综述:重新定义区域地理学中的区域:面向可持续空间解释的认识论和本体论再评估

《Sustainability》:Redefining the Region in Regional Geography: An Epistemological and Ontological Reassessment for Sustainable Spatial Interpretation

【字体: 大 中 小 】 时间:2026年06月25日 来源:Sustainability 4.1

编辑推荐:

  本研究考察了融雪径流预测模型的演变、知识结构和趋势。研究人员识别了研究热点、未来方向,并为精确模拟和预测提供了理论基础。利用CiteSpace软件,对2010年至2025年间556篇中英文核心文献进行了可视化分析。关于融雪径流模拟的研究表明:(1)中文文献在《

  
本研究考察了融雪径流预测模型的演变、知识结构和趋势。研究人员识别了研究热点、未来方向,并为精确模拟和预测提供了理论基础。利用CiteSpace软件,对2010年至2025年间556篇中英文核心文献进行了可视化分析。关于融雪径流模拟的研究表明:(1)中文文献在《冰川冻土》等核心期刊中表现突出,而英文文献则出现在《水资源研究》(Water Resources Research)等高影响力期刊中。(2)中国科学院大学、西北生态环境资源研究院以及加利福尼亚大学等机构已形成一个跨区域的研究网络。(3)国际合作涉及42个国家,重点关注中国、美国和印度。然而,国内机构间的合作有待加强。(4)融雪径流模拟的研究趋势已从经验统计发展到遥感和模型驱动的物理机制,再到人工智能与物理模型的融合。(5)中文文献聚焦于寒区,而英文文献则强调智能建模。这一转变表明正朝着“物理-智能”混合建模方向发展。未来研究应应对数据稀缺地区模型适用性、提高复杂模型可解释性、量化不确定性以及开发物理约束深度学习模型等挑战。机构间的合作对于加强寒区水资源管理和灾害预警系统至关重要。
**1. 引言**
融雪径流是寒冷山区水文循环的基本过程,在农业灌溉、日常生活和生态用水中发挥重要作用。然而,气候变暖加速冰雪融化,使该过程产生的径流既成为生物的重要“水源”,也成为潜在的灾害“源头”。例如,当多雪冬季之后春季气温快速持续升高,可能导致山麓平原和中低海拔地区积雪集中融化,引发春汛,延迟最佳播种期,造成重大经济损失。而在青藏高原等高海拔高原地区,由于气温较低且积雪覆盖时间长,大规模融雪径流及相关灾害多发生在夏季,夏季升温可能引发严重洪水、冰湖溃决和泥石流。因此,准确模拟和预测融雪径流以及评估洪水风险,对于减轻洪水灾害、增强防灾准备和保护财产至关重要。传统上,融雪径流预测依赖于单一物理机制的模型,如土壤和水评估工具模型(SWAT)、可变渗透容量模型(VIC)和融雪径流模型(SRM)。这些模型虽有清晰的结构框架,但各有固有限制:SWAT模型结构复杂且参数需求高;VIC模型在数据有限地区适应性差;SRM模型忽略地下水补给,主要依赖气象数据,而这些数据常从附近气象水文站插值得到,难以准确反映流域内气象分布。因此,这些限制导致模拟效率降低,尤其在复杂下垫面或极端水文条件下。近年来,机器学习技术的快速发展为径流模拟引入了创新方法。机器学习模型,特别是长短期记忆(LSTM)神经网络,因其强大的非线性拟合和时间学习能力,在数据驱动预测中表现出色。此外,物理模型与机器学习的融合日益被视为前沿方法,初步研究已证实其有效性。现有研究主要集中于特定流域的案例验证,在不确定性量化和不同气候区适用性测试等方面缺乏坚实的理论基础。这些局限性表明当前研究正从“如何实现耦合”转向“如何提高耦合模型的可靠性和普适性”。为应对这一演变需求,有必要系统梳理该领域的发展轨迹,明确核心研究贡献者,并客观识别当前面临的根本挑战。与以往聚焦于单个模型(如SRM、SWAT、VIC)、遥感应用或特定流域案例研究的定性综述不同,本研究提供了对整个领域的系统性、数据驱动分析。现有综述很少采用文献计量或可视化方法,且极少对比中英文文献。近期研究进一步强调了向物理-智能耦合建模发展的趋势,包括数据稀缺地区融雪径流预测的混合深度学习方法以及机器学习在雪水文学中应用的综合综述。为填补这一空白,研究人员应用基于CiteSpace的文献计量分析和知识图谱可视化,对2010年至2025年间556篇核心文献(326篇中文,230篇英文)进行分析。该方法客观揭示了知识结构、演化趋势以及从“物理驱动”到“物理-智能”耦合建模的范式转变,同时实现了中文与国际研究的比较分析。因此,本研究采用文献计量和知识图谱方法,对2010年至2025年国内外文献进行可视化分析,旨在超越传统综述的主观解读,通过数据分析客观阐明该领域的知识结构、演化背景和研究前沿,最终为构建更可靠、更普适、更具预测能力的融雪径流预测模型提供基础。

