空气污染是近年来最突出的环境挑战之一，通过可及且具有成本效益的方法开展监测，对保护公众健康至关重要。本研究针对1996年至2026年间公民科学、低成本传感器技术与空气质量监测交叉领域的科学文献开展了系统性文献计量分析，旨在全面梳理该跨学科领域的知识结构、主题演化、合作模式及未来趋势。研究人员从Web of Science核心合集与Scopus数据库中筛选出2571篇科学出版物，采用R语言bibliometrix程序包与VOSviewer软件进行分析，涵盖绩效分析、科学图谱绘制、共被引网络、关键词共现分析及主题演化图谱等方法。研究发现该领域处于快速发展阶段，年增长率为15.27%，共涉及9642位作者与978种科学来源。美国以519篇出版物成为最高产国家，高频关键词依次为LCS（低低成本传感器，559次）、空气质量（432次）与空气污染（349次）。关键词聚类识别出四大主题簇：传感器技术与监测基础设施、测量与校准、基于机器学习的颗粒物（PM）表征、公民参与与环境公平。国际合著率为22.29%，非洲与南美洲等发展中国家和地区参与度显著偏低，代表性不足。社区驱动型低成本空气质量监测已成为环境健康研究中增长最快的分支领域之一，传感器校准与数据质量标准化仍是该领域最关键的研究议题。未来应优先关注发展中国家的能力建设、强化环境正义维度，以及开发人工智能辅助校准方法。
引言
空气污染是全球范围内最具危害性的环境问题之一，每年约造成700万人死亡，并对数十亿人口的健康构成持续威胁，且在发展中国家风险更为突出。其健康影响涵盖儿童呼吸系统发育障碍、成人心血管疾病及癌症发病率上升等多个层面，同时带来医疗支出增加、劳动生产率下降等显著社会经济负担。传统空气质量监测系统虽精度较高，但单站建设成本可达数十万美元，且需复杂维护，难以实现高空间分辨率覆盖，导致弱势群体暴露水平长期被忽视。自2010年起，微机电系统（MEMS）、电化学传感器与光学粒子计数器的技术突破推动了低成本传感器（LCS）的兴起，使高密度监测成为可能。LCS的普及进一步加速了公民科学运动在空气质量研究中的融合，例如PurpleAir网络通过数万台LCS实现了全球PM2.5 实时可视化，CITI-SENSE与AirCasting等项目则分别依托智能市民观测站与移动传感系统提升了社区数据收集能力。除室外监测外，LCS凭借小型化与低成本优势，已广泛应用于住宅、学校等室内场景的挥发性有机物（VOCs）、二氧化碳（CO2 ）及甲醛监测，并结合物联网（IoT）技术推动个人暴露评估研究。然而LCS易受温湿度等环境因素干扰，存在校准复杂、性能随时间衰减等问题，机器学习校准模型虽可显著提升精度，但在跨区域气候条件下的普适性仍需验证，数据质量保证仍是当前最紧迫的研究议题。现有文献计量研究多局限于单一数据库或特定技术维度，缺乏对该交叉领域的系统性整合分析，本研究旨在填补这一空白。
材料与方法
数据来源与检索策略
本研究整合Web of Science（WoS）核心合集与Scopus数据库资源，检索策略围绕两大概念组设计：一是社区参与式监测相关术语，包括“citizen science”“community-based monitoring”“participatory monitoring”“crowdsourc”“low-cost sensor ”；二是空气质量相关术语，包括“air quality”“air pollution”“atmospheric pollution”“ambient air”。WoS采用TS（主题检索）字段，Scopus采用TITLE-ABS-KEY字段，检索时间跨度为1996年至2026年，于2026年1月完成数据采集。WoS检索获得1878条记录，分四批次导出BibTeX格式；Scopus检索获得2352条记录，单次导出全量数据。通过bibliometrix R包的convert2df()函数合并数据集，以DOI为首要去重依据，辅以题名-年份-作者组合匹配，最终剔除659条重复记录，形成包含2571篇独立出版物的分析数据集，未纳入Google Scholar与IEEE Xplore等资源以保证数据质量可控。
文献计量分析方法
研究采用bibliometrix R包开展量化分析，结合VOSviewer 1.6.20进行网络可视化。分析方法包括三个层面：绩效分析层面，提取总发文量、作者数、篇均被引频次、h指数等基础指标，开展年度发文趋势时间序列分析，并统计高产国家、机构与作者及其生产力指标；科学图谱层面，通过共被引分析识别核心文献与主题簇，借助作者与机构合著网络揭示合作关系，利用关键词共现分析解析研究主题关联，并通过主题地图将研究领域划分为引擎主题、基础主题、利基主题与新兴或衰退主题四类；网络分析与可视化层面，采用Louvain聚类算法划分主题簇，以节点大小表征发文量或被引频次，边粗细表征合作强度，颜色编码区分主题与时间演化特征。
