1استادیار، دانشکده منابع طبیعی، دانشگاه اردکان، یزد، ایران
2دانشجوی دکتری آبخیزداری، گروه احیا مناطق خشک و کوهستانی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، کرج
چکیده
نقشه‌های ژئومورفولوژی یکی از اصلی‌‌ترین لایه‌های اطلاعاتی در مطالعات منابع طبیعی می‌باشد. تاکنون روش‌های مختلفی جهت طبقه‌ببندی و تفکیک واحدها و تیپ‌های مختلف ژئومرفولوژی ارائه شده، که اغلب آن‌ها بر پایه اطلاعات کیفی و توصیفی می‌باشد. دراین مطالعه قابلیت استفاده از پارامترهای ژئومرفومتری در تفکیک واحد کوهستان از دشت‌سر و همچنین تفکیک تیپ‌های مختلف دشت‌سر بررسی شده است. ابتدا نقشه واقعیت زمینی با استفاده از تفسیر چشمی داده‌های ماهواره‌ای و نقشه توپوگرافی تهیه و سپس شبکه نمونه‌برداری 1000 نقطه‌ای به صورت تصادفی طراحی شد. پارامترهای انحنای مقطع، انحنای سطح، تانژانت انحنا، انحنای متقاطع، انحنای طول و انحنای عمومی از مدل رقومی ارتفاعی و با استفاده از ابزار الحاقی DEM surface در در نرم‌افزار GIS تهیه شد و سپس مقادیر آن‌ها در تمامی نقاط شبکه نمونه‌برداری استخراج گردید. سپس از شبکه عصبی مصنوعی با ساختار 13_6_ 4 به منظور تفکیک تیپ‌ها استفاده گردید. نتایج نشان داد که امکان تفکیک تیپ‌های دشت‌سر لخت از اپانداژ با استفاده از شبکه عصبی مصنوعی وجود داشته ولی تفکیک دشت‌سر اپانداژ از پوشیده به خوبی صورت نمی‌گیرد. بدین منظور جهت بهبود عملکرد شبکه، اقدام به اضافه کردن ارزش رقومی داده‌های ماهواره‌ای لندست ۷ به مقادیر قبلی گردید. استفاده از این شبکه با در نظر گرفتن همزمان پارامترهای ژئومرفومتری و تصاویر ماهواره‌ای، دقت تفکیک واحد کوهستان، دشت‌سر لخت، دشت‌سر اپانداژ، دشت‌سر پوشیده را به ترتیب 90 ، 79، 80، 76 درصد دارای صحت می‌باشد.
1Assistant Professor, Faculty of Natural Resources, Ardakan University, Ardakan, Iran
2D. Student of Watershed Management, Department of Reclamation of Arid and Mountainous Regions, Faculty of Natural Resources, University of Tehran, Karaj, Iran
چکیده [English]
Geomorphological map is one of the main information layers in natural resources studies. So far, various methods have been proposed for the classification and separation of various units and Geomorphological types, most of which are based on qualitative and descriptive information. In this study, the ability of geomorphometry parameters in separation of mountains from pediment and also separation of different types of pediments was investigated. First, ground truth map was prepared using visual interpretation of satellite data and topographic maps. Then the 1000-point sampling grid was designed randomly. Parameters including profile curvature, plan curvature, tangential curvature, cross-sectional curvature, longitudinal curvature, and general curvature were prepared from digital elevation model in the GIS software. Then, their values were extracted at all points of the sampling network. Then, artificial neural network with structure of 13_6_ 4 was used to separate the units. The results showed that the erosion pediment could be separated from epandage using artificial neural network; however, the separation of epandage pediment from covered pediment was not well. For this purpose, to improve network performance, the digital value of Landsat 7 data was added to the previous values. The resolution accuracy of mountain, erosion pediment, epandage pediment, and covered pediment was calculated to be 90, 79, 80, and 76%, respectively.
- Ahmadi, H., 2008. Applied Geomorphology. Volume 2 Wind erosion. Tehran University Press.
- Atkinson, P. M. and Tatnall, A. L., 1997. Neural Networks in Remote Sensing, Journal of Remote Sensing .18(4): 699-709.
- Dehn, M., Gurtner, H. and Dikau, R., 2001. Principles of semantic modeling of landform structures. Comput, Journal of Geoscience. 27(8): 1005– 1010.
- Ehsani, A. H. and Forotan, M., 1393. Semi-Automatic Geometric Classification of Lut Yardangs with Artificial Neural Networks. Journal of Range and Watershed natural resources. 67(3):359-380.
- Pelletier, J. D., 2010. How do pediments form?: A numerical modeling investigation with comparison to pediments in southern Arizona, USA. Department of Geosciences, University of Arizona, Geological Society of America.
- Ramazankhani, S., Mokhtarzadeh, M. And Sahebi, M., 2011. Compare the resolution of agricultural products on the classification of multi-temporal statistical methods and artificial neural network. Eighteenth National Congress Geomatics.
- Seif, A. and Mohamadi, M., 2011. Separation and Recognition of Geomorphic Facies in Part of Gavkhouni Playa using RS and GIS Techniques, Journal of Range and Watershed Management, Iranian Journal of Natural Resources, 63(4): 471-488.
- Saif, A. and Mohammadi, M., 2012. Identification and separation of geomorphic units of Mighan water basin using RS and GIS. Third National Conference on Desertification and Sustainable Development of Iran's Desert Lagoon.
- Tazeh, M., Zahtabian, Gh., Ahmadi, H., Nazari Samani, A. and Ehsani, A., 2014. Determining Best Desert Pavement Garnulometric Parameters to Classify Pediment (Case Study: Yazd, Khezrabad), Journal of Quantitative Geomorphology Research, 3(2): 31-43.
- Tazeh, M., 2012. Desert plains classification based on morphometrical and biophysical parameters, Case study: Khezr Abad, Yazd, Phd Thesis of De-Desertification, Faculty of Natural Resources, University of Tehran.
- Wood, J. D., 1996. The geomorphologic characterization of digital elevation models. PhD Dissertation, University of Leicester, UK.
- Zevenbergen, L. W. and Thorne, C. R., 1987. Quantitative analysis of land surface topography. Journal of Earth Surface Processes and Landforms, 12: 47–56.
ابتدای صفحه