**2. 材料与方法**
**2.1 研究设计与方法**
本研究分为三个部分:(1)利用CiteSpace分析全球融雪径流模拟的趋势和热点;(2)从研究力量、热点和演化趋势等维度比较中文与国际研究;(3)探索跨区域融合,并提出未来研究方向。研究采用陈美超教授团队开发的CiteSpace(6.3.R1)科学文献可视化分析工具,结合文献计量学与知识图谱,对选定的中英文文献集进行并行处理和比较分析。具体分析过程如下:(1)使用CiteSpace内置转换器处理从中国知网(CNKI)导出的RefWorks格式文件进行数据转换和分析。为确保分析一致性,对Web of Science(WoS)的两个数据集应用相同的导出参数设置。时间切片(Time Slicing)设为一年,节点类型(Node Types)分别选择关键词、作者和机构。链接强度选择余弦(Cosine)算法,阈值标准设为提取每个时间区内被引频次最高的前10个数据点。(2)研究内容分析。首先,考察作者、机构和国家的核心研究力量分布与合作模式。其次,采用关键词共现网络和聚类技术,对不同时期国内外研究特征进行比较分析。第三,利用时间线视图(TimelineView)动态展示研究主题的结构和演化路径。第四,应用突发检测(Burst Detection)研究新兴趋势。通过研究主体、发展轨迹和研究热点等多个维度,系统阐明国内外研究的异同及其驱动力。

**2.2 数据来源**
中文文献数据来自中国知网(CNKI)数据库。以“融雪径流”和“模型”为主题,从北京大学核心、中国科学引文数据库(CSCD)和世界期刊影响力指数(WJCJ)等数据库检索文献,时间覆盖2010年1月至2025年12月。最终筛选出326篇有效文献建立中文文献数据库。英文文献数据来自Web of Science核心合集数据库,利用科学引文索引扩展版(SCI-EXPANDED)进行引文分析。使用下述检索字符串、文献类型限制和筛选标准,共识别出2010年1月至2025年12月间的230篇英文文献。文献检索与筛选的完整流程如图1所示。为确保检索策略的透明性和可重复性,详细检索字符串和筛选标准如下:(1)检索字符串:对于CNKI数据库,使用中文主题词(如“融雪径流”、“雪消融”、“模型”、“模拟”、“预测”)结合布尔逻辑进行检索。对于Web of Science核心合集,检索字符串为TS = ((“snowmelt runoff” OR “snow melt runoff” OR “snowmelt”)) AND TS = ((“model*” OR “simulation” OR “prediction” OR “LSTM” OR “machine learning”))。(2)文献类型限制:检索限于原创研究论文和综述论文,排除会议摘要、会议论文、报纸、年鉴等其他文献类型,以确保纳入文献的质量和同行评审状态。(3)时间跨度:检索覆盖2010年1月至2025年12月。(4)筛选过程:初步检索获得487篇中文记录和408篇英文记录。筛选过程包括三步:首先,使用参考文献管理软件去除重复文献(去除25篇中文和13篇英文重复);其次,独立审查标题和摘要,排除不相关研究(排除104篇中文和97篇英文记录);第三,审查剩余文章全文以确认其与融雪径流模拟和预测的相关性(排除32篇中文和68篇英文记录)。经过严格筛选,最终选定326篇中文有效文献和230篇英文有效文献进行分析。

