شناسایی و طبقه بندی زمین شکل های بیابانی مبتنی بر الگوریتم جنگل تصادفی در شرق شهرستان گرمسار(مقاله علمی وزارت علوم)
منبع:
پژوهش های ژئومورفولوژی کمی سال ۱۴ زمستان ۱۴۰۴ شماره ۳ (پیاپی ۵۵)
106 - 123
حوزههای تخصصی:
نقشه های ژئومورفولوژی ابزارهای مهمی در ارزیابی فرآیندهای ژئومورفولوژیکی، هیدرولوژیکی، و مدیریت منابع طبیعی هستند. روش های سنتی نقشه برداری لندفرم ها، که شامل مشاهدات میدانی و تصاویر هوایی می شود، به دلیل زمان بر بودن و هزینه های بالای اجرایی محدودیت هایی دارند. در این پژوهش، از الگوریتم یادگیری ماشین جنگل تصادفی برای تولید نقشه های لندفرم در منطقه بیابانی ده نمک و آرادان استفاده شد. برای این منظور، از داده های ماهواره ای سنتینل 2آ سال 2023و شاخص های مورفومتری شامل رطوبت توپوگرافیک، انحنا کلی و ناهمواری زمین به همراه مدل رقومی ارتفاع 10 متر استفاده گردید. در این مطالعه، دو مدل شامل مدل اپتیک استفاده از داده های سنتینل 2آ به تنهایی و مدل اپتیک-مورفومتریک ترکیب داده های سنتینل 2آ با شاخص های مورفومتری برای طبقه بندی لندفرم ها بررسی شد. نتایج نشان داد که مدل ترکیبی دقت بالاتری در شبیه سازی مرزهای لندفرم ها و شناسایی لندفرم های با تغییرات شدید ارتفاعی مانند تپه ماهور، کوهستان با دامنه منظم و هوگ بک ارائه داد. همچنین، مدل ترکیبی توانست مناطق دشتی و کوهستانی را به طور مؤثری از یکدیگر تفکیک کند. علاوه براین، استفاده از شاخص های مورفومتری به طور چشمگیری دقت طبقه بندی لندفرم ها را افزایش داده است. به طوری که با افزایش دقت کلی از ۷۸ درصد به ۸۵ درصد و ارتقاء شاخص کاپا از 74/0 به 82/0، توانست تفکیک دقیق تری از واحدهای لندفرمی ارائه دهد. این روش می تواند زمان و هزینه های نقشه برداری لندفرم ها را به طور قابل توجهی کاهش دهد و دقت نقشه های ژئومورفولوژیکی را بهبود بخشد. نتایج این پژوهش به ویژه در زمینه های مدیریت منابع آب، پایش تغییرات محیطی و برنامه ریزی کاربری اراضی کاربرد دارد و پیشنهاد می شود که در مطالعات آتی از ترکیب داده های مورفومتری و ماهواره ای برای بهبود تفکیک لندفرم ها استفاده شود.