پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,036 |
| تعداد مشاهده مقاله | 125,507,308 |
| تعداد دریافت فایل اصل مقاله | 98,771,067 |
طبقهبندی ناهمواریهای کارستی با استفاده از شاخصهای ژئومورفومتریک و شبکۀ عصبی مصنوعی (مطالعۀ موردی: بخشی از حوضه‌های خرم‌آباد، بیرانشهر و الشتر) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 8، دوره 72، شماره 1، خرداد 1398، صفحه 107-122 اصل مقاله (1.76 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2019.205078.999 | ||
| نویسندگان | ||
| علیرضا سپه وند1؛ حسن احمدی2؛ علی اکبر نظری سامانی* 3؛ سباستیانو ترویسانی4 | ||
| 1دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه تهران. | ||
| 2استاد دانشکدۀ منابع طبیعی، دانشگاه تهران. | ||
| 3دانشیار دانشکدۀ منابع طبیعی، دانشگاه تهران. | ||
| 4استادیار دانشکدۀ زمین شناسی کاربردی و محیطی، دانشگاه ونیز ایتالیا. | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| لرستان؛ کارست؛ شبکۀ عصبی مصنوعی؛ طبقهبندی ناهمواری‌ها؛ نمودار جعبهای | ||
| عنوان مقاله [English] | ||
| Landform classification of karstic area by Goemorphometric Index and Artificial Neural Network (Case study: A part of Korram Abad, Biran Shahr and Alashtar Watersheds) | ||
| نویسندگان [English] | ||
| Alireza Sepahvand1؛ Hasan Ahmadi2؛ Aliakbar Nazari Samani3؛ Sebastiano Trevisani4 | ||
| 2ش | ||
| 3University of Tehran. | ||
| چکیده [English] | ||
| The geomorphometric indexes have been widely used for separation of surface landform features in the geomorphology science over the past decades. In this study, Multilayer Perceptron Neural Network (MPNN) was used to provide karstic landform classification. To that regard, initially, geomorphometric indicators were extracted from Digital Elevation Model (DEM), and then these indexes were used as neurons of input layer in artificial neural network. Furthermore, the box plots were applied to analyze the relationship between karstic landforms (such as dolines, hills, karstic plains, karstic valley and headland) and geomorphometric indexes. The results showed that 34, 6.9, 1.07, 48.5, 9.51 percent of the studying area are spatially covered by valleys, plains, dolines, highlands and hills respectively. It has also been found that the optimal structure of artificial neural networks for classification of landform is model No. 12-9-1 by having the learning rate 0.1 and 87.18 percent of determination coefficient. Also, it should be noted that the accuracy of the innovative method for classification of karstic landform is 90.58 percent. The analysis revealed that variations in geomorphometric indexes are very visible in the landform of hills, highlands and karstic valleys, whereas there are slightly overlapping in the plains and dolines. | ||
| کلیدواژه‌ها [English] | ||
| Lorestan Province, Karstic area, Artificial Neural Network, Landform classification, Plot box | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 397 تعداد دریافت فایل اصل مقاله: 416 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب