نوع مقاله : مقاله پژوهشی

نویسندگان

• غلامرضا زهتابیان ¹
• حسن احمدی ¹
• علی اکبر نظری سامانی ²
• امیر هوشنگ احسانی ³
• مهدی تازه ⁴

¹ استاد دانشکده منابع طبیعی دانشگاه تهران ، ایران

² استادیار دانشکده منابع طبیعی دانشگاه تهران ، ایران

³ استادیار مرکز تحقیقات بین المللی بیابان، دانشگاه تهران، ایران.

⁴ دانشجوی دکتری بیابانزدایی، دانشگاه تهران، ایران.

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 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. 

کلیدواژه‌ها

• پارامترهای ژئومرفومتری کمی
• طبقه بندی
• دشت سر
• شبکه‏های عصبی مصنوعی
• آنالیز حساسیت

عنوان مقاله [English]

Determining the most important geomorphometric parameters in classification of desert plains with using artificial neural networks and sensitivity analysis

نویسندگان [English]

• Gholamreza Zehtabian ¹
• Hassan Ahmadi ¹
• Aliakbar Nazari Samani ²
• amir houshang ehsani ³
• Mahdi Tazeh ⁴

¹

²

³

⁴

چکیده [English]

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.

کلیدواژه‌ها [English]

• Artificial Neural Networks
• Sensitivity analysis
• Classification
• Geomorphometric parameters
• Plain