تعيين مهمترين پارامترهاي ژئومرفومتري كمي در طبقه‎بندي دشت سرهاي مناطق بياباني با استفاده از شبكه‏ هاي عصبي مصنوعي وآناليز حساسيت

مرتع و آبخیزداری

دوره 70 - شماره 1

نوع مقاله: Original Article
چكيده: دشت سرها ازجمله مهمترين واحدهاي ژئومرفولوژي مي باشند كه به لحاظ فعاليت ها انساني و بهره برداري، بيشتر مورد توجه قرار مي گيرند. تاكنون روش ها و عوامل مختلفي نيز جهت طبقه بندي مناطق دشتي ارائه شده است. يكي از روش هاي طبقه بندي كه بيشتر در مطالعات منابع طبيعي در ايران مورد استفاده قرار مي گيرد، تقسيم بندي واحد دشت سر به سه تيپ دشت سرلخت، اپانداژ و پوشيده مي باشد كه عوامل مختلف كمي و كيفي جهت تفكيك آنها از يكديگر به كار گرفته مي شود. در اين تحقيق پارامترهاي ژئومرفومتري كمي موثر در تفكيك لندفرمهاي مختلف به منظور طبقه بندي تيپ هاي دشت سر، با استفاده از شبكه هاي عصبي مصنوعي و آنايز حساسيت، مورد ارزيابي و تحليل قرار گرفت. اين پارامترها در ايران كمتر مورد توجه قرار گرفته و با استفاده از معادلات رياضي و اعمال روابط مربوطه برروي مدل هاي رقومي ارتفاعي، قابل محاسبه و استخراج مي باشد. پارامترهاي ژئومرفومتري مورد استفاده در اين تحقيق شامل درصد شيب، انحناي سطح (Plan Curvature)، انحناي مقطع (Profile Curvature)، انحناي حداقل (Minimum Curvature)، انحناي حداكثر (Maximum Curvature)، انحناي متقاطع (Cross sectional Curvature)، انحناي طولي (Longitudinal Curvature) و انحناي گوسي (Gaussian Curvature) مي باشد. اين پارامترها در يك منطقه اي به وسعت 125000 هكتار و در 1500 نقطه محاسبه و سپس نتايج با نقشه واقعيت زميني مورد مقايسه و واسنجي قرار گرفت. روش نمونه برداي در اين تحقيق از نوع ابرمكعب لاتين (Latin Hyper cube) مي باشد كه به نوعي همان روش تصادفي – طبقه بندي شده مي باشد. نتايج اين تحقيق نشان مي دهد كه مهمترين پارامترهاي ژئومرفومتري موثر در طبقه بندي دشتهاي مناطق بياباني شامل انحناي حداقل و انحناي مقطع مي باشد كه داراي بيشترين ميزان حساسيت در بين تيپ هاي مختلف دشتي مي باشد. از طرف ديگر هرچه از شدت توپوگرافي منطقه كاسته مي شود، نقش و اهميت اين عوامل نيز  در تفكيك تيپهاي دشتي كمرنگ تر مي شود. بطوريكه بيشترين قابليت اين پارامترها در دشت سرهاي لخت و كمترين كارايي آنها در دشت سر پوشيده مي باشد.
Determining the Most Important Geo-Morphometric Parameters in Classification of Desert Plains using Artificial Neural Networks and Sensitivity Analysis
Article Type: Original Article
Abstract: Plains are one of the most important geomorphological units and different parameters have been considered for classification of plain areas. One of most common classifications in natural resources studies in Iran entailing different qualitative and quantitative factors is: bare plains, apandazh plain and covered plain. Such classifications are used to make plains distinguishable from one another. In this study, the geomorphometrical parameters were considered for plain classification by using artificial neural networks and sensitivity analysis. These parameters were extracted by using mathematical equations and applying the corresponding relations on digital elevation models and they are not widely used in Iran. Geomorphometric parameters that were used in this study included Percent of slope, Plan Curvature, Profile Curvature, Minimum Curvature, the Maximum Curvature, Cross sectional Curvature, Longitudinal Curvature and Gaussian Curvature. These parameters were calculated in an area of 125000 hectare and at 1500 points, and the result was compared and calibrated with ground truth map. Sampling method in this study was Latin Hyper cube that is a kind of stratified random sampling. Results of this study show that the most important geomorphometric parameters to classify desert plains include Plan Curvature and Profile Curvature that have the highest sensitivity among different plain types. The more the topography of the area reduced the more the contribution and importance of these factors for separating plain types decreased so that these parameters were most prominent in bare plains but had the lowest efficiency in covered plains.
قیمت : 20,000 ريال