طبقه بندی لندفرم ها با استفاده از شبکه های عصبی خودسازمانده(self-organization map) (مطالعه موردی: حوضه آبخیز گاوخونی)

نویسندگان

مرضیه مکرم

marziyeh mokarram سعید نگهبان

saeed negahban 09191133750

چکیده

امروزه شناسایی لندفرم­ها و طبقه بندی زمین مبتنی بر روش کارشناسی می باشد که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود که روشی وقت گیر و دارای دقت کمی می باشد. از این رو استفاده از روش های نیمه اتوماتیک و اتوماتیک به منظور  طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار، ضروری به نظر می رسد. این پژوهش سعی دارد که به  طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های عصبی خودسازمانده (som)در حوضه آبخیز گاوخونی بپردازد. پژوهش از نوع تