SavedAdd your journal

Journals / Geomatik / 2026 / Cilt: 11 Sayı: 2

İklim Değişikliği ve Uzaktan Algılama Literatürünün Bibliyometrik Analizi (2021-2025): Küresel Eğilimler ve Tematik Gelişim

Büşra Eraslan(İSTANBUL ÜNİVERSİTESİ)0000-0003-1822-2368
Journal
Geomatik
Pages
277–295
Publication Date
2026-04-29
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu çalışma, uzaktan algılama disiplininin iklim kriziyle mücadeledeki stratejik dönüşümünü istatistiksel olarak belgeleyen kapsamlı bir rehber niteliğindedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İklim değişikliği, küresel ekosistemler üzerinde geri dönülemez etkiler yaratırken, uzaktan algılama teknolojileri bu değişimlerin izlenmesi ve modellenmesinde kritik bir rol oynamaktadır.
📊
Key Findings & Data:Bu çalışma, 2021-2025 yılları arasında Web of Science (WoS) veri tabanında yer alan uzaktan algılama ve iklim değişikliği etkileşimine odaklanan literatürü bibliyometrik bir perspektifle analiz etmeyi amaçlamaktadır.
💡
Conclusion & Impact:Bu çalışma, uzaktan algılama disiplininin iklim kriziyle mücadeledeki stratejik dönüşümünü istatistiksel olarak belgeleyen kapsamlı bir rehber niteliğindedir.
🔬Design:Review & Systematic Survey
📍Scope:2021-2025 Verileri
⚙️Variables:Uzaktan Algılama · İklim Değişikliği · Bibliometrik Analiz

Özet

İklim değişikliği, küresel ekosistemler üzerinde geri dönülemez etkiler yaratırken, uzaktan algılama teknolojileri bu değişimlerin izlenmesi ve modellenmesinde kritik bir rol oynamaktadır. Bu çalışma, 2021-2025 yılları arasında Web of Science (WoS) veri tabanında yer alan uzaktan algılama ve iklim değişikliği etkileşimine odaklanan literatürü bibliyometrik bir perspektifle analiz etmeyi amaçlamaktadır. RStudio Bibliometrix aracı ve VOSviewer yazılımı kullanılarak gerçekleştirilen analizler sonucunda, toplam 6891 bilimsel yayın üzerinden sahanın entelektüel yapısı deşifre edilmiştir. Araştırma bulguları, bilimsel üretimin 2023 yılında zirve yaptığını ve literatürün odağının geleneksel vejetasyon izlemesinden (NDVI, LST) hızla Derin Öğrenme (Deep Learning), Google Earth Engine (GEE) ve yapay zeka tabanlı ileri modelleme tekniklerine kaydığını ortaya koymaktadır. Çoklu Uygunluk Analizi (MCA) ve hiyerarşik kümeleme sonuçları, disiplinin buzul erimesi, sera gazı emisyonları (CH4) ve su kalitesi izleme gibi fiziksel süreçlerden; karar destek sistemleri, afet yönetimi ve toplumsal dirençlilik stratejilerine doğru evrildiğini doğrulamaktadır. Özellikle açık kaynaklı veri platformlarının demokratikleşmesiyle birlikte uluslararası iş birliği ağlarının genişlediği saptanmıştır. Gelecekteki çalışmaların "Deep Learning" tabanlı öngörüsel modellemeler ve karmaşık iklim senaryoları etrafında yoğunlaşacağı öngörülmektedir. Bu çalışma, uzaktan algılama disiplininin iklim kriziyle mücadeledeki stratejik dönüşümünü istatistiksel olarak belgeleyen kapsamlı bir rehber niteliğindedir.

