ارزيابي شاخص‌هاي ژئومرفومتري در تفكيك نيمه‌خودكار تيپ‌هاي ژئومورفولوژي مناطق بياباني (مطالعه موردي: محدوده شمال غرب اردكان)

Evaluation of Geomorphomety indicators in the semi-automatic separate Of Geomorphology types in desert areas (Case study: West North of Ardekan)

نقشه‌های ژئومورفولوژی یكی از اصلی‌‌ترین لایه‌های اطلاعاتی در مطالعات منابع طبیعی می‌باشد. تاكنون روش‌های مختلفی جهت طبقه‌ببندی و تفكیك واحدها و تیپ‌های مختلف ژئومرفولوژی ارائه شده، كه اغلب آن‌ها بر پایه اطلاعات كیفی و توصیفی می‌باشد. دراین مطالعه قابلیت استفاده از پارامترهای ژئومرفومتری در تفكیك واحد كوهستان از دشت‌سر و همچنین تفكیك تیپ‌های مختلف دشت‌سر بررسی شده است. ابتدا نقشه واقعیت زمینی با استفاده از تفسیر چشمی داده‌های ماهواره‌ای و نقشه توپوگرافی تهیه و سپس شبكه نمونه‌برداری 1000 نقطه‌ای به صورت تصادفی طراحی شد. پارامتر‌های انحنای مقطع، انحنای سطح، تانژانت انحنا، انحنای متقاطع، انحنای طول و انحنای عمومی از مدل رقومی ارتفاعی و با استفاده از ابزار الحاقی DEM surface در در نرم‌افزار GIS تهیه شد و سپس مقادیر آن‌ها در تمامی نقاط شبكه نمونه‌برداری استخراج گردید. سپس از شبكه عصبی مصنوعی با ساختار 13_6_ 4 به منظور تفكیك تیپ‌ها استفاده گردید. نتایج نشان داد كه امكان تفكیك تیپ‌های دشت‌سر لخت از اپانداژ با استفاده از شبكه عصبی مصنوعی وجود داشته ولی تفكیك دشت‌سر اپانداژ از پوشیده به خوبی صورت نمی‌گیرد. بدین منظور جهت بهبود عملكرد شبكه، اقدام به اضافه كردن ارزش رقومی داده‌های ماهواره‌ای لندست ۷ به مقادیر قبلی گردید. استفاده از این شبكه با در نظر گرفتن همزمان پارامترهای ژئومرفومتری و تصاویر ماهواره‌ای، دقت تفكیك واحد كوهستان، دشت‌سر لخت، دشت‌سر اپانداژ، دشت‌سر پوشیده را به ترتیب 90 ، 79، 80،   76 درصد  دارای صحت می‌باشد.

Geomorphological map is one of the main information layers in natural resources studies. So far, various methods have been proposed for the classification and separation of various units and Geomorphological types, most of which are based on qualitative and descriptive information. In this study, the ability of geomorphometry parameters in separation of mountains from pediment and also separation of different types of pediments was investigated. First, ground truth map was prepared using visual interpretation of satellite data and topographic maps. Then the 1000-point sampling grid was designed   randomly. Parameters including profile curvature, plan curvature, tangential curvature, cross-sectional curvature, longitudinal curvature, and general curvature were prepared from digital elevation model in the GIS software. Then, their values were extracted at all points of the sampling network. Then, artificial neural network with structure of 13_6_ 4 was used to separate the units. The results showed that the erosion pediment could be separated from epandage using artificial neural network; however, the separation of epandage pediment from covered pediment was not well. For this purpose, to improve network performance, the digital value of Landsat 7 data was added to the previous values. The resolution accuracy of mountain, erosion pediment, epandage pediment, and covered pediment was calculated to be 90, 79, 80, and 76%, respectively.