《Journal of Marine Science and Engineering》：Marine Mammal Monitoring Research from 2014 to 2023: A Bibliometric Analysis of Collaboration, Technological Trends and Research Themes
编辑推荐：
海洋哺乳动物监测研究伴随着声学、遥感、遥测、分子及计算方法的进展而显著扩展。本研究采用文献计量分析方法，刻画了2014年至2023年间该领域已发表研究的结构与演化特征。研究从Web of Science核心合集（Web of Science Core Coll
海洋哺乳动物监测研究伴随着声学、遥感、遥测、分子及计算方法的进展而显著扩展。本研究采用文献计量分析方法，刻画了2014年至2023年间该领域已发表研究的结构与演化特征。研究从Web of Science核心合集（Web of Science Core Collection）共检索到2586篇同行评审出版物，并利用CiteSpace分析了发文趋势、合作网络、关键词共现、时间聚类及引文突现。年度发文量从2014年的155篇增加至2022年的峰值362篇，同时合作网络揭示了北美、欧洲、亚洲和大洋洲的显著研究枢纽。被动声学监测（Passive Acoustic Monitoring, PAM）始终是持续存在且高度关联的研究主题，栖息地建模、环境影响评估及保护研究亦同样突出。时间与关键词分析表明，机器学习（Machine Learning, ML）、人工智能（Artificial Intelligence, AI）、遥感及环境DNA（environmental DNA, eDNA）日益受到关注，反映出研究正朝着自动化与多模态监测方向整体推进。上述模式展示了日益跨学科的研究格局，但并未确证单项技术的有效性或实际应用情况。方法特定局限、数据整合、标准化、验证及地理覆盖等方面仍存在挑战。本研究为识别主要研究主题及指导未来方法论优先方向提供了定量基础。
海洋哺乳动物监测研究（2014—2023）文献计量解读：合作格局、技术演进与研究主题变迁
一、研究背景与问题提出
海洋哺乳动物在海洋生态系统中承担着多种重要生态功能，包括影响营养级相互作用、通过摄食、排泄和移动重新分配营养物质，以及在不同海洋栖息地和水层之间转移有机物质与养分。它们还可作为环境变化和生态系统健康的指示物种。因此，监测其出现、分布、丰度、移动和行为，对于理解生态系统动态、评估人为压力以及指导保护与管理至关重要。
传统的基于船只或飞机的目视调查仍是海洋哺乳动物监测的基础手段，但受制于天气、光照、海况、观测者可用性以及动物可检测性等因素。这些局限在偏远环境和低能见度条件下尤为突出，推动了互补性监测技术的发展。被动声学监测（PAM）通过检测物种特异性或类群特异性发声，可在目视监测失效的条件下提供长时间尺度的连续、非侵入性观测。然而，声学监测仍依赖于发声活动、信号传播、传感器配置和分析性能等因素，只是更广泛监测框架的一个组成部分而非通用替代方案。
此外，主动声学系统、卫星遥测与生物记录、雷达与热成像、环境DNA（eDNA）以及自动化分析方法等互补技术也扩展了海洋哺乳动物监测的工具箱。不同方法在时空覆盖、检测概率、分类分辨率、操作约束和数据需求等方面存在差异，数据量的增加也带来了存储、处理、验证、标准化和跨平台整合等挑战。地理上的研究投入不平等问题依然突出，尤其是在偏远、深水、极地及研究较少的区域。
在此背景下，研究人员利用文献计量分析方法，对2014—2023年间发表的海洋哺乳动物监测研究进行了系统刻画，旨在揭示该领域的结构演化、合作模式、主要研究主题及其随时间的变化，同时明确文献计量证据固有的方法论和推断局限。
二、研究内容与主要结论
研究人员从Web of Science核心合集检索并筛选出2586篇同行评审出版物，利用CiteSpace 6.3.R1软件进行了国家、机构、作者合作网络分析，关键词共现分析，时间聚类分析以及引文突现分析。
主要结论包括：年度发文量从2014年的155篇增长至2022年的峰值362篇，表明该领域文献量在研究期间显著增长。国家与机构合作网络显示，海洋哺乳动物监测研究分布在全球多个地区，北美、欧洲、亚洲和大洋洲之间存在广泛的国际合作。美国发文量最高（1146篇，占44.3%），其次是加拿大（382篇，14.8%）、澳大利亚（310篇，12.0%）、苏格兰（308篇，11.9%）和英格兰（277篇，10.7%）。机构层面，美国国家海洋和大气管理局（NOAA）发文量最高（220篇，8.5%），其次是圣安德鲁斯大学（208篇，8.0%）、华盛顿大学（122篇，4.7%）、加拿大渔业与海洋部（121篇，4.7%）和俄勒冈州立大学（115篇，4.4%）。合著网络揭示了多个相互连接的作者群组，而非单一统一结构。
关键词共现分析显示，被动声学监测（PAM）是关键词网络中最突出的主题，在262篇出版物中作为作者关键词出现。与之相连的还有机器学习、深度学习、人工智能等计算类术语，以及栖息地利用、栖息地建模、气候变化、潜水行为和环境变量等生态与保护相关术语。时间聚类分析表明，PAM聚类从研究期初持续到期末，而人工智能和机器学习相关术语在研究后期变得更加突出。技术关键词时间区分析显示，研究早期以被动声学监测、栖息地建模、环境影响评估、渔业声呐和中频主动声呐等术语为代表，中期出现机器学习、隐马尔可夫模型、特征提取和互相关函数等分析术语，后期则出现计算机视觉、人工智能、相机陷阱、海上风电区域和eDNA等术语。引文突现分析识别出早期突现术语包括航空调查、状态空间模型和小须鲸，后期突现术语包括机器学习和栖息地建模，而深度学习和eDNA出现在更近期的突现中，其中深度学习在2022—2023年间呈现突现。