🔖

Cite This Article

Eraslan, B. (2026). İklim Değişikliği ve Uzaktan Algılama Literatürünün Bibliyometrik Analizi (2021-2025): Küresel Eğilimler ve Tematik Gelişim. Geomatik, Cilt: 11 Sayı: 2, 277–295. https://doi.org/10.29128/geomatik.1908650

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (47)

  1. Aksay, C. S., Ketenoğlu, O. & Kurt, L. (2005). Küresel ısınma ve iklim değişikliği. Selçuk Üniversitesi Fen Fakültesi Fen Dergisi, 1(25), 29–42.
  2. Intergovernmental Panel on Climate Change. (2023). Climate change 2023: Synthesis report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. https://doi.org/10.59327/IPCC/AR6-9789291691647
  3. Türkeş, M. (2008). Küresel iklim değişikliği nedir? Temel kavramlar, nedenleri, gözlenen ve öngörülen değişiklikler. İklim Değişikliği ve Çevre, 1(1), 26–37.
  4. Türkeş, M., Sümer, U. M., & Çetiner, G. (2000). Küresel iklim değişikliği ve olası etkileri. Birleşmiş Milletler İklim Değişikliği Çerçeve Sözleşmesi Seminer Notları içinde (ss. 7–24). Çevre Bakanlığı.
  5. Doğan, S. & Tüzer, M. (2011). Küresel iklim değişikliği ve potansiyel etkileri. CÜ İktisadi ve İdari Bilimler Dergisi, 12(1), 21–34.
  6. Belgiu, M. & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
  7. Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D., Stehman, S. V., Goetz, S. J., Loveland, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice, C. O. & Townshend, J. R. G. (2013). High-resolution global maps of 21st-century forest cover change. Science, 342(6160), 850–853. https://doi.org/10.1126/science.1244693
  8. Chuvieco, E. (2020). Fundamentals of satellite remote sensing: An environmental approach (3rd ed.). CRC Press.
  9. Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M.,. Thépaut, J. N. (2020).
  10. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  11. Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu, F. & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8–36. https://doi.org/10.1109/MGRS.2017.2762307
  12. Yuan, Q., Shen, H., Li, T., Li, Z., Li, S., Jiang, Y., Xu, H., Tan, W., Yang, Q., Wang, J., Gao, J. & Zhang, L. (2020). Deep learning in environmental remote sensing: Achievements and challenges. Remote Sensing of Environment, 241, 111716. https://doi.org/10.1016/j.rse.2020.111716
  13. de Jong, S. M., van der Meer, F. D., & Clevers, J. G. P. W. (2004). Basics of remote sensing. In Remote sensing image analysis: Including the spatial domain (pp. 1–15). Kluwer Academic Publishers. https://doi.org/10.1007/978-1-4020-2560-0_1
  14. Jiang, H., Peng, M., Zhong, Y., Xie, H., Hao, Z., Lin, J., Ma, X. & Hu, X. (2022). A survey on deep learning-based change detection from high-resolution remote sensing images. Remote Sensing, 14(7), 1552. https://doi.org/10.3390/rs14071552
  15. Han, W., Zhang, X., Wang, Y., Wang, L., Huang, X., Li, J., Wang, S., Chen, W., Li, X., Feng, R., Fan, R., Zhang, X. & Wang, Y. (2023). A survey of machine learning and deep learning in remote sensing of geological environment: Challenges, advances, and opportunities. ISPRS Journal of Photogrammetry and Remote Sensing, 202, 87–113. https://doi.org/10.1016/j.isprsjprs.2023.05.032
  16. Zhang, L. & Zhang, L. (2022). Artificial intelligence for remote sensing data analysis: A review of challenges and opportunities. IEEE Geoscience and Remote Sensing Magazine, 10(2), 270–294. https://doi.org/10.1109/MGRS.2022.3145854
  17. Eyi, G. & Buğdaycı, İ. (2024). Uzaktan algılama yöntemleri ile yangın şiddetinin tespiti: Yunanistan Rodos Adası orman yangını örneği. Geomatik, 9(3), 348–360. https://doi.org/10.29128/geomatik.1481708
