میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,196
تعداد مقالات77,227
تعداد مشاهده مقاله157,224,683
تعداد دریافت فایل اصل مقاله118,407,124
رضایی عارفی, مرتضی, جعفر بگلو, منصور, مقیمی, ابراهیم, حسینی, سید موسی, فخری, مجید. (1404). شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران. , 57(3), 87-100. doi: 10.22059/jphgr.2026.385416.1007851
مرتضی رضایی عارفی; منصور جعفر بگلو; ابراهیم مقیمی; سید موسی حسینی; مجید فخری. "شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران". , 57, 3, 1404, 87-100. doi: 10.22059/jphgr.2026.385416.1007851
رضایی عارفی, مرتضی, جعفر بگلو, منصور, مقیمی, ابراهیم, حسینی, سید موسی, فخری, مجید. (1404). 'شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران', , 57(3), pp. 87-100. doi: 10.22059/jphgr.2026.385416.1007851
رضایی عارفی, مرتضی, جعفر بگلو, منصور, مقیمی, ابراهیم, حسینی, سید موسی, فخری, مجید. شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران. , 1404; 57(3): 87-100. doi: 10.22059/jphgr.2026.385416.1007851

شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران

پژوهش های جغرافیای طبیعی
دوره 57، شماره 3، آبان 1404، صفحه 87-100    اصل مقاله (1.56 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2026.385416.1007851
نویسندگان
مرتضی رضایی عارفی1؛ منصور جعفر بگلو* 1؛ ابراهیم مقیمی1؛ سید موسی حسینی1؛ مجید فخری2
1گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2سازمان جغرافیایی نیروهای مسلح، تهران، ایران
چکیده
این پژوهش به بررسی الگوهای گسیختگی سطحی در منطقه تکتونیکی فعال کپه‌داغ در امتداد مرز ایران و ترکمنستان می‌پردازد و با بهره‌گیری از الگوریتم‌های پیشرفته یادگیری ماشینی، دقت تحلیل‌های ژئومورفومتری را برای مدیریت بهینه منابع آب و برنامه‌ریزی کاربری پایدار زمین ارتقا می‌بخشد. روش مورداستفاده در این تحقیق با تلفیق مدل‌های رقومی ارتفاعی (DEM) با تفکیک مکانی بالا، ابزارهای تحلیلی پایتون و روش‌های آماری پیشرفته، ویژگی‌های کلیدی زمین‌چهر مانند شیب، جهت و خطواره‌ها را استخراج کرده است. الگوریتم‌های یادگیری ماشینی شامل جنگل تصادفی و رگرسیون چند متغیره برای مدل‌سازی الگوهای گسیختگی سطحی به کار گرفته شدند که به ترتیب دقت‌هایی معادل ۸۵٪ و ۷۸٪ را ارائه کردند. نتایج نشان داد، گسیختگی‌های سطحی عمدتاً در مناطقی با تراکم بالای خطواره‌ها رخ‌داده است که 51/49% از سطح منطقه را در برمی‌گیرند و تحت تأثیر عواملی مانند شیب، تراکم شکستگی و الگوهای جریان آب سطحی شکل‌گرفته‌اند. مدل جنگل تصادفی، شیب و تراکم شکستگی را به‌عنوان مهم‌ترین متغیرهای پیش‌بینی کننده شناسایی کرد که مؤید کارایی ترکیب روش‌های نوین یادگیری ماشینی با تحلیل‌های کلاسیک ژئومورفومتری است. این تحقیق چارچوبی نوآورانه برای شناخت پویایی‌های آب‌های سطحی در مناطق تکتونیکی فراهم می‌آورد و روش کاربردی ارزشمندی را در اختیار مدیران منابع آب و برنامه‌ریزان کاربری زمین قرار می‌دهد. یافته‌ها همچنین در گسترش مرزهای دانش در زمینه تشخیص و پایش فرایندهای ژئومورفولوژیکی و تکتونیکی در محیط‌های کوهستانی نیمه‌خشک نقش بسزایی ایفا می‌کنند و به تدوین راهبردهای پایدار در مدیریت منابع آب یاری می‌رسانند.
کلیدواژه‌ها
تحلیل گسیختگی؛ تکتونیک فعال؛ کپه داغ؛ یادگیری ماشین؛ مدیریت منابع آب
عنوان مقاله [English]
Identification and Analysis of Surface Interrupture Landforms in the Kopet-Dagh Region in Iran, Using Machine Learning Techniques
نویسندگان [English]
Morteza Rezaei arefi1؛ Mansour Jafar beglou1؛ Ebrahim Moghimi1؛ Seyyed Musa Hosseini1؛ Majid Fakhri2
1Department of Physical Geography, Faculty of Geography, University of Tehran,Tehran, Iran
2Geographic Organization of the Armed Forces, Tehran, Iran
چکیده [English]
ABSTRACT
This study investigates surface interrupture patterns in the tectonically active Kopet-Dagh region along the Iran–Turkmenistan border, utilizing advanced machine learning algorithms to enhance geomorphometric analysis for optimized water resource management and sustainable land-use planning. The methodology employed integrates high-resolution Digital Elevation Models (DEMs), Python-based analytical tools, and advanced statistical methods to extract key terrain attributes such as slope, aspect, and lineaments. Machine learning algorithms, including random forest and multivariate regression models, were applied to model surface interrupture patterns, achieving accuracies of 85% and 78%, respectively. The results reveal that surface interrupture predominantly occurs in areas with high lineament density (covering 49.51% of the study area), influenced by factors such as slope, fracture density, and surface-water flow patterns. The random forest model identified slope and fracture density as the most influential predictors, demonstrating the efficacy of combining modern machine learning methods with traditional geomorphometric analyses. This research provides an innovative framework for understanding surface water dynamics in tectonically active regions, offering valuable tools for water resource managers and land-use planners to optimize conservation and allocation strategies. The findings also contribute significantly to the expansion of knowledge of geomorphological and tectonic processes in semi-arid mountainous environments and support the development of sustainable water management strategies.
Extended Abstract
Introduction
Surface interrupture is a pivotal phenomenon in Earth sciences that significantly influences landscape evolution and surface water dynamics. This study examines surface interrupture patterns in the Kopet Dagh region of northeastern Iran, a tectonically active area, to support effective water resource management. It is motivated by the need to deepen understanding of tectonic and geomorphological controls on hydrology in semi-arid, mountainous regions. The primary objective is to identify and analyze surface interrupture patterns by integrating geomorphometric analysis with advanced machine learning techniques. Two research questions are addressed: (1) What are the main factors controlling surface interrupture patterns in the Kopet Dagh region? (2) How can machine learning improve the accuracy of modeling these patterns for water management? By proposing a novel analytical framework, this study aims to fill critical gaps in the understanding of surface water dynamics in this region.
 
