《Aquaculture International》:Exploring the scientific landscape of artificial intelligence in aquaculture: trend and topic analysis using unsupervised machine learning and multivariate visualization
编辑推荐:
人工智能(AI)正在迅速改变水产养殖业,通过提高生产力、环境监测和决策能力。然而,该领域人工智能应用的科学文献仍然分散,对其主题结构、地理集中度和新兴趋势的理解有限。填补这一空白对于指导研究、投资和政策努力以促进水产养殖的可持续创新至关重要。本研究采用定量、探
人工智能(AI)正在迅速改变水产养殖业,通过提高生产力、环境监测和决策能力。然而,该领域人工智能应用的科学文献仍然分散,对其主题结构、地理集中度和新兴趋势的理解有限。填补这一空白对于指导研究、投资和政策努力以促进水产养殖的可持续创新至关重要。本研究采用定量、探索性和描述性设计,绘制了人工智能在水产养殖中的全球科学产出图景。从Scopus和Web of Science中提取了1981年至2025年间发表的共2610篇文献。分析整合了文献计量指标、使用潜在狄利克雷分配(LDA)的无监督主题建模,以及通过多维尺度分析(MDS)进行的多变量可视化。结果显示,出版物持续增长,年增长率为13.14%。中国、印度和美国在产出上占主导地位,但国际合作仍然较低(5.38%)。LDA识别出25个潜在主题,分为四个宏观领域:智能传感与自动化、鱼类健康与基因组学、环境监测以及计算机视觉。时间分析显示,研究向实时水质预测、基于YOLO的目标检测和AI驱动的疾病诊断转变。然而,决策支持系统、综合多营养层次水产养殖(IMTA)和可解释人工智能(XAI)等主题仍未被充分探索。可视化技术揭示了主题聚类的模式,并强调了主题关注度和采纳度方面的地理差异。这些发现表明,水产养殖中的人工智能研究倾向于集中在技术优化上,对社会公平、伦理框架或包容性创新的代表性相对有限。全球南方在科学产出和AI工具的语境适应性方面仍处于弱势。本研究提供了研究图景的探索性映射,并为促进负责任、可持续和区域相关的人工智能在水产养殖中的整合提供了指导。
**论文解读:基于无监督机器学习和多变量可视化的水产养殖人工智能研究图景**
**研究背景**
随着全球人口持续增长,对富含蛋白质食物的需求不断加剧,水产养殖成为保障粮食安全的关键行业。根据联合国粮农组织(FAO)数据,2022年水生动物产量达到创纪录的1.85亿吨,其中水产养殖首次超过捕捞渔业(9,440万吨)。人工智能(AI)作为变革性工具,在优化资源管理、环境监测、生产效率和决策方面展现出巨大潜力,为全球水产养殖系统创新与可持续发展提供了路径。然而,AI在水产养殖领域的科学文献仍存在碎片化问题,对其主题结构、地理集中度和新兴趋势的理解有限。现有研究多聚焦于神经网络、深度学习等具体技术应用,但缺乏系统性的跨领域梳理。此外,AI采纳面临数据标准化不足、技术复杂度高、实施成本高以及社会技术阻力等障碍,限制了其可持续发展目标(如SDG 9产业创新、SDG 1消除贫困)的贡献。因此,有必要通过定量方法绘制全球AI在水产养殖中的研究图景,识别知识空白、指导投资和政策。
**研究内容与结论**
研究人员采用定量、探索性和描述性设计,从Scopus和Web of Science数据库提取1981年至2025年间共2,610篇文献,整合文献计量指标、基于潜在狄利克雷分配(LDA)的无监督主题建模以及多维尺度分析(MDS)多变量可视化。结果表明:出版物年增长率为13.14%,中国、印度和美国在产出上占主导,但国际合作率仅5.38%。LDA识别出25个潜在主题,归为四大宏观领域:智能传感与自动化、鱼类健康与基因组学、环境监测、计算机视觉。时间分析显示,研究向实时水质预测、YOLO目标检测和AI疾病诊断转移,但决策支持系统、综合多营养层次水产养殖(IMTA)和可解释人工智能(XAI)仍未被充分探索。MDS可视化揭示了主题聚类模式,并凸显了地理差异。结论指出,AI研究倾向于技术优化,对社会公平、伦理框架和包容性创新关注不足;全球南方在科学产出和AI工具本地化适应中代表性不足。该研究提供了研究图景的探索性映射,为促进负责任、可持续和区域相关的水产养殖AI整合提供指导。论文发表在《Aquaculture International》。