  18. Yaman, Ş. & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile bulut tabanlı orman yangın analizi. Geomatik, 10(3), 316–330. https://doi.org/10.29128/geomatik.1603707
  19. Yakar, M., Yıldız, F., Uray, F., & Metin, A. (2010) Photogrammetric Measurement of The Meke Lake and Its Environment with Kite Photographs to Monitoring of Water Level to Climate Change. In ISPRS Commission V Mid-Term Symposium (pp. 613-616
  20. Dapke, P., Quadri, S. A., Nagare, S. M., Bandal, S. B. & Baheti, M. R. (2025). A Comparative Analysis Machine Learning Techniques for LULC Classification Using Landsat-8 Satellite Imagery. International Journal of Engineering and Geosciences, 10(1), 84–92. https://doi.org/10.26833/ijeg.1503104
  21. Tomco, V., Grabocka, E., & Harizaj, M. (2025). Leveraging deep learning in remote sensing: A novel approach for agricultural greenhouse detection and innovation management. International Journal of Engineering and Geosciences, 10(2), 221–230. https://doi.org/10.26833/ijeg.1587264
  22. Yağmur, N., Tanık, A., Tuzcu, A., Musaoğlu, N., Erten, E. & Bilgilioglu, B. (2020). Opportunities provided by remote sensing data for watershed management: example of Konya Closed Basin. International Journal of Engineering and Geosciences, 5(3), 120–129. https://doi.org/10.26833/ijeg.638669
  23. Kafes Demirci, B., Yılmaz, O. S., & Balık Şanlı, F. (2025). Investigation of Longoz forests with remote sensing techniques on Google Earth Engine platform: The case of İğneada Longoz forests (2000–2021). International Journal of Engineering and Geosciences, 11(1), 78–88. https://doi.org/10.26833/ijeg.1650786
  24. Erener, A. & Sarp, G. (2017). Barajların çevresel etkilerinin zamansal ve mekansal olarak uzaktan algılama ile değerlendirilmesi: Atatürk Barajı örneği. Geomatik, 2(1), 1–10. https://doi.org/10.29128/geomatik.300012
  25. Orhan, O., & Yakar, M. (2016). Investigating land surface temperature changes using Landsat data in Konya, Turkey. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 41, 285-289
  26. Koca, S. & Mentese, S. (2025). Uzaktan algılama ile kentsel ısı adasının zamansal ve mekansal değişiminin tespiti: Eskişehir örneği. Geomatik, 11(1), 161–177. https://doi.org/10.29128/geomatik.1806504
  27. Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., Moghaddam, S. H. A., Mahdavi, S., Ghahremanloo, M., Parsian, S., Wu, Q. & Brisco, B. (2020). Google Earth Engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326–5350. https://doi.org/10.1109/JSTARS.2020.3021052
  28. Yang, L., Driscol, J., Sarigai, S., Wu, Q., Chen, H. & Lippitt, C. D. (2022). Google Earth Engine and artificial intelligence (AI): A comprehensive review. Remote Sensing, 14(14), 3253. https://doi.org/10.3390/rs14143253
  29. Zhuang, Y., Liu, X., Nguyen, T., He, Q. & Hong, S. (2013). Global remote sensing research trends during 1991–2010: A bibliometric analysis. Scientometrics, 96(1), 203–219. https://doi.org/10.1007/s11192-012-0918-z
  30. Zhang, H., Huang, M., Qing, X., Li, G. & Tian, C. (2017). Bibliometric analysis of global remote sensing research during 2010–2015. ISPRS International Journal of Geo-Information, 6(11), 332. https://doi.org/10.3390/ijgi6110332
  31. Işık, F., & Eraslan, S. (2026). Multi-scale greening dynamics in Türkiye’s ecoregions (2001–2024): The effects of elevation and land cover on NDVI change tendencies. Environmental Monitoring and Assessment, 198(4), Article 323. https://doi.org/10.1007/s10661-026-15173-9