Methodology

Terrain attributes (slope, flow direction derived via the D8 algorithm, curvature, etc.) were derived from a 10 m Digital Elevation Model (DEM) using the open-source RichDEM Python library, which provides high-performance tools for hydrological analysis.
Lineaments were extracted from the DEM using automated edge-detection algorithms, resulting in a lineament density covering about 49.5% of the study area.
Fracture density was calculated by dividing mapped fracture lengths by unit area (mean ≈ 0.4355; median ≈ 0.4768). Flow accumulation was also modeled using the D8 algorithm to understand dominant drainage directions.
Machine learning analyses included (a) multiple linear regression (yielding R² ≈ 0.399), (b) Random Forest analysis (to assess predictor importance), and (c) K-means clustering (to identify distinct spatial patterns of geomorphic attributes). These analyses were combined with conventional geomorphological interpretation to form a robust framework for modeling surface water flow and storage in the region.

These methods were integrated into a comprehensive analytical framework for modeling and interpreting surface interrupture patterns and their implications for water resources.
 
Results and Discussion
The DEM analysis revealed that the Kopet Dagh study area (≈ 14,193 km²) has a rugged mountainous topography with elevations ranging from about 354 to 2,962 m. This terrain configuration, shaped by active tectonics, strongly influences surface water flow. Lineament analysis showed a high density of structural lineaments (average density ≈ 0.495), indicating pervasive tectonic deformation. The dominant flow direction is to the southeast, reflecting the regional gradient and channel network configuration. Fracture density (mean ≈ 0.4355) emerged as a key structural indicator of subsurface controls on infiltration and water storage.
The Random Forest analysis confirmed that fracture density and slope are the most influential predictors of surface interrupture patterns. These findings imply that regions with high fracture and lineament densities are critical for hydrological connectivity. In practice, this suggests targeted water management strategies should focus on areas of intense tectonic fabric. More broadly, the integration of machine learning with geomorphometric analysis proved effective in identifying the factors that shape surface water dynamics, offering a powerful approach for optimizing water resource allocation.
 
Conclusion
This study employed an integrated approach combining high-resolution DEM analysis, automated image processing, and machine learning to evaluate surface interrupture landforms in the Kopet Dagh region. The results emphasize that fracture density and slope are the primary controls on surface interrupture, while roughly half of the study area exhibits intense lineament coverage indicative of active tectonics. These insights offer valuable guidance for sustainable land-use planning and water resource management in similar semi-arid mountainous regions.
However, limitations of this study include the moderate DEM resolution and limited field data for model validation. Future research should incorporate higher-resolution topographic datasets and field-based observations to refine the models and further improve prediction accuracy for water management applications.
 
