بخش علوم خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
10.22034/iwm.2026.2096421.1281
چکیده
چکیده مبسوط مقدمه:زمینلغزش از مهمترین مخاطرات طبیعی با پیامدهای انسانی، اقتصادی و زیستمحیطی گسترده است. تهیه نقشه حساسیتپذیری زمینلغزش، نقش مهمی در کاهش خطرپذیری، برنامهریزی کاربری اراضی و مدیریت پایدار محیطزیست دارد. با توسعه سامانههای اطلاعات جغرافیایی، سنجش از دور و هوش مصنوعی، الگوریتمهای یادگیری ماشین بهدلیل توانایی در مدلسازی روابط پیچیده و غیرخطی، به رویکردی مهم در این زمینه تبدیل شدهاند. با وجود رشد سریع مطالعات، تاکنون بررسی علمسنجی جامعی از روند تکامل و ساختار دانش این حوزه انجام نشده است. پژوهش حاضر با هدف تحلیل روند تکامل، عملکرد علمی و ساختار دانش پژوهشهای جهانی در زمینه تهیه نقشه حساسیتپذیری زمینلغزش مبتنی بر یادگیری ماشین انجام شد. مواد و روشها: دادههای کتابسنجی از پایگاه Scopus در بازه 2002 تا 2026 استخراج شد. در مجموع، 785 مدرک علمی منتشر شده در 260 منبع و حاصل مشارکت 2378 پژوهشگر و شامل 1588 کلیدواژه نویسندگان بررسی شد. تحلیلها با استفاده از محیط آماری R و بسته Bibliometrix و با بهرهگیری از روشهای متداول ترسیم نقشه دانش شامل تحلیل توصیفی عملکرد پژوهشی، بررسی روند زمانی انتشار، تحلیل چرخه عمر علمی، قانون برادفورد و تحلیل همکاریهای علمی بینالمللی انجام شد. همچنین، ویژگیهای انتشارات، میزان استنادها، الگوهای همکاری علمی و توزیع مجلات بهمنظور شناسایی روند تکامل و ساختار این حوزه پژوهشی مورد بررسی قرار گرفت. نتایج و بحث: میانگین نویسندگان هر مقاله 03/5 نفر و سهم مقالات دارای همکاری بینالمللی 36/18درصد بود. میانگین عمر اسناد 84/2سال و میانگین 38/74استناد به ازای هر مقاله، پویایی و تأثیر علمی مطلوب این حوزه را نشان داد. روند انتشار سه مرحله را آشکار کرد: رشد کند در 2002-2016، رشد شتابان در 2017-2020و رشد چشمگیر در 2021-2026؛ بهطوریکه انتشارات از حدود 40مقاله در سال 2020 به نزدیک 150 مقاله در سال 2025 رسید. مدل چرخه عمر علمی برازش مناسبی داشت (888/0R2=)و 2024 بهعنوان دوره اوج رشد شناسایی شد. تحلیل برادفورد نشان داد از 260 منبع، 12مجله در هسته، 39مجله در ناحیه دوم و 209 مجله در ناحیه سوم قرار دارند؛ 4/3 K= و992/0R2=بود و آزمون کولموگروف–اسمیرنوف با مقدار انطباق 491/0p=مدل نظری را تأیید کرد. چین مهمترین قطب همکاری علمی بود و با کشورهای مختلف، از جمله ایالات متحده، هند، استرالیا و ایران، شبکه همکاری گستردهای داشت. نتیجهگیری: تهیه نقشه حساسیتپذیری زمینلغزش مبتنی بر یادگیری ماشین به حوزهای میانرشتهای و بهسرعت در حال رشد تبدیل شده و شواهد حاکی از ورود آن به مرحله بلوغ علمی است. چین جایگاه محوری در تولید و تبادل دانش دارد و همکاریهای بینالمللی نقش مهمی در توسعه این حوزه ایفا میکنند. یافتهها میتواند مبنایی برای برنامهریزی پژوهشهای آینده بهویژه با تمرکز بر هوش مصنوعی قابل تفسیر، یادگیری عمیق، مدلهای پایه و تحلیلهای چندوجهی دادههای مکانی باشد.
