استفاده از ترکیب رویکردهای سنجش از دور و یادگیری ماشین در پیش بینی پارامترهای هیدرولوژیکی: یک مطالعه علم سنجی

ادغام داده های سنجش از دور با تکنیک های یادگیری ماشین، رویکردی نوین و موثر در پیش بینی پارامترهای هیدرولوژیکی از جمله تبخیر-تعرق، رطوبت خاک و دما محسوب می شود. این پژوهش با هدف تحلیل علم سنجی روندهای تحقیقاتی و همکاری های بین المللی در این حوزه انجام شده است. بدین منظور، داده های مرتبط از پایگاه اطلاعاتی Web of Science استخراج و با استفاده از نرم افزارهای Bibliometrix و VOSviewer تحلیل شدند. این تحلیل ها روابط بین مقالات، نویسندگان، کلمات کلیدی و کشورها را آشکار ساختند. نتایج نشان دادند که مدل های یادگیری ماشین پیشرفته نظیر شبکه های عصبی مصنوعی (ANN) و جنگل تصادفی (RF) در ترکیب با داده های سنجش از دور منابعی مانند MODIS، Sentinel و SMAP، به ویژه در مناطق با محدودیت داده های زمینی، کاربرد گسترده ای دارند. همچنین، استفاده از داده های چندمنبعی و الگوریتم های پیشرفته یادگیری ماشین در راستای شبیه سازی دقیق تر پارامترهای هیدرولوژیکی و پیش بینی تغییرات اقلیمی و خشکسالی ها به عنوان روندهای نوظهور شناسایی شدند. علاوه بر این، افزایش استفاده از داده های ماهواره ای مانند MODIS، SMAP و شاخص NDVI در تحلیل پارامترهای هیدرولوژیکی در مناطق با کمبود داده های زمینی از دیگر یافته های مهم این پژوهش است. این مطالعه ضمن شناسایی روندهای کلیدی، به بررسی چالش ها، شکاف های تحقیقاتی و ارائه پیشنهاداتی برای پژوهش های آتی در این حوزه می پردازد.

کلیدواژه ها:

ادغام داده ها ، تحلیل علم سنجی ، داده های چندمنبعی ، روندهای پژوهشی ، هیدرولوژی