TY - JOUR ID - 71900 TI - طبقه‌بندی ناهمواری‌های کارستی با استفاده از شاخص‌های ژئومورفومتریک و شبکۀ عصبی مصنوعی (مطالعۀ موردی: بخشی از حوضه‌های خرم‌آباد، بیرانشهر و الشتر) JO - نشریه علمی - پژوهشی مرتع و آبخیزداری JA - JRWM LA - fa SN - 5044-2008 AU - سپه وند, علیرضا AU - احمدی, حسن AU - نظری سامانی, علی اکبر AU - ترویسانی, سباستیانو AD - دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه تهران. AD - استاد دانشکدۀ منابع طبیعی، دانشگاه تهران. AD - دانشیار دانشکدۀ منابع طبیعی، دانشگاه تهران. AD - استادیار دانشکدۀ زمین شناسی کاربردی و محیطی، دانشگاه ونیز ایتالیا. Y1 - 2019 PY - 2019 VL - 72 IS - 1 SP - 107 EP - 122 KW - لرستان KW - کارست KW - شبکۀ عصبی مصنوعی KW - طبقه‌بندی ناهمواری‌ها KW - نمودار جعبه‌ای DO - 10.22059/jrwm.2019.205078.999 N2 - استفاده از شاخص­های ژئومورفومتری در تفکیک ناهمواری­های سطح زمین کاربرد گسترده­ای را طی دهۀ گذشته در علم ژئومورفولوژی داشته است. در این تحقیق از روش پرسپترون چند لایۀ شبکۀ عصبی مصنوعی برای طبقه‌بندی ناهمواری­های کارستی استفاده شد. ابتدا با استفاده از نقشۀ مدل رقومی ارتفاع، شاخص­های ژئومورفومتری تهیه شد و سپس این شاخص­ها به­عنوان نرون­های لایۀ ورودی در شبکۀ عصبی مصنوعی استفاده شد. علاوه بر این از نمودار­های جعبه­ای برای تحلیل ارتباط ناهمواری­های کارستی همچون دولین، تپه، دشت کارستی، درۀ کارستی و پرتگاه با شاخص­های ژئومورفومتری استفاده شد. نتایج طبقه­بندی نشان داد که ناهمواری‌های منطقۀ مورد مطالعه به­ترتیب شامل 34، 9/6، 07/1، 5/48 و 51/9 درصد دره، دشت، دولین، پرتگاه و تپه می­باشد. علاوه بر این، نتایج نشان داد که مدل بهینۀ شبکۀ عصبی مصنوعی برای طبقه­بندی ناهمواری‌ها، مدل 1-9-12 با ضریب یادگیری 1/0 و ضریب تبیین 18/87 درصد بود و دقت روش ابداعی برای طبقه­بندی ناهمواری­های کارستی 58/90 درصد می­باشد. همچنین تحلیل­ها نماینده این است که تغییرات شاخص‌های ژئومورفومتری در ناهمواری‌های تپه، پرتگاه و دره­کارستی بسیار نمایان بوده ولی در دشت و دولین کمی دارای همپوشانی هستند. UR - https://jrwm.ut.ac.ir/article_71900.html L1 - https://jrwm.ut.ac.ir/article_71900_939a9e43d4454098b683496db926fdf8.pdf ER -