基于CiteSpace文献计量的滑坡预测研究可视化分析

摘 要：【目的】探讨滑坡预测研究的发展趋势，为滑坡灾害的防灾减灾提供参考。【方法】以Web of Science数据库为文献数据源，利用CiteSpace文献计量学软件分析了1991—2023年以滑坡预测为主题的学术论文，详细阐述其研究现状、热点和趋势。【结果】研究结果表明，滑坡预测研究在世界各国均是研究热点，其中以中国最为显著；该领域研究的关键词聚类中“machine learning”最为显著，这意味着机器学习等新型技术正在被广泛应用于滑坡预测领域。【结论】未来的滑坡预测研究将聚焦技术手段的智能化与自动化、监测范围的全面化与立体化、预测模型的精细化与动态化和滑坡风险评估的综合化等4方面。

关键词：滑坡预测；文献计量；可视化分析；研究进展

中图分类号：P642.22 文献标志码：A 文章编号：1003-5168（2024）17-0097-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.17.020

Visual Analysis of Landslide Prediction Research Based on CiteSpace Bibliometrics

ZHANG Keli1 ZHANG Xindan2 LIU Huan1

（1.Beijing Urban Construction Exploration & Surveying Design Research Institute Co.， Ltd.， Beijing 100101，China; 2.Beijing Urban Construction Rail Transit Construction Engineering Co.， Ltd.， Beijing 101125， China）

Abstraf75721f490240346b19afcc558be6a74d8764ee883d72c1ae6e806ff87439bf0ct： [Purposes] This paper aims to explore the future development trend of landslide prediction research and provide reference for disaster prevention and mitigation of landslide disasters. [Methods] Using the Web of Science database as the literature data source， this study analyzed academic papers on landslide prediction from 1991 to 2023 by CiteSpace bibliometric software， and elaborated on their research status， hotspots， and trends in detail. [Findings] The research results indicate that landslide prediction research is a hot topic in various countries around the world， with China being the most significant; in the keyword clustering studied in this field， 'machine learning' is the most significant， which means that new technologies such as machine learning are being widely applied in the field of landslide prediction. [Conclusions] Future landslide prediction research will focus on four aspects： the intelligence and automation of technical means， the comprehensiveness and three-dimension of monitoring scope， the refinement and dynamics of prediction models， and the integration of landslide risk assessment.

Keywords： landslide prediction; bibliometrics; visual analysis; research progress

0 引言

在全球范围内，滑坡灾害广泛存在，对人类社会经济发展、自然灾害防御，以及重大基础设施安全构成了严重威胁。滑坡灾害发生频率受多种因素影响，包括地质条件、气候条件、人类活动等［1］。我国作为滑坡灾害较为频发的国家之一，年滑坡事件占比高达全国地质灾害总量的70%，严重制约了我国重大工程的建设和重大战略需求的实施［2］。近年来，随着全球气候变化和人类活动的加剧，滑坡灾害的发生频率有所增加，滑坡预测成为地质灾害领域的研究热点，其复杂性被学者们视为亟待攻克的重要挑战。

滑坡的发生往往伴随着地质构造的复杂性、降雨、地震、人类活动等多种因素的交织影响，预测难度较大。20世纪60至70年代，滑坡预报领域主要聚焦于直观现象观察与经验总结，其中斋藤模型作为标志性成果，引领了经验预报公式的发展潮流［3-4］。20世纪80至90年代，该领域迎来了技术革新，通过吸纳现代数理理论的前沿成果（如灰色模型、黄金分割模型等），新型预报方法应运而生，标志着滑坡预报技术向更加科学化、系统化的方向迈进［5-7］。进入21世纪后，随着科技的进步和社会对防灾减灾需求的增加，众多学者们通过深入研究滑坡的形成机制、诱发因素、演化过程及空间分布规律，并结合现代科技手段，例如，遥感技术、地理信息系统、物探方法、数值模拟和大数据分析等，形成了一系列极具价值的滑坡预测理论与方法［8-14］。

CiteSpace作为一款强大的文献可视化分析软件，在地质工程领域展现出其独特的优势［15-16］。通过对大量地质工程相关文献的关键词共现、聚类及突现等［17］可视化分析，CiteSpace能够帮助研究者迅速把握地质工程领域的研究热点与趋势，明确研究基础与前沿方向［18］。

基于此，本研究收集了1990—2023年关于滑坡预测的研究成果，利用CiteSpace文献计量工具系统地梳理了滑坡预测文献的发文国家/地区，分析了滑坡预测的关键词及研究热点，探讨了滑坡预测研究的发展趋势，旨在为滑坡灾害研究提供参考。

