پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,991,810 |
| تعداد دریافت فایل اصل مقاله | 89,660,790 |
تعیین مهمترین پارامترهای ژئومرفومتری کمی در طبقهبندی دشت سرهای مناطق بیابانی با استفاده از شبکههای عصبی مصنوعی وآنالیز حساسیت | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 15، دوره 70، شماره 1، خرداد 1396، صفحه 197-206 اصل مقاله (1.34 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2017.61976 | ||
| نویسندگان | ||
| غلامرضا زهتابیان1؛ حسن احمدی1؛ علی اکبر نظری سامانی2؛ امیر هوشنگ احسانی3؛ مهدی تازه* 4 | ||
| 1استاد دانشکده منابع طبیعی دانشگاه تهران ، ایران | ||
| 2استادیار دانشکده منابع طبیعی دانشگاه تهران ، ایران | ||
| 3استادیار مرکز تحقیقات بین المللی بیابان، دانشگاه تهران، ایران. | ||
| 4دانشجوی 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 Zehtabian1؛ Hassan Ahmadi1؛ Aliakbar Nazari Samani2؛ amir houshang ehsani3؛ Mahdi Tazeh4 | ||
| 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 | ||
| مراجع | ||
|
[1]. Ahmadi, H, 2008, Vol 2, Applied Geomorphology, University of Tehran press, Third edition. [2]. Cooke, R.U., 1970, Morphometric analysis of pediments and associated landforms in the western Mojave Desert, California: American Journal of Science, v. 269, p. 26–38. [3]. Ehsani, Amir Houshang, Quiel, F, 2007, A semi-automatic method for analysis of landscape elements using Shuttle Radar Topography Mission and Landsat ETM+ data, Computers & Geosciences 35 , 373–389. [4]. Ehsani, Amir Houshang, Quiel, F, 2008, Geomorphometric feature analysis using morphometric parameterization and artificial neural networks, Geomorphology 99. [5]. Ehsani, Amir Houshang, Quiel, F, 2008, Application of Self Organizing Map and SRTM data to characterize yardangs in the, Lut desert, Iran, Remote Sensing of Environment. [6]. Ehsani, Amir Houshang, Quiel, F, 2009, Self-organizing maps for multi-scale morphometric feature identification using shuttle radar topography mission data, Geocarto International. [7]. Ehsani, Amir Houshang, Quiel, F, 2010, Effect of SRTM resolution on morphometric feature identification using neural network—self organizing map, Geoinformatica. [8]. Gilbert, G.K., 1877, Report on the Geology of the Henry Mountains, Utah: Washington, D.C., U.S. Geographical and Geological Survey of the Rocky Mountains Region, U.S. Government Printing Office ce. [9]. Li, Zhilin. Zhu, Qing. Gold, Christopher, 2005, Digital Terrain Modeling, Principles and Methodology, CRC PRESS. [10]. Minasny, Budiman, Alex B. Mc Bratney, 2006, A conditioned Latin hypercube method for sampling in the presence of ancillary information, Computers & Geosciences 32. [11]. Mohammadi, j, 2007, Pedometric, vol 10, Terrain Analysis, Pelk press. [12]. Mohammadi, j, 2009, Pedometric, vol 14, Soil digital mapping, Pelk press. [13]. Oberlander, T.D., 1997, Slope and pediment systems, in Thomas, D.S.G., ed., Arid Zone Geomorphology: Process, Form and Change in Dry lands: John Wiley and Sons, p. 135–163. [14]. Pelletier, Jon D, 2010, How do pediments form?: A numerical modeling investigation with comparison to pediments in southern Arizona, USA, Department of Geosciences, University of Arizona, Geological Society of America. [15]. Pike, R.J, I.S. Evans and T. Hengl, 2009, Geomorphometry: A Brief Guide, Developments in Soil Science, Volume 33, chapture 1, Elsevier. [16]. Rahimi Lake, H., Akbarzadeh, A. and Taghizadeh Mehrjardi, R, 2009, Development of pedo transfer functions (PTFs) to predict soil physico-chemical and hydrological characteristics in southern coastal zones of the Caspian Sea. Journal of Ecology and the Natural Environment, 1(7), 160–172. [17]. Strudley, M.W, and Murray, A.B., 2007, Sensitivity analysis of pediment development through numerical simulation and selected geospatial query: Geomorphology, v. 88, p. 329–351, doi: 10.1016/j.geomorph.2006.12.008. [18]. Zho, A.-Xing, 2000, Water resources research, Vol. 36, NO.3, Page 663-677. | ||
|
آمار تعداد مشاهده مقاله: 806 تعداد دریافت فایل اصل مقاله: 461 |
||