**3. 结果**
**3.1 研究力量分布**
**3.1.1 文献年发文量与期刊分布**
在科研领域,论文发表数量可反映科学知识量的变化和该领域学者的研究进展。通过对Web of Science核心合集中高被引文献的文献计量分析,研究人员构建了年发文量趋势图(图2)。国际融雪径流模型研究呈现“稳步增长伴随波动,近年显著增长”的趋势。2010年至2017年,该领域研究规模相对有限,论文发表数量增长温和,表明处于稳步积累阶段。然而,自2018年起,应对气候变化的紧迫国际议程以及水文模拟的技术创新加速了融雪径流模型研究。值得注意的是,2021年至2024年间,年均发表文章数超过18篇。这一激增发生在全球变暖导致融雪径流提前、洪水和干旱事件增加的背景下,对精确模拟和预测的迫切需求与这些现象密切相关。在此期间,人工智能技术(特别是深度学习如LSTM)在水文学中的广泛应用,以及物理模型与机器学习耦合建模的出现,进一步推动了该领域研究的快速扩展。国内融雪径流模型研究在过去十五年中呈现出“早期稳定积累、中期快速上升、近期高位波动并呈现新增长趋势”的发展轨迹。2010年至2016年,该领域论文发表数量处于稳定积累阶段,表明在“十三五”规划之前,融雪径流模型作为水文学的一个专门分支,在中国经历了持续但缓慢的知识和技术积累。2017年至2021年,第二次“青藏高原综合科学考察”等重大项目的启动,以及对“山水林田湖草沙”系统治理的关注,显著激发了研究热情,导致2017年论文数量达到第一个峰值26篇。然而,2022-2023年发表数量略有下降。2024-2025年的初步数据显示再次明显上升趋势。越来越多的学者将更多注意力投向融雪径流预测研究,该领域研究日益全面。在融雪径流预测模型领域,国内发文量领先的期刊依次为《冰川冻土》、《水利学报》、《人民长江》、《水文》和《干旱区地理》(表1)。该领域累计发文量占42.92%,凸显其在国内外学术期刊中的突出地位。这一趋势不仅彰显了核心和权威期刊保持的卓越质量,也证实了学术界对融雪径流预测模型日益增长的兴趣,使其成为备受期待的前沿研究领域。此外,与融雪径流预测模型相关的大多数英文期刊均为高质量期刊(表2),包括《水资源研究》(Water Resources Research)、《水文学杂志》(Journal of Hydrology)和《水文学与地球系统科学》(Hydrology and Earth System Sciences),合计占53.36%。

**3.1.2 国内外作者合作网络分析**
国内外作者合作网络清晰展示了学术研究中不同国家或地区作者间的合作模式与互联程度。图3所示的合作模式揭示了多个独立团队,其中出现了结构性子群。在此上下文中,节点代表参与合作的作者,连接线密度反映合作程度。不同颜色用于节点和连接线以区分不同研究集群。目前,参与融雪径流模型预测的作者和团队间的合作显得分散,国内网络密度为0.0074,国际为0.0075,均较低。这阻碍了大规模合作网络的形成。因此,所有科研人员有必要加强合作,共同推动该领域发展。在国内研究团队中,王建、何晓华和李红毅的合作在融雪径流研究领域发文量最多、贡献最显著。尽管研究方向不同,他们的集体成果推动了预测模型的发展。王建团队专注于寒区水文过程机制和分布式模型开发,强调冰冻圈关键过程的精确表征。何晓华团队致力于利用遥感和数据同化技术,克服寒区水文模拟中关键数据获取和尺度转换的挑战。李红毅团队代表了人工智能与地球系统科学融合的前沿,致力于采用数据驱动方法进行创新和趋势预测。Bao Anming团队和Adnan Muhammad团队是该领域领先的国际研究团队。Bao Anming团队通过开发多源遥感反演算法,为估算流域尺度雪水当量建立了关键数据基础。而Adnan Muhammad团队系统评估了纯数据驱动LSTM模型在数据稀缺的上游印度河流域的性能和局限性,揭示了其历史拟合与未来外推可靠性之间的差异。

**3.1.3 国内外机构合作网络分析**
机构间合作有效展示了不同背景下的交流和研究趋势。在图中,节点代表机构,连接线越多表示合作越紧密。节点的年轮表示合作的时间顺序;年轮越大表示合作越早,年轮越小表示合作越近。如图4所示,国内外机构的合作网络均呈现分散结构。尽管国际机构网络密度(0.0143)相对较低,但高于国内机构(0.0077),表明跨机构合作机制有待进一步加强。主要大学和研究机构,尤其是中国和美国的机构,是英文文献的主要产出单位。在国际组织中,中国科学院以其高活跃度和高合作性著称。这一趋势反映了中国在国际合作中的积极态度,并凸显了其日益增长的全球影响力。国内机构间的合作相对非正式,但可根据其性质和贡献分为两类。第一类包括频繁合作的机构,如中国科学院大学、中国科学院寒区旱区环境与工程研究所和中国科学院西北生态环境资源研究院。第二类包括合作程度高的机构,如中国科学院研究生院和中国科学院新疆生态与地理研究所。

**3.1.4 国际合作网络分析**
国际合作网络是由不同国家基于不同利益、发展目标和地缘政治考虑建立的复杂互动系统。图5展示了这些国家间的合作图。节点大小对应国家或地区的文献产出量。连接线越多表示国家或地区间合作越紧密。节点的年轮从外层到内层反映国家或机构发文的时间顺序。紫色圆圈表示关键贡献国。该国家合作网络涵盖42个国家,以中国、美国和印度为核心参与者。这种模式主要源于几个因素:首先,这三个国家拥有全球最大的雪水资源区和依赖融雪的流域,包括中国的青藏高原、美国的落基山脉和印度的喜马拉雅地区,同时面临水资源安全和防灾的共同挑战,产生了巨大的研究内生需求。其次,作为全球科研领先者,中国和美国在遥感、水文建模和超级计算等技术方面具有显著优势。印度正崛起为空间技术和水资源研究的重要力量。三国的科研能力和资源投入确保了高水平成果的强劲产出,表现为较大的节点。值得注意的是,尽管巴基斯坦(中介中心性0.09)和德国(中介中心性0.08)的论文发表数量低于中国、美国和印度,但它们的中介中心性相对较高,表明它们在连接不同国家研究团体方面发挥了关键的桥梁作用。