Funding
There is no funding support.
Authors’ Contribution
Authors contributed equally to the conceptualization and writing of the article. All of the authors approved thecontent of the manuscript and agreed on all aspects of the work declaration of competing interest none.
 
Conflict of Interest
Authors declared no conflict of interest.
 
Acknowledgments
We are grateful to all the scientific consultants of this paper.
کلیدواژه‌ها [English]
Interrupture Analysis, Active tectonics, Machine Learning Water manegment, Kopet-Dagh
مراجع
  1. مقیمی، ابراهیم. (1398). ژئومورفولوژی ایران. انتشارات دانشگاه تهران.
  2. Arabameri, A., Saha, S., Roy, J., Tiefenbacher, J. P., Cerda, A., Biggs, T., ... & Lee, S. (2020). A novel ensemble computational intelligence approach for the spatial prediction of land subsidence susceptibility. Science of The Total Environment, 726, Article 138595. https://doi.org/10.1016/j.scitotenv.2020.138595
  3. Barnes, R. (2016). RichDEM: High-performance terrain analysis. Zenodo. https://doi.org/10.5281/zenodo.592498
  4. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
  5. Bui, D. T., Tsangaratos, P., Nguyen, V. T., Van Liem, N., & Trinh, P. T. (2019). Comparing the prediction performance of a deep learning neural network model with conventional machine learning models in landslide susceptibility assessment. Catena, 188, Article 104426. https://doi.org/10.1016/j.catena.2019.104426
  6. Burbank, D. W., & Anderson, R. S. (2011). Tectonic geomorphology. John Wiley & Sons.
  7. Farr, T. G., Rosen, P. A., Caro, E., Crippen, R., Duren, R., Hensley, S., ... & Alsdorf, D. (2007). The Shuttle Radar Topography Mission. Reviews of Geophysics, 45(2), Article RG2004. https://doi.org/10.1029/2005RG000183
  8. Guzzetti, F., Carrara, A., Cardinali, M., & Reichenbach, P. (2012). Landslide hazard evaluation: A review of current techniques and their application in a multi-scale study, Central Italy. Geomorphology, 31(1–2), 181–216. https://doi.org/10.1016/S0169-555X(99)00078-1
  9. McCalpin, J. P. (2009). Paleoseismology (2nd ed.). Academic Press.
  10. Moghimi, E. (2019). Geomorphology of Iran. University of Tehran Press. [in persian]
  11. Mukherjee, S., Joshi, P. K., Mukherjee, S., Ghosh, A., Garg, R. D., & Mukhopadhyay, A. (2013). Evaluation of vertical accuracy of open source Digital Elevation Model (DEM). International Journal of Applied Earth Observation and Geoinformation, 21, 205–217. https://doi.org/10.1016/j.jag.2012.09.004
  12. Pourghasemi, H. R., & Rahmati, O. (2018). Prediction of the landslide susceptibility: Which algorithm, which precision? Catena, 162, 177–192. https://doi.org/10.1016/j.catena.2017.11.022
  13. Pradhan, B., & Lee, S. (2010). Landslide susceptibility mapping using an artificial neural network model: A case study in Malaysia. Geomatics, Natural Hazards and Risk, 1(3), 221–238. https://doi.org/10.1080/19475705.2010.513985
  14. Reichenbach, P., Rossi, M., Malamud, B. D., Mihir, M., & Guzzetti, F. (2018). A review of statistically-based landslide susceptibility models. Earth-Science Reviews, 180, 60–91. https://doi.org/10.1016/j.earscirev.2018.03.001
  15. Varnes, D. J. (1978). Slope movement types and processes. In R. L. Schuster & R. J. Krizek (Eds.), Landslides: Analysis and control (pp. 11–33). National Academy of Sciences.
  16. Yeats, R. S., Sieh, K., & Allen, C. R. (1997). The geology of earthquakes. Oxford University Press.
  17. Zhou, C., Yin, K., Cao, Y., Ahmed, B., Li, Y., Catani, F., & Pourghasemi, H. R. (2019). Landslide susceptibility modeling applying machine learning methods: A case study from Longju in the Three Gorges Reservoir area, China. Computers & Geosciences, 112, 23–37. https://doi.org/10.1016/j.cageo.2017.11.019
آمار
تعداد مشاهده مقاله: 168
تعداد دریافت فایل اصل مقاله: 154





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب