷達；2013-2017 過程式與統計模擬；2018-2025 隨機森林與機器學習及生物量製圖。 | checked_against_original_txt |
| 模型精度隨技術演進顯著上升，但多數研究仍集中於局地至區域尺度，大尺度與全球評估稀少。 | 原文 3.6 與 4.2 節：平均 R2 由 0.7 升至 0.77，TRIPLEX-Flux 與隨機森林皆由約 0.62-0.63 升至 0.97；空間上 large、medium、small 尺度分別有 8、16、67 國投入研究。 | checked_against_original_txt |
| 研究產出高度集中於少數國家與機構，美國與中國合計約佔半數，反映全球碳監測能力的不均。 | 原文 3.3 節：美國 691 篇佔 29%、中國 468 篇佔 20%、德國 240 篇佔 10%；中國科學院 208 篇佔 22% 居首。 | checked_against_original_txt |
Key Figures and Tables
公開網站原則：未確認授權前，不直接複製原文圖表；優先使用自製圖表導讀或重繪圖。
| 項目 | 內容 | 關鍵數字 | Jacky 判讀 | 重用策略 |
|---|---|---|---|---|
| Figure 2 | (a)(b) 研究區與研究站點的全球分布，(c) 年度出版量，(d) 累積出版量，並以不同色塊標示 2008-2012、2013-2017、2018-2025 三個發展階段。 | 累積 2,427 筆；Stage 1 全球年均 78 篇、年增 6%，中國年均 23 篇、年增 39%；Stage 2、Stage 3 全球年增率分別為 1% 與 3%；中國貢獻 25.5%。 | 可作為研究背景開場，呈現森林碳估算文獻長期穩定成長與三階段技術轉折，再帶到台灣在地驗證與 FDT 整合的需求。 | 原文為 CC-BY，可標註出處重用；發布前仍建議以自繪趨勢表轉述，避免直接照搬。 |
| Table 1 | 彙整渦度相關、AGB 異速生長方程式、Bookkeeping 模型、大氣反演、土壤碳封存框架等方法的代表作者、適用範圍、優點與限制。 | 列出至少七類代表性方法與其對應代表學者，如 Reichstein、Davidson、Chave、Baldocchi 與 Aubinet、Houghton、Lal、Ciais。 | 提供傳統到現代碳估算方法的清楚對照表，可支撐 review 在 Ch1 帶出方法多樣性與各自限制。 | CC-BY 可重用，建議重整為自繪對照表並標註原始出處。 |
| Figure 6 | (a) 三個發展階段的模型平均精度，(b) 不同模型的精度，皆以 R2 作為統一比較標準。 | Stage 1 平均 R2 約 0.7，Stage 3 升至 0.77；TRIPLEX-Flux 由 0.62 升至 0.97，隨機森林由 0.63 升至 0.97，3-PG 模型可達 0.99；無人機 0.61、全球 AGB 圖 0.82。 | 用來支撐精度隨技術演進上升的論點，但須提醒 R2 高不等於跨森林型可轉移，呼應原文對標準化驗證的呼籲。 | CC-BY 可重用，建議以自繪精度趨勢圖轉述並標註出處。 |
Extracted Evidence Table
| 可支撐主張 | 指標或結果 | 原文位置 | 可引用 | 備註 |
|---|---|---|---|---|
| 森林碳儲量估算文獻長期穩定成長且高度集中於少數國家。 | 2008-2025 共 2,427 筆，美國 691 篇佔 29%、中國 468 篇佔 20%，中國貢獻全球 25.5%。 | 原文 3.1、3.3 節與 Figure 2、Figure 4。 | True | 出版量統計可直接引用；勿將文獻量等同於證據品質。 |
| 模型精度隨技術演進顯著提升。 | 平均 R2 由 Stage 1 約 0.7 升至 Stage 3 的 0.77；TRIPLEX-Flux 與隨機森林皆由約 0.62-0.63 升至 0.97。 | 原文 3.6、4.5 節與 Figure 6。 | True | 原文亦指出 R2 高的模型跨森林型可轉移性仍不確定，需標準化田野資料驗證。 |
| 大尺度與全球碳評估仍然有限。 | large、medium、small 三尺度分別僅有 8、16、67 國投入研究，多數集中於局地至區域尺度。 | 原文摘要 Discussion 與 3.7 節、Figure 7。 | True | 可作為支撐台灣在地多尺度整合與 FDT 必要性的背景缺口。 |
Critical Appraisal
Strengths
- 以 2008-2025 長時段、雙資料庫 WOS 與 CNKI 提供完整的森林碳估算技術演進視野。
- 結合書目計量與精度趨勢分析，量化呈現方法演進與 R2 提升。
- 明確點出大尺度評估稀少、發展中國家監測能力不均等系統性缺口。
Weaknesses
- 書目計量本身有語言偏誤與時效落後，最新操作實務可能被低估。
- 精度 R2 為跨研究彙整，模型間口徑與森林型不一，跨域可轉移性未證明。
- 非生物量碳庫如枯落物與粗木質殘體偏少，可能造成區域碳匯評估系統偏差。
| Validation quality | 回顧文本身不涉獨立田野驗證；其所彙整的 R2 來自不同原始研究，須個別查核口徑後方可比較。 |
|---|---|
| Transferability to Taiwan | medium，作為全球背景與方法演進脈絡高度可用，台灣特定數值仍需在地研究支撐。 |
| Risk of overclaiming | 勿將跨研究彙整的高 R2 解讀為單一方法已成熟可全球轉移，亦勿以文獻量推論研究品質同步提升。 |
與 Jacky 博論 / Review 的用途
| 博士論文 | 為博論提供森林碳估算技術從地面、遙測、模型到 AI 的長期演進骨架，並用真實統計界定大尺度與在地驗證缺口。 |
|---|---|
| TJFS Review | 支撐 TJFS review 在研究背景章節以書目計量證據鋪陳方法演進，再轉入驗證設計、在地校準與 FDT 整合的論述。 |
| 可引用句候選 | 2025 年，Feng 等人發表的文獻中指出，森林碳儲量估算技術歷經渦度相關與遙測、過程模型到機器學習三個階段，模型平均精度由 R2 約 0.7 升至 0.77，但多數研究仍集中於局地至區域尺度，大尺度與全球評估依然有限。 |
| 不可用來主張 | 勿用本文單獨主張台灣特定森林碳估算精度，或主張某一方法已在全球尺度被充分驗證。 |
授權與圖表重用
| Article license | CC-BY |
|---|---|
| Figure reuse policy | REUSE_WITH_ATTRIBUTION_ALLOWED_UNDER_CC_BY |
| Notes | 原文版權頁明確標示 Creative Commons Attribution License (CC BY)，可在標註原作者與出處的前提下重用；發布前仍建議以自繪圖表轉述為主，並完整標註出處。 |
待查核清單
- 可選擇在發布前目視確認 Figure 2、Figure 6 與 Table 1 的細節數字。
- 因原文為 CC-BY，重用圖表時務必完整標註原作者與出處。
- 如需擴充為完整文獻頁，可進一步擷取 Supplementary Table 的期刊與作者排名細節。
- 補齊 translation_md、txt、pptx 等素材路徑（目前尚未建立）。