**主要技术方法**
本研究采用三步分析框架:首先,根据PRISMA指南从Scopus和Web of Science系统构建语料库,共2,610篇文献;其次,使用基于吉布斯采样的LDA主题建模(通过R语言LDAShiny和topicmodels包)识别潜在主题,通过主题一致性度量(coherence)确定最优主题数k=25,并采用多种子稳定性分析(10个随机种子,平均Jaccard系数0.493)验证模型稳健性;最后,通过LDAvis包基于Jensen-Shannon散度进行MDS可视化,将主题间语义距离映射到二维空间。此外,结合线性回归评估时间趋势,并计算主题流行度、增长率等指标。样本来源为1981-2025年间的文献,无特定队列。
**研究结果**
- **数据集描述**:出版物从1981年起持续增长,年增长率13.14%,2024年达591篇。共有731种期刊发表相关文章,其中《Computers and Electronics in Agriculture》和《Aquaculture》领先。国家分布显示中国(1,043篇)主导,美国(152篇)和印度(146篇)紧随其后,而拉丁美洲、非洲和东南亚等地区代表性不足。
- **LDA主题建模**:最优模型k=25识别出25个主题,涵盖AI算法(如机器学习模型t_9、神经网络t_10、YOLO目标检测t_21)、智能水产养殖运营(如IoT监控t_1、鱼病检测t_3、水质监测t_19)、遗传生理(如营养代谢t_7、免疫遗传学t_11)和环境遥感(如藻华预测t_2、遥感图像分割t_5)。
- **时间趋势**:9个主题呈显著上升(p<0.05),包括优化控制算法t_4、遥感监测t_5、虾病预测t_6、溶解氧预测t_10、免疫基因表达t_11、空间映射t_13、海参检测t_15、YOLO检测t_21、CNN特征提取t_23;2个主题下降(t_2藻华预测、t_25环境风险评估)。
- **MDS空间分析**:主题分布于四个象限:左上角为可持续性和环境影响(t_14、t_6等),右上角为机器学习与空间分析(t_9、t_10等),右下角为计算机视觉与行为分析(t_21、t_20等),左下角为遗传营养与微生物(t_11、t_18等)。计算机视觉与基因组学主题间距离大,表明跨学科整合不足。
- **国家聚类**:热图显示五个国家群:发展中国家(如越南、印度)聚焦物联网实时监测和生产力优化;发达国家(如美国、挪威)侧重环境可持续性和生物安全;比利时单独形成高度专业化集群(生长模型和抗生素耐药性)。
**讨论与结论**
讨论部分指出,当前AI研究主要面向技术优化(如水质监测、参数预测和行为分析),但可解释AI(XAI)、综合决策支持系统和基于生态系统管理的方法仍显著不足。计算机视觉是增长最快的领域,但实验室性能与实地部署之间存在差距(如浑浊水域、连接性限制)。伦理问题包括数据所有权、监控、可及性、算法透明度和技术不平等。地理分布显示中国、印度和美国占主导,全球南方弱势,且国际合作率低(5.38%),主要受中国国内研究模式影响。结论部分翻译:本研究提供了人工智能(AI)应用于水产养殖研究趋势的结构化文献计量和主题特征描述。通过无监督机器学习技术(LDA主题建模和MDS),研究人员识别了主要主题、新兴趋势和地理模式。结果表明,AI研究在过去十年大幅增长,集中于运营优化(如水质监测、预测建模和智能投喂),但主题碎片化,跨学科整合有限,生态、社会和伦理复杂性未充分体现。全球研究活动集中在少数领先国家,对依赖水产养殖的粮食安全地区贡献不足。未来应优先发展可解释、包容和情境自适应的AI系统,促进跨学科合作和参与式技术开发,以确保AI有效贡献于可持续水产养殖和全球可持续发展目标。鉴于方法局限(依赖摘要、语言限制、主题解释主观性),这些结论应视为探索性。