غلامرضا زهتابیان؛ حسن احمدی؛ علی اکبر نظری سامانی؛ امیر هوشنگ احسانی؛ مهدی تازه
چکیده
دشت سرها ازجمله مهمترین واحدهای ژئومرفولوژی میباشند که به لحاظ فعالیتها انسانی و بهره برداری، بیشتر مورد توجه قرار میگیرند. تاکنون روشها و عوامل مختلفی نیز جهت طبقه بندی مناطق دشتی ارائه شده است. یکی از روش‌های طبقه بندی که بیشتر در مطالعات منابع طبیعی در ایران مورد استفاده قرار میگیرد، تقسیم بندی واحد دشت سر به سه ...
بیشتر
دشت سرها ازجمله مهمترین واحدهای ژئومرفولوژی میباشند که به لحاظ فعالیتها انسانی و بهره برداری، بیشتر مورد توجه قرار میگیرند. تاکنون روشها و عوامل مختلفی نیز جهت طبقه بندی مناطق دشتی ارائه شده است. یکی از روش‌های طبقه بندی که بیشتر در مطالعات منابع طبیعی در ایران مورد استفاده قرار میگیرد، تقسیم بندی واحد دشت سر به سه تیپ دشت سرلخت، اپانداژ و پوشیده میباشد که عوامل مختلف کمی و کیفی جهت تفکیک آنها از یکدیگر به کار گرفته میشود. در این تحقیق پارامترهای ژئومرفومتری کمی موثر در تفکیک لندفرمهای مختلف به منظور طبقه بندی تیپهای دشت سر، با استفاده از شبکه‌های عصبی مصنوعی و آنایز حساسیت، مورد ارزیابی و تحلیل قرار گرفت. این پارامترها در ایران کمتر مورد توجه قرار گرفته و با استفاده از معادلات ریاضی و اعمال روابط مربوطه برروی مدلهای رقومی ارتفاعی، قابل محاسبه و استخراج میباشد. پارامترهای ژئومرفومتری مورد استفاده در این تحقیق شامل درصد شیب، انحنای سطح (Plan Curvature)، انحنای مقطع (Profile Curvature)، انحنای حداقل (Minimum Curvature)، انحنای حداکثر (Maximum Curvature)، انحنای متقاطع (Cross sectional Curvature)، انحنای طولی (Longitudinal Curvature) و انحنای گوسی (Gaussian Curvature ) میباشد. این پارامترها در یک منطقهای به وسعت 125000 هکتارو در 1500 نقطه محاسبه و سپس نتایج با نقشه واقعیت زمینی مورد مقایسه و واسنجی قرار گرفت. روش نمونه بردای در این تحقیق از نوع ابرمکعب لاتین (Latin Hyper cube) میباشد که به نوعی همان روش تصادفی – طبقه بندی شده میباشد. نتایج این تحقیق نشان میدهد که مهمترین پارامترهای ژئومرفومتری موثر در طبقه بندی دشتهای مناطق بیابانی شامل انحنای حداقل و انحنای مقطع میباشد که دارای بیشترین میزان حساسیت در بین تیپهای مختلف دشتی میباشد. از طرف دیگر هرچه از شدت توپوگرافی منطقه کاسته میشود، نقش و اهمیت این عوامل نیز در تفکیک تیپهای دشتی کمرنگ تر میشود. بطوریکه بیشترین قابلیت این پارامترها در دشت سرهای لخت و کمترین کارایی آنها در دشت سر پوشیده میباشد.
امیر هوشنگ احسانی؛ مرضیه فروتن
چکیده
یاردانگ‌های منطقة فراخشک لوت یکی از منحصربه‌فردترین لندفرمهای آّبی- بادی مناطق بیابانی است. شناخت و پهنه‌بندی ژئومورفومتریک این یاردانگ‌ها، با توجه به میسرنبودنِ بازدیدهای میدانی و دسترسی به منطقه، دقت مطلوبی نخواهد داشت. در این مطالعه یاردانگ‌های دشت لوت، با توپوگرافی ویژه و خاص، با یکی از روش‌های شبکه‌های عصبی مصنوعی با ...