1 可视化分析

论文检索来源是由Clarivate Analytics维护的Web of Science Core Collection （WoSCC）。检索词包括TS （Topic search） =［（“landslide forecast”） or （“landslide prediction”）， 文献类型定义为“Article”和“Review Article”，共搜集了1991—2023年期间的文章和综述3 863篇。

1.1 发文国别分析

开展滑坡预测研究的国别聚类如图1所示。由图1可以看出，中国是gooO9LTNbe9lXRR4Dp1/cg==滑坡预测文献的主要贡献者，意大利、印度、土耳其和美国也有相当数量的文献发表且中国与其他国家之间存在着密切的合作网络，这表明中国在该领域具有强大的研究实力和影响力。值得注意的是，对于中国而言，其在滑坡预测领域更多的是国内学者之间的合作，国际的合作相对较少，但意大利、美国、英国和韩国在该领域与其他国家的合作相对较多。

1.2 研究关键词分析

关键词是通过若干个极为精炼的词对论文进行概括，从而使读者能快速地了解文献的主要内容和作者的意图。通过绘制关键词聚类图，可以有效地识别出滑坡预测研究中最相关的研究热点。滑坡预测研究的关键词聚类结果如图2所示。由图2可以看出，滑坡预测研究的关键词共得到8个聚类结果，分别为“machine learning”“shallow landslides”“landslide susceptibility”“numerical simulation”“debris flow”“landslide displacement prediction”“climate change”和“geographic information systems”，其中“machine learning”最为显著，这意味着机器学习等新型技术正在被广泛应用于滑坡预测领域中。此外，不同的关键词聚类之间存在一定的关联，例如，关键词“numerical simulation”与“debris flow”、“shallow landslides”与“landslide susceptibility”之间紧密相连，这可能表示上述领域在滑坡预测研究中有较高的相关性。

滑坡预测研究中关键词随时间的演化规律如图3所示。在早期研究阶段（1991—2000年），主要关键词为：“debris flow”“slope stability”“area risk assessment”等，这表明该时期关于滑坡预测的研究处于探索阶段，尚未形成较为清晰的理论方法。进入21世纪后（2001—2012年），关键词数量开始增多，主要为“prediction”“landslide susceptibility”“logistic regression”“frequency”等，这表明该阶段的学者们开始探索各种滑坡预测方法。近10年来（2013—2023年），关键词数量和频次均大幅提升，该阶段有更多、更有效且适宜性更好的滑坡预测方法被提出。

2 滑坡预测方法发展趋势

随着科技进步和监测技术的不断提升，滑坡预测方法的发展也在不断演变。未来，滑坡预测可能会从以下几个方面寻求突破。

2.1 技术手段的智能化与自动化

未来的滑坡预测将更加依赖智能监测技术，例如，人工智能（AI）、机器学习（ML）等。这些技术能够对大量监测数据进行快速、准确的分析和处理，从而实现滑坡的自动化监测和预警。此外，通过更加高精度的传感器和仪器实现对滑坡体变形的实时监测和精确定位，能够提高监测数据的准确性和可靠性。同时，结合大数据分析技术，可以对监测数据进行深入挖掘和分析，揭示滑坡发生的规律和机制。

2.2 监测范围的全面化与立体化

传统的滑坡监测主要依赖二维平面数据，而未来的滑坡预测将更加注重三维监测技术的应用。通过遥感、无人机、激光扫描等技术手段，可以实现对滑坡体的三维定位和形变监测，构建滑坡体的三维模型，更直观地展示滑坡体的变形情况和发展趋势。同时，结合多源数据的综合分析和处理，可以更全面地了解滑坡发生的环境因素和触发条件，提高滑坡预测的准确性。

2.3 预测模型的精细化与动态化

随着对滑坡发生机制和规律的不断深入研究，未来的滑坡预测将采用更加精细化的预测模型。这些模型将考虑更多的影响因素和变量，如地质条件、降雨强度、人类活动等，以提高预测模型的准确性和适用性。另外，随着监测数据的不断积累和更新，预测模型将能够实时调整和优化参数设置，以适应滑坡体变形和发展趋势的变化。这种动态更新机制将确保预测结果的时效性和准确性。

