استفاده از ترکیب رویکردهای سنجش از دور و یادگیری ماشین در پیش‌بینی پارامترهای هیدرولوژیکی: یک مطالعه علم‌سنجی

Abstract

ادغام داده‌های سنجش از دور با تکنیک‌های یادگیری ماشین، رویکردی نوین و مؤثر در پیش‌بینی پارامترهای هیدرولوژیکی از جمله تبخیر-تعرق، رطوبت خاک و دما محسوب می‌شود. این پژوهش با هدف تحلیل علم‌سنجی روندهای تحقیقاتی و همکاری‌های بین‌المللی در این حوزه انجام شده است. بدین منظور، داده‌های مرتبط از پایگاه اطلاعاتی Web of Science استخراج و با استفاده از نرم‌افزارهای Bibliometrix و VOSviewer تحلیل شدند. این تحلیل‌ها روابط بین مقالات، نویسندگان، کلمات کلیدی و کشورها را آشکار ساختند. نتایج نشان دادند که مدل‌های یادگیری ماشین پیشرفته نظیر شبکه‌های عصبی مصنوعی (ANN) و جنگل تصادفی (RF) در ترکیب با داده‌های سنجش از دور منابعی مانند MODIS، Sentinel و SMAP، به‌ویژه در مناطق با محدودیت داده‌های زمینی، کاربرد گسترده‌ای دارند. همچنین، استفاده از داده‌های چندمنبعی و الگوریتم‌های پیشرفته یادگیری ماشین در راستای شبیه‌سازی دقیق‌تر پارامترهای هیدرولوژیکی و پیش‌بینی تغییرات اقلیمی و خشکسالی‌ها به عنوان روندهای نوظهور شناسایی شدند. علاوه بر این، افزایش استفاده از داده‌های ماهواره‌ای مانند MODIS، SMAP و شاخص NDVI در تحلیل پارامترهای هیدرولوژیکی در مناطق با کمبود داده‌های زمینی از دیگر یافته‌های مهم این پژوهش است. این مطالعه ضمن شناسایی روندهای کلیدی، به بررسی چالش‌ها، شکاف‌های تحقیقاتی و ارائه پیشنهاداتی برای پژوهش‌های آتی در این حوزه می‌پردازد.