بیشتر
یاردانگ‌های منطقة فراخشک لوت یکی از منحصربه‌فردترین لندفرمهای آّبی- بادی مناطق بیابانی است. شناخت و پهنه‌بندی ژئومورفومتریک این یاردانگ‌ها، با توجه به میسرنبودنِ بازدیدهای میدانی و دسترسی به منطقه، دقت مطلوبی نخواهد داشت. در این مطالعه یاردانگ‌های دشت لوت، با توپوگرافی ویژه و خاص، با یکی از روش‌های شبکه‌های عصبی مصنوعی با عنوان «الگوریتم خودسازمانده» مطالعه و طبقه‌بندی شد. نخست 22 پارامتر مورفومتریک نمای اول، نمای دوم، و نمای سوم از مدل رقومی ارتفاعی با اندازة سلول 10 متر بر اساس برنامه‌نویسی و با کمک برازش سطوح درجة دوم و درجة سوم در نرم‌افزار مت‌لب محاسبه و استخراج شد. در مرحلة بعد، 7 پارامتر مورفومتریک مؤثر در طبقه‌بندی و همین طور تعداد کلاس‌های بهینة طبقه‌بندی طی دو مرحله با استفاده از شاخص فاکتور ضریب بهینه و ضریب داویس- بولدین (ضریب دی- بی) تعیین گردید. سپس، از آنالیز حساسیت به منظور تعیین میزان تأثیر هر یک از پارامترهای مورفومتریک ورودی بر روی نتایج استفاده شد. در نهایت، پارامترهای بهینة مورفومتریک با الگوریتم شبکة خودسازمانده طبقه‌بندی شد و نتایج با استفاده از اطلاعات موجود و نقشه‌‌های توپوگرافی مقایسه گردید.
نتایج این تحقیق نشان داد که پارامترهای انحنای سطحی، چرخش، انتگرال ارتفاع‌سنجی، کل انحنای تجمعی، شیب، انحنای حدی، و متوسط انحنا بهینه‌ترین پارامترهای مورفومتریک در جدایی یاردانگ‌ها هستند. همچنین، پارامترهای فوق یاردانگ‌های لوت را به هفت پهنه تقسیم می‌کنند؛ این پهنه‌ها عبارت‌اند از: درة گردنه‌ای، گودی بیضوی، کریدور کم‌شیب، شانة یاردانگ با شیب مقعر، شانة یاردانگ با شیب محدب، رأس یاردانگ، و آبراهة کریدور. نتایج تحلیل حساسیت نشان داد که نتایج طبقه‌بندی به پارامترهای چرخش، متوسط انحنا، و انتگرال ارتفاع‌سنجی دارای بیشترین حساسیت‌اند و جفت پارامترهای انتگرال ارتفاع‌سنجی- انحنای حدی دارای بیشترین قدرت تفکیک کلاس‌ها هستند. به طور کلی، شبکة خودسازمانده به عنوان یک الگوریتم نظارت‌نشدة شبکه‌های عصبی مصنوعی در تلفیق پارامترهای مورفومتریک برای آنالیز نیمه‌اتوماتیک لندفرمهای بیابان بسیار کارآمد است.
آرش ملکیان؛ مه رو ده بزرگی؛ امیر هوشنگ احسانی؛ امیر رضا کشتکار
چکیده
محدودیت منابع آب ناشی از خشک‌سالی‌های متوالی، از مهمترین معضلات استان سیستان و بلوچستان است.در این پژوهش برای پیش‌بینی سیکل خشک‌سالی در 9 ایستگاه هواشناسی استان سیستان و بلوچستان از شبکة عصبی مصنوعی استفاده شد. داده‌های مورد استفادة ورودی شبکه شامل بارش سالانه و شاخص دهک بارش (DPI) ایستگاه‌‌ها است که از سال 1350 تا 1379 برای آموزش ...
بیشتر
محدودیت منابع آب ناشی از خشک‌سالی‌های متوالی، از مهمترین معضلات استان سیستان و بلوچستان است.در این پژوهش برای پیش‌بینی سیکل خشک‌سالی در 9 ایستگاه هواشناسی استان سیستان و بلوچستان از شبکة عصبی مصنوعی استفاده شد. داده‌های مورد استفادة ورودی شبکه شامل بارش سالانه و شاخص دهک بارش (DPI) ایستگاه‌‌ها است که از سال 1350 تا 1379 برای آموزش مدل و از سال 1380 تا 1387 برای اعتبارسنجی شبکه است. شبکة مورد استفاده از نوع پرسپترون چندلایه بود و از الگوریتم پس انتشار خطا و تابع محرک سیگموئید استفاده شد. تعداد نرون‌‌های لایه‌ها بر اساس کمترین میزان خطا محاسبه شد و به صورت ساختار لایة 1-10-1 است. سپس، عمل پیش‌بینی خشک‌سالی توسط الگوریتم آموزش دیده‌شده توسط شبکة عصبی مصنوعی و بدون استفاده از داده‌های واقعی و مشاهداتی برای سال‌های 1388 تا 1391 صورت گرفت. نتایج نشان داد شبکة عصبی مصنوعی با همبستگی 97% و میانگین خطای (RMSE) کمتر از 5% قادر به پیش‌بینی شاخص خشک‌سالی بر اساس دهک بارش است. نتایج پیش‌بینی شاخص خشک‌سالی دهک بارش نشان‌دهندة این مطلب بود که خشک‌سالی در طی سال‌های 1388ـ 1391 به طور کلی روند افزایشی داشته است. از این رو، با استفاده از این روش می‌توان وضعیت خشک‌سالی را در سال‌های آتی و بدون استفاده از آمار هواشناسی پیش‌بینی کرد و در مدیریت و بهره‌وری منابع آب و نیز مدیریت خشک‌سالی و تغییرات اقلیمی از این روش بهره جست.