**3.2 研究热点分析**
**3.2.1 关键词共现与聚类分析**
关键词是文献核心内容的简洁表述,有效概括了主要思想和本质。在关键词类图中,模块值(Q值)和平均轮廓值(S值)是评估聚类效果的关键指标。中文文献聚类结果显示模块值Q=0.876(大于0.3),平均轮廓值S=0.9558(超过0.7)。相比之下,英文文献聚类模块值Q=0.4436(超过参考标准0.3),轮廓值S=0.7507(也超过0.7)。两个指标均超过各自阈值,表明聚类一致性高,研究主题集中度高,整体聚类效果良好。中文关键词共现和聚类网络图(图6和图7)显示网络包含294个节点和351条连接,网络密度为0.0081。中心聚类包括“寒区”、“积雪面积”和“融雪径流”,具有高中心性和共现强度,表明已建立聚焦于积雪观测、过程模拟和径流预测的凝聚性研究框架。研究呈现双重扩展模式:空间上从“青藏高原”向其他寒区扩展,方法上从早期的“时空变化”统计分析发展到集成高分辨率模拟(如“SRM模型”)、精确诊断(如“人工智能”)和“时空分布”的多技术方法。这一演变将融雪径流预测从经验统计推进到物理机制模型,并与人工智能技术融合,提高了模拟精度和过程可解释性。英文关键词聚类网络图(图8)显示#1积雪参数(snow parameters)聚类规模最大,强调“积雪物候参数”在英文期刊研究中的突出作用。该指标显著影响融雪径流预测模型的精度,并与多种其他主题密切相关。此外,该图还凸显了流域(river basin)、趋势(trends)、归一化差异积雪指数(NDSI)和人工智能(artificial intelligence)也是融雪径流预测研究的焦点。

**3.2.2 高频关键词网络共现分析**
利用CiteSpace的关键词分析对高频和显著关键词(词频≥10)进行网络共现,如表3和图9所示,国内融雪径流预测研究遵循技术演化轨迹。最初(2011-2014年),遥感观测和数据获取发挥关键作用。“积雪面积”和“卫星积雪”等关键词的盛行表明初期利用遥感技术精确识别和监测冰雪空间分布,为核心水文过程研究建立了基础数据集。随后(2014-2018年),重点转向中期关键参数和区域水文过程分析。“新疆”和“青藏高原”等关键词以及“雪深”和“降水”等关键水文气象参数的突出,表明研究转向考察典型寒区/山区的积雪特征、时空变化及其与气候因子的关联,加深了对融雪驱动机制的区域理解。在2018年至2025年的未来几年,预计将转向增强机制集成和综合模拟预测。目前,“气候变化”作为显著背景具有高强度。“积雪物候”、“径流模拟”、“寒区”和“遥感”等关键术语共同凸显了当前研究方向:在气候变化背景下集成遥感数据、物候动态和水文模型,以实现寒区流域尺度上动态准确的径流模拟和预测。利用CiteSpace软件对高频关键词进行网络共线分析,得到英文融雪径流模型研究的高频关键词信息统计(表4)。表4显示,关键词“气候变化”与融雪径流模型的相关性最强,中心性为0.22,凸显气候变化在推动融雪径流预测模型研究中的重要作用。值得注意的是,“气候变化”是出现频率最高的关键词,共70次,其次是“融雪径流”61次,“降水”以35次位列第三。在关键词共现网络图检查中,大多数关键词的中心性值超过0.1。全球变暖和春季融雪径流提前增加了融雪洪水等灾害的发生频率,凸显了模型准确预测灾害事件的必要性。

**3.2.3 关键词时间线分析**
关键词聚类时间序列图(图10)的分析揭示了中国融雪径流模拟与预测研究的三阶段演变。第一阶段(2010-2015年)为基础构建期,以初步探索为特征。此阶段由于早期观测数据和计算能力的限制,研究人员主要采用经验统计方法(如温度指数法(逐日模型)),重点积累基础参数并利用简单模型建立温度与融雪量之间的线性关系。第二阶段(2015-2020年)为方法创新期,研究快速推进。此阶段的关键驱动力包括遥感技术的成熟和广泛应用,以及分布式水文模型的发展,使
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号