موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 56 3 2025 05 22 Application of the Combination of Remote Sensing and Machine Learning Approaches in Predicting Hydrological Parameters: A Bibliometric Analysis استفاده از ترکیب رویکردهای سنجش از دور و یادگیری ماشین در پیش‌بینی پارامترهای هیدرولوژیکی: یک مطالعه علم‌سنجی 825 850 102209 10.22059/ijswr.2025.386927.669850 FA معین توسن گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران. راضیه شمشیرگران گروه مهندسی عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران. مهدی دستورانی گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران. Journal Article 2024 12 12 The integration of remote sensing data with machine learning (ML) techniques has emerged as a robust and effective paradigm for predicting key hydrological parameters, including evapotranspiration, soil moisture content, and land surface temperature. This study presents a comprehensive scientometric analysis of research trends and international collaborative networks within this rapidly evolving field. Data pertinent to this investigation were retrieved from the Web of Science Core Collection database and subsequently analyzed using the Bibliometrix R package and VOSviewer software. These analyses facilitated the identification and visualization of complex interrelationships among scholarly publications, contributing authors, topical keywords, and affiliated countries/institutions. The findings reveal a prominent trend toward the application of advanced ML algorithms, such as Artificial Neural Networks (ANNs) and Random Forest (RF), in conjunction with remotely sensed data acquired from platforms like MODIS, Sentinel, and SMAP, particularly in regions characterized by limited in situ observational data. Furthermore, the utilization of multi-source data fusion and sophisticated ML algorithms for enhanced simulation accuracy of hydrological processes and improved predictive capabilities for climate change impacts and drought events has been identified as a key emerging research direction. Notably, the increasing reliance on satellite-derived datasets, including MODIS, SMAP, and the Normalized Difference Vegetation Index (NDVI), for hydrological parameter estimation in data-scarce environments constitutes another significant observation. Beyond identifying prevailing research trends, this study critically examines existing challenges, knowledge gaps, and potential avenues for future research endeavors in this domain. 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. https://ijswr.ut.ac.ir/article_102209_e4bd193a4f5621a41953abcf527c9605.pdf