结果
总体文献计量概况
1996至2026年间共识别2571篇出版物，分布于978种科学来源，涉及9642位作者，篇均作者数为5.95，单作者论文占比6%，国际合著率为22.29%，篇均被引17.57次，年增长率达15.27%。文献类型以研究论文为主（65.6%），其次为会议论文（14.0%）与会议录（9.8%），综述占比仅4.8%，表明该领域仍处于早期发展阶段，研究者以原创数据产出为核心导向。
年度发文趋势
2005年前仅零星发表，可划分为三个阶段：2005至2012年为萌芽期，年发文量不足5篇，LCS技术尚不成熟，公民科学应用有限；2013至2018年为成长期，发文量从8篇增至138篇，Arduino与树莓派等开源硬件平台普及，以及Shinyei、Alphasense等商用传感器的推出共同推动了领域加速发展；2019至2026年为爆发期，发文量呈指数级增长，2025年达389篇，COVID-19疫情期间城市空气质量变化研究与机器学习校准方法的广泛应用成为主要驱动力。
来源分析
《Sensors》以158篇发文量居首（h指数32），其次为《Atmosphere》（128篇，h指数20）与《Atmospheric Environment》（71篇，h指数24）。《Atmospheric Measurement Techniques》《Science of the Total Environment》等期刊虽发文量较低，但篇均被引表现突出。Bradford定律分析显示，Sensors、Atmosphere与Atmospheric Environment构成核心区，集中了约三分之一的发文量，体现了工程技术与大气科学的跨学科属性。
国家与合作分析
美国以519篇发文量居全球首位，其次为中国（202篇）、意大利（165篇）、英国（161篇）与印度（115篇），五国贡献了近半数成果。国际合著率呈现显著区域差异：英国达41%，中国为28.2%，印度仅19.1%。citation分析显示美国总被引69523次，篇均101.64次，领先优势明显；澳大利亚与挪威等国虽发文量较少，但篇均被引超过150次，体现专业化研究的高影响力。国际合作网络呈现不对称格局，发达国家多承担技术供给角色，发展中国家主要作为实地实施区域，非洲与南美洲国家处于网络边缘。高产机构中，华盛顿大学（94篇）、犹他大学（90篇）与科罗拉多大学（69篇）位列前三，美国高校的主导地位与其环境研究基础设施及社区研究传统密切相关。
关键词与主题分析
高频关键词中LCS（559次）、空气质量（432次）、空气污染（349次）、公民科学（289次）与颗粒物（281次）位居前五，凸显技术驱动与参与式研究的双重特征。关键词共现网络识别出四大主题簇：红色簇聚焦传感器技术与监测基础设施，涵盖物联网、智慧城市等方向；紫色簇侧重测量与校准，反映数据质量提升的持续努力；绿色簇围绕颗粒物表征，体现机器学习与传统监测的融合；蓝色簇关注公民参与与环境公平，指向社会不平等与健康效应研究。主题演化显示，2013年前以空气质量与公民科学零星出现为主，2014至2018年LCS与校准研究快速崛起，2019年后机器学习、室内空气质量等成为新兴增长点，表明领域正从单一测量向数据科学与社会影响并重转型。
讨论
该领域自2017年以来的快速增长得益于LCS商业化普及、美欧资助政策倾斜及OpenAQ等开放数据平台的推广，疫情后室内空气质量关注度提升进一步强化了这一趋势。地理分布失衡是最突出的矛盾：空气污染最严重的非洲与南美洲在研究网络中严重缺位，与LCS旨在弥补传统监测空白的初衷形成反差。国际合作的22.29%比率虽符合领域成熟规律，但合作网络集中于美英、美中等轴线，全球南方在知识生产中的边缘地位仍未改变。期刊分布显示，技术类期刊发文量领先，但环境健康类期刊篇均被引更高，反映政策相关研究具有更强学术影响力。校准标准化与数据质量仍是核心瓶颈，缺乏统一性能指标阻碍了不同网络间的数据整合与监管应用。值得注意的是，现有研究中仅10%聚焦政策转化，90%集中于传感器性能评估，表明技术成熟度与政策落地之间存在显著断层。
局限
本研究基于WoS与Scopus数据库，未覆盖GitHub、PyPI等技术社区及政府技术报告等灰色文献，可能导致对草根创新与社区实践的代表性不足。
结论与建议
社区驱动型低成本空气质量监测是极具发展潜力的动态领域，未来需重点推进三方面工作：研究层面应强化传感器性能评估向政策应用的转化，开发跨区域通用校准协议，并加大对全球南方地区的关注；政策层面需完善LCS数据纳入官方管理体系的标准框架，通过公平分配监测资源保障环境正义；合作层面应构建产学研社多元协同机制，探索机器学习、无人机监测等技术的集成应用。后续研究可通过纳入开源代码库与非学术数据源，进一步提升对该领域知识生产全景的刻画深度。
打赏
