طبقه‌بندی نیمه‌اتوماتیک ژئومورفومتریکی یاردانگ‌های لوت با شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار دانشکدة محیط زیست، دانشگاه تهران

2 دانشجوی دکتری جغرافیا، دانشگاه کلگری کانادا

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 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.

کلیدواژه‌ها


عنوان مقاله [English]

An optimized semi- automatic method for geomorphometric classification of Lut Yardangs using artificial neural etwork

نویسندگان [English]

  • amir houshang ehsani 1
  • Marzieh Foroutan 2
1 Associate Professor, Environment Faculty, University of Tehran, Iran
2 Ph.D Candidate, Geography, Calgary University, Canada
چکیده [English]

In this study the land surface in western half of hyper-arid Lut desert, in south east of Iran, which is covered by Yardangs, a worldwide typical landform for Aeolian erosion, were classified by Self Organizing Maps (SOM) method. In the first step by using Digital Elevation Model with 10 m resolution and Matlab software, 22 morphometric parameters were calculated based on derivative of the surface elevation with first, second and third orders. In the second step most affective parameters for classification and the optimum number of classes were found through utilizing Optimum Index Factor and Davies Bouldin Index. Finally SOM classification was performed on seven morphometric parameters to result in seven classes. The results showed that most appropriate parameters in classification of area are plan curvature, rotor, hypsometric Integral, total accumulation curvature, slope steepness, extreme curvature and mean curvature. The study area were divided to seven classes including saddle valley, Concave ellipsoid, Gentle slope corridor, shoulder with concave slope, shoulder with convex slope, ridge, corridor channels. Sensitivity analysis results revealed that the most sensitive parameters are rotor, mean curvature and hypsometric Integral. Also the results of Jeffreys-Matusita Distance illustrated that parameter pair hypsometric integral / extreme curvature has the most ability in separation of classes in this area. Comparison of the separated classes with the landforms on aerial photographs confirms our classification results.

کلیدواژه‌ها [English]

  • D-B index
  • DEM
  • Lut Desert
  • OIF
  • quantitative geomorphology
  • Self Organizing Maps (SOM)
[1] Bue, B.D. and Stepinski, T.F. (2006). Automated classification of landforms on Mars. Computers & Geosciences, 32, 604-661.
[2] Dikau, R. (1989). The application of a digital relief model to landform analysis in geomorphology. In: Raper, J. (Ed.), Three Dimensional Applications in Geographical Information Systems. Taylor & Francis, London, pp. 51-77.
[3] Darvishzadeh., A. (1991). Geology of Iran, Amirkabir Press, Tehran, Iran.
[4] Davies, D.L. and Bouldin, D.W. (1979). A cluster separation measure. IEEE Trans. Patt. Anal. Machine Intelligence, 1, 224-227.
[5] Ehsani, A.H. and Quiel, F. (2008). Geomorphometric feature analysis using morphometric parameterization and artificial neural networks. Geomorphology, 99, 1-12.
[6] Ehsani, A.H. and Quiel, F. (2008). Application of self organizing map and SRTM data to characterize yardangs in the Lut desert, Iran. Remote Sensing of Environment, 112, 3284-3294.
[7] Ehsani, A.H. and Quiel, F. (2009). Self-organizing maps for multi-scale morphometric feature identification using shuttle radar topography mission data. Geocarto International, 24, 335-355.
[8] Ehsani, A.H. et al. (2010). Effect of SRTM resolution on morphometric feature identification using neural network-self organizing map. Geoinformatica, 14, 405-424.
[9] Evans, I.S. (1972). General geomorphology, derivatives of altitude and descriptive statistics. In R.J. Chorley (Ed.), Spatial Analysis in Geomorphology (pp. 17-90). London: Methuen & Co. Ltd.
[10] Florinsky, I.V. (1998). Accuracy of local topographic variables derived from digital elevation models. International Journal of Geographical Information Science, 12, 47-61.
[11] Florinsky, I.V. (1998). Combined analysis of digital terrain models and remotely sensed data in landscape investigations. Progress in Physical Geography, 22, 33-60.
[12] Florinsky, I.V. (2002). Errors of signal processing in digital terrain modelling. International Journal of Geographical Information Science, 16, 475-501.
[13] Florinsky, I.V. (2009). Computation of the third-order partial derivatives from a digital elevation model. International Journal of Geographical Information Science, 23, 2: 213-231.
[14] Frankel, K.L. and Dolan, J.F. (2007). Characterizing arid region alluvial fan surface roughness with airborne laser swath mapping digital topographic data. Journal of Geophysical Research-Earth Surface, 112, F02025.
[15] Grebby, S (2010). Lithological mapping of the Troodos ophiolite, Cyprus, using airborne LiDAR topographic data. Remote Sensing of Environment, 114, 713-724.
[16] Hengel. T. and Router, H. (2008). Geomorphometry, Concepts, Software, Applications. Elsevier.
[17] Ji, C.Y. (2000). Land-use classification of remotely sensed data using Kohonen Self- Organizing Feature Map neural networks. Photogrammetric Engineering and Remote Sensing, 66, 1451-1460.
[18] Kohonen, T. (2001). Self Organizing Maps. 3rd Ed. Springer, New York.
[19] Prima, O.D.A., Echigo, A., Yokoyama, R. and Yoshida, T. (2006). Supervised landform classification of Northeast Honshu from DEM-derived the maticmaps. Geomorphology, 78, 373-386.
[20] Saux, E., et al.( 2004). A New Approach for a Topographic Feature-Based Characterization of Digital Elevation Data. GIS’04, 73-81.
[21] Shary, P.A., Sharaya, L.S. and Mitusov, A.V. (2002). Fundamental quantitative methods of land surface analysis. Geoderma, 107, 1-32.
[22] Wood, J. (1996). The Geomorphological Characterization of Digital Elevation Models. Ph.D. Thesis, Department of Geography, University of Leicester, UK.
[23] Zevenbergen, L.W. and Thorne, C.R. (1987). Quantitative analysis of land surface topography. Earth Surface Processes and Landforms, 12, 47-56.