  32. Santos, S. M. B. D., Bento-Gonçalves, A. & Vieira, A. (2021). Research on wildfires and remote sensing in the last three decades: a bibliometric analysis. Forests, 12(5), 604. https://doi.org/10.3390/f12050604
  33. Zhao, S., Liu, M., Tao, M., Zhou, W., Lu, X., Xiong, Y., Li, F. & Wang, Q. (2023). The role of satellite remote sensing in mitigating and adapting to global climate change. Science of the Total Environment, 904, 166820. https://doi.org/10.1016/j.scitotenv.2023.166820
  34. Çevik, O., Yakar, M., & Paylı, M. (2025). Geomatik Dergisi’nin bilimsel verimlilik performansının bibliyometrik analizi: WoS Örneği (2020-2024). Geomatik, 10(3), 425-442. https://doi.org/10.29128/geomatik.1707772
  35. Çevik, O., Yakar, M., & Paylı, M. (2025). Bibliometric analysis of scientific productivity performance of International journal of engineering and geosciences WOS example (2016-2024). International Journal of Engineering and Geosciences, 10(3), 477-493. https://doi.org/10.26833/ijeg.1680503
  36. Donthu, N., Kumar, S., Mukherjee, D., Pandey, N. & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285–296. https://doi.org/10.1016/j.jbusres.2021.04.070
  37. Alsharif, A. H., Salleh, N. Z. M. & Baharun, R. (2020). Bibliometric analysis. Journal of Theoretical and Applied Information Technology, 98(15), 2948–2962.
  38. Caliński, T. (2014). Dendrogram. In Wiley StatsRef: Statistics reference online. Wiley. https://doi.org/10.1002/9781118445112.stat05624
  39. Riehmann, P., Hanfler, M. & Froehlich, B. (2005). Interactive Sankey diagrams. IEEE Symposium on Information Visualization, 2005. INFOVIS 2005 (pp. 233–240). IEEE.
  40. Stehman, S. V., & Czaplewski, R. L. (1998). Design and analysis for thematic map accuracy assessment: Fundamental principles. Remote Sensing of Environment, 64(3), 331–344. https://doi.org/10.1016/S0034-4257(98)00010-8
  41. Foody, G. M. (2004). Thematic map comparison. Photogrammetric Engineering & Remote Sensing, 70(5), 627–633. https://doi.org/10.14358/PERS.70.5.627
  42. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
  43. Vicente-Serrano, S. M., Beguería, S. & López-Moreno, J. I. (2010). A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index. Journal of Climate, 23(7), 1696–1718. https://doi.org/10.1175/2009JCLI2909.1
  44. Friedlingstein, P., O'Sullivan, M., Jones, M. W., Andrew, R. M., Gregor, L., Hauck, J., Le Quéré, C., Luijkx, I. T., Olsen, A., Peters, G. P., Peters, W., Pongratz, J., Schwingshackl, C., Sitch, S., Canadell, J. G., Ciais, P., Jackson, R. B., Alin, S. R., Alkama, R.,. Zheng, B. (2022). Global carbon budget 2022. Earth System Science Data, 14, 4811–4900. https://doi.org/10.5194/essd-14-4811-2022
  45. Wang, R., Ding, J., Ge, X., Wang, J., Qin, S., Tan, J., Han, L., & Zhang, Z. (2023). Impacts of climate change on the wetlands in the arid region of Northwestern China over the past 2 decades. Ecological Indicators, 149, Article 110168. https://doi.org/10.1016/j.ecolind.2023.110168
  46. Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M.,. Thépaut, J. N. (2020).
  47. Friedlingstein, P., O'Sullivan, M., Jones, M. W., Andrew, R. M., Gregor, L., Hauck, J., Le Quéré, C., Luijkx, I. T., Olsen, A., Peters, G. P., Peters, W., Pongratz, J., Schwingshackl, C., Sitch, S., Canadell, J. G., Ciais, P., Jackson, R. B., Alin, S. R., Alkama, R.,. Zheng, B. (2022). Global carbon budget 2022. Earth System Science Data, 14, 4811–4900. https://doi.org/10.5194/essd-14-4811-2022