三、关键技术方法
研究人员主要采用了以下关键技术方法：
第一，文献检索策略。基于Web of Science核心合集，采用布尔逻辑组合的三组概念模块检索表达式，涵盖海洋哺乳动物分类术语、监测或追踪术语以及监测方法、观测途径和生态调查背景术语，并通过NOT子句排除无关工业、工程和计算语境中的记录。
第二，数据集筛选与预处理。将检索结果限制为Article和Review Article两种文献类型，最终保留2586篇出版物，并利用CiteSpace 6.3.R1的Alias功能对同义或相近术语进行归一化合并，包括单复数形式、学名与俗名、英美拼写差异、缩写及机构名称变体。
第三，文献计量与网络分析。采用g-index作为节点选择标准，结合Pathfinder剪枝、切片网络剪枝和合并网络剪枝，构建国家、机构、作者和关键词四类网络，并进行合作网络分析、关键词共现分析、时间聚类与时间区分析以及引文突现分析。
四、研究结果详解
4.1 发文量及地理与机构合作
年度发文量总体呈增长趋势，从2014年的155篇增至2022年的362篇峰值，2023年为301篇。研究指出，期末较低数量不应被解读为研究产出实质性下降，因为可能存在延迟索引效应。国家层面，美国、加拿大、澳大利亚、苏格兰和英格兰占据前五位，中国、法国、德国、意大利和西班牙位列前十。机构层面，NOAA、圣安德鲁斯大学、华盛顿大学、加拿大渔业与海洋部和俄勒冈州立大学位居前列。这些模式表明海洋哺乳动物监测研究在地理上分布广泛且机构间存在协作关系。
4.2 合著网络
合著分析识别出一批反复出现的贡献者和协作作者群体，包括Sofie M. Van Parijs、John A. Hildebrand、Simone Baumann-Pickering、Holger Klinck、Steven H. Ferguson、Christophe Guinet、Mark A. Hindell、Kathleen M. Stafford、Daniel P. Costa和Tomonari Akamatsu等。网络包含多个相互连接的作者聚类，多位高产作者与多个合著群体相关联，表明网络中存在连接不同部分的桥梁性研究者。
4.3 关键词共现网络
被动声学监测（PAM）在关键词网络中表现突出，在262篇出版物中出现。与之形成独立但相连的计算术语群包括机器学习、深度学习和人工智能。网络其他部分包含与保护、海洋哺乳动物类群、栖息地利用、栖息地建模、气候变化、潜水行为和环境变量相关的关键词，以及极地和亚极地研究相关术语。共现结构表明，声学监测、计算方法、物种与保护研究、栖息地分析以及环境变化在该领域文献中同时得到表征。
4.4 研究主题的时间发展
时间聚类可视化显示，PAM聚类从2014—2023年研究期初持续存在至研究期大部分时间，相关术语包括卷积神经网络和特征提取，反映了声学监测与计算分析之间的关联。栖息地建模和濒危物种相关聚类也在时间网络中持续存在，而人工智能和机器学习相关术语在研究后期变得更加突出。
4.5 技术相关关键词时间区分析
研究早期阶段呈现的术语包括被动声学监测、栖息地建模、环境影响评估、渔业声呐和中频主动声呐。研究中期出现机器学习、隐马尔可夫模型、特征提取和互相关函数。研究后期阶段出现计算机视觉、人工智能、相机陷阱、海上风电区域和eDNA。时间区分析表明，文献中表征的术语从既有的声学、调查和栖息地相关方法，向更广泛的计算、视觉、分子和应用监测主题扩展。
4.6 引文突现分析
早期突现包括航空调查、状态空间模型和小须鲸。随后几年，突现与机器学习、栖息地建模和地震调查相关。后期突现包括深度学习和eDNA，其中深度学习在2022—2023年间呈现突现。突现分布的时间和持续时间各异，部分声学相关术语覆盖较长时期，而计算和分子术语出现在较近期的突现中。
五、讨论与结论
讨论部分指出，被动声学监测（PAM）的持续重要性不应被解读为其普遍优于其他方法，因为声学可检测性依赖于动物是否发声、信号特征、传播条件、环境噪声及检测分类程序性能等多种因素。机器学习、深度学习和人工智能的日益可见性表明研究关注度的增加，而非监测精度或运行可靠性的普遍提升。eDNA等分子方法提供补充性检测手段，但非检测不能必然解释为物种不存在。多模态监测虽具有整合多种信息源的潜力，但不同方法在时空覆盖、观测过程和检测概率上的差异必须被明确考虑。
研究结论部分总结指出，该文献计量分析利用2586篇Web of Science核心合集出版物刻画了2014—2023年间海洋哺乳动物监测研究的发展。年度发文量从2014年的155篇增至2022年的362篇峰值，表明研究期间文献量显著增长。国家、机构和作者层面的网络揭示了国际连接的研究格局，北美、欧洲、亚洲和大洋洲贡献突出。关键词共现和时间分析将被动声学监测识别为持续且高度连接的研究主题，同时机器学习、人工智能、遥感和环境DNA的日益可见性表明文献中方法论主题的多样化。研究结果记录了研究关注度的变化，而非证明检测性能、实际应用或单项监测技术有效性的提升。研究同时强调了未来调查的优先方向，包括监测方法的独立验证、检测不确定性的透明报告、数据源间互操作性的改进，以及多模态方法在何种条件下提供额外生态信息的评估。鉴于数据库覆盖、检索词、文献选择、术语归一化和研究终点相关的限制，研究结果应被解读为对检索文献的回顾性刻画，而非对海洋哺乳动物监测实践的全面评估。
