یاسر محمدی

این مطالعه یک تحلیل علم ‌سنجی جامع از ادبیات تحقیقاتی در زمینه ارزیابی آسیب ‌پذیری خشکسالی کشاورزی با الگوریتم ‌های یادگیری ماشین در جهان ارائه می‌دهد که هدف آن، شناسایی روندها، الگوها و تأثیر تحقیقات در این حوزه در یک دوره مشخص بین سال های 1997 تا 2024 است. جهت ترسیم نقشه علمی این حوزه، کلیه مقالات منتشر شده در مجلات بین‌المللی (5791 مدرک) با استفاده از پایگاه‌ اطلاعاتی اسکوپوس در بازه زمانی 2024-1997 جمع‌آوری و از تکنیک‌های علم‌سنجی مانند نقشه‌های هم‌رخدادی کلمات کلیدی برای تحلیل داده‌ها استفاده گردید. هم‌چنین شاخص‌های کلیدی مانندh-index ، شمارش استنادات و ضریب تأثیر مجلات در راستای ارزیابی میزان رویت‌پذیری و تأثیر تحقیقات در زمینه ارزیابی آسیب پذیری خشکسالی کشاورزی با الگوریتم های یادگیری ماشین، مورد محاسبه قرار گرفت. تحلیل‌های آماری نیز با استفاده از نرم افزار R و VOSviewer انجام شد. یافته‌ ها نشان داد که نرخ رشد مقالات در زمینه ارزیابی آسیب ‌پذیری خشکسالی کشاورزی حدود 41/32 درصد بوده و علاوه برکمیت، کیفیت و میزان استناددهی مقالات نیز در طی این سال ها افزایش یافته است. تحلیل نقشه علمی مطالعات نیز حاکی از شناسایی یک الگوی شش خوشه‌ای بود که کلیدواژه "پیش‌ بینی (Forecasting)"در مطالعات ارزیابی آسیب‌ پذیری خشکسالی کشاورزی بیشترین کاربرد را دارد و به پیش‌بینی یا برآورد در مورد رویدادها یا شرایط آینده بر اساس داده‌ها، روندها و الگوهای گذشته و حال اشاره دارد و نشان می دهد پژوهشگران بر بررسی روند داده ها بر اساس داده‌ های تاریخی بیشتر تمرکز دارند. تکامل موضوعی مطالعات نیز نشان داد که در دوره 2024-1997، پژوهشگران به روش های جنگل تصادفی، شبکه عصبی (Lstm) و همچنین موضوعاتی مانند گرمایش جهانی و دما در ارزیابی آسیب ‌پذیری خشکسالی کشاورزی توجه ویژه‌ ای داشته‌ اند. مهم ترین چالش مطالعات بررسی شده، کم توجهی پژوهشگران به موضوع سازگاری بود که، نیاز به تأمل بیشتر در بین پژوهشگران برای توجه به این موضوع در مطالعات خود احساس می شود.