2.4 滑坡风险评估的综合化

未来的滑坡预测将不仅仅关注滑坡本身的变形情况，还将结合地质、气象、水文等多种因素进行综合风险评估。通过构建综合风险评估体系，可以更全面地了解滑坡发生的可能性和影响程度，为防灾减灾提供更加科学的决策支持。基于综合风险评估结果，未来的滑坡预警系统将更加精细化，实现根据不同区域、不同时间段的滑坡风险情况，发布针对性的预警信息，提高预警的针对性和有效性。

3 结论

本研究采用CiteSpace文献计量工具，结合1991—2023年期间Woscc数据库中关于滑坡预测研究的3 863篇文献，深入分析了滑坡预测领域的研究热点与发展趋势，主要结论如下。

①中国是滑坡预测研究领域内发文最多的国家，主要聚焦于国内合作研究，意大利、美国、英国和韩国等国家在该领域与其他国家的合作相对较多。

②滑坡预测研究的关键词聚类中“machine learning”最为显著，这意味着机器学习等新型技术正在被广泛应用于滑坡预测领域中。

③未来的滑坡预测研究将聚焦技术手段的智能化与自动化、监测范围的全面化与立体化、预测模型的精细化与动态化和滑坡风险评估的综合化等4个方面。

参考文献：

［1］PETLEY D. Global patterns of loss of life from landslides［J］. Geology， 2012， 40（10）： 927-930.

［2］唐辉明.重大滑坡预测预报研究进展与展望［J］.地质科技通报，2022，41（6）：1-13.

［3］武鑫，郑东健，刘永涛，等. 滑坡失稳时间预测方法研究综述［J］. 水利水电科技进展， 2021， 41 （4）： 89-94.

［4］SAITO M.Forecasting time of slope failure by tertiary creep ［C］//Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering Mexico city，1969 （2）：677-683.

［5］张荍毅. 基于灰色模型的滑坡变形预测［J］. 天津城市建设学院学报， 2008 （2）： 114-117.

［6］马平，冯永，钱海涛，等.滑坡预报研究综述［J］.人民黄河，2011，33（9）：80-82.

［7］许强. 滑坡监测预警的理论与实践［J］. 中国减灾， 2022 （19）： 34-37.

［8］秦四清，王媛媛，马平. 崩滑灾害临界位移演化的指数律［J］. 岩石力学与工程学报， 2010， 29 （5）： 873-880.

［9］许强，汤明高，徐开祥，等. 滑坡时空演化规律及预警预报研究［J］. 岩石力学与工程学报， 2008（6）： 1104-1112.

160dd1cb18a51e0a42f70a64ed65bdae4b19e6eb7b3f163b58d977802f169445

［10］黄润秋. 论滑坡预报［J］. 国土资源科技管理， 2004（6）： 15-20.

［11］黄润秋，王来贵. 边坡力学系统失稳的两种新机制［J］. 中国地质灾害与防治学报， 1998 （S1）： 55-61.

［12］张超，顾清华，江松，等. 基于Citespace可视化的国内外矿山环境治理与生态修复研究进展［J］. 采矿技术， 2024， 24 （3）： 260-268.

［13］朱彪彪，曹伟，虞鹏鹏，等.基于CiteSpace的地质大数据与人工智能研究热点及前沿分析［J］.地学前缘，2024，31（4）：73-86.

［14］倪天翔. 基于CiteSpace的地质灾害领域中外代表性期刊对比研究［J］. 国土资源信息化， 2021 （5）： 63-68，49.

［15］尚志海，古凯业，郭照华，等. 基于CiteSpace的国内灾害风险感知研究现状分析［J］. 宝鸡文理学院学报（自然科学版）， 2021， 41 （1）： 65-71，80.

［16］杨龙伟，徐杨青，江强强，等. 基于Web of Science 数据库和CiteSpace文献计量的高位滑坡研究综述［J/OL］. 西华师范大学学报（自然科学版）， 1-12［2024-07-08］.http：//kns.cnki.net/kcms/detail/51.1699.N.20231013.1340.002.html.

［17］何亚莉，张春红. 基于CiteSpace的滑坡监测预警文献计量分析 ［J］. 甘肃科技， 2023， 39 （8）： 97-102.

［18］吕佼佼，范文，高徐军，等. 基于CiteSpace的浅层滑坡文献计量分析 ［J］. 中国地质灾害与防治学报， 2021， 32 （1）： 43-49.

收稿日期：2024-07-12

基金项目：北京市科技新星计划资助（20220484141）。

作者简介：张克利（1992—），男，硕士，工程师，研究方向：地质灾害及岩土工程。