طبقه بندي لندفرم ها با استفاده از شبكه هاي عصبي خودسازماندهSelf-organization map(مطالعه موردي: حوضه آبخيز گاوخوني)

امروزه شناسايي لندفرم­ها و طبقه بندي زمين مبتني بر روش كارشناسي مي باشد كه به صورت دستي و با استفاده از عكس هاي هوايي و نقشه هاي توپوگرافي انجام مي شود كه روشي وقت گير و داراي دقت كمي مي باشد. از اين رو استفاده از روش هاي نيمه اتوماتيك و اتوماتيك به منظور طبقه بندي لندفرم ها براي افزايش دقت و سرعت كار، ضروري به نظر مي رسد. اين پژوهش سعي دارد كه به طبقه بندي لندفرم ها بر اساس الگوريتم شبكه هاي عصبي خودسازمانده (SOM)در حوضه آبخيز گاوخوني بپردازد. پژوهش از نوع تحليل و توصيفي مبتني بر روشهاي آماري، نرم افزار و ميداني است بدين صورت كه كه به منظور استفاده از الگوريتم SOMبراي طبقه بندي لندفرم ها از 6 پارامتر استفاده شد كه شامل جهت (aspect)، ارتفاع (elevation)، شيب (slope)، پروفيل طولي و عرضي (plan ، profile) و انحنا (curvature) مي باشد. براي اين منظور ابتدا با استفاده از شاخص موقعيت توپوگرافي (TPI)، لندفرم هاي منطقه مورد مطالعه طبقه بندي شدند كه از كلاس هاي لندفرم حاصل از TPIبه منظور آموزش مدل SOMاستفاده شد. در مرحله بعد از 50 نقطه به عنوان نمونه براي آموزش شبكه استفاده گرديد. نتايج حاصل از طبقه بندي لندفرم ها با استفاده از الگوريتم SOMنشان داد كه 6 خوشه (كلاس) در محدوده مورد مطالعه وجود دارد، به طوريكه خوشه 1 و 5 شامل لندفرم هايي است كه در ارتفاعات زياد قرار دارند و خوشه 3 شامل لندفرم هايي است كه در كمترين ارتفاع واقع شده اند. بقيه خوشه ها شامل لندفرم هايي هستند كه در ارتفاعات متوسط در حوضه آبخيز مورد مطالعه قرار دارند. بنابراين از الگوريتم فوق مي توان به منظور پيش بيني لندفرم هاي منطقه مورد مطالعه استفاده كرد.