Current breakthroughs in biomass and carbon modelling of rubber plantations: A bibliometric analysis and literature review
R M Dhinu · M. Vijayabhama · Balaji Kannan 等 6 人
综述橡胶林生物量与碳建模研究进展，指出机器学习与深度学习精度最高但标准化和区域数据仍不足。
PRISMA 2020 文献计量分析 104 篇 Scopus 文献，比较异速生
机器学习/深度学习精度优于传统模型，但标准协议、印度南部数据和全生命周期碳核算仍存空白。
可面向印度小农户构建多年代遥感与机器学习融合的橡胶林碳核算与REDD+监测体系。
系统综述橡胶林生物量与碳建模研究进展，方法学与数据缺口梳理扎实，对农业碳汇与遥感监测领域有参考价值。
橡胶林（Hevea brasiliensis (Willd. ex A.Juss.) Müll.Arg.）正在扩大热带碳（C）储量，据估计，成熟期生态系统总碳储量可达160–300 mg C ha⁻¹，但由于林龄差异、历史土地利用变化及数据缺口，精确评估生物量和土壤有机碳（SOC）仍然困难。本综述系统分析了橡胶系统生物量积累的趋势与研究空白。采用PRISMA 2020指南，对Scopus数据库中1999年至2025年间发表的104篇研究进行了审查。通过Biblioshiny文献计量方法分析发现，2013年后中国和泰国的研究数量显著增加。最重要的方法包括物种特异性异速生长方程（决定系数（R²）> 0.9）、基于林龄的生长曲线、遥感（RS）回归（R² 0.2–0.7）以及机器学习（ML）模型如随机森林/XGBoost（R² 0.8–0.97，均方根误差（RMSE）7–40 mg/ha），后者优于简单的参数模型。深度学习（DL）精度最高（RMSE约6 mg ha⁻¹）。在标准化方案、南印度数据集（如泰米尔纳德邦/西高止山脉）以及涵盖乳胶/SOC的综合生命周期碳核算方面仍存在空白。森林转橡胶林会导致净碳损失，而农田转橡胶林/农林复合经营则带来碳增益。作者建议采用统一的IPCC第2/3层级模型、多年代际遥感档案以支持减少毁林和森林退化所致排放（REDD+），并将机器学习应用扩展至印度小农户。与抵消市场的政策整合需要避免毁林，以实现气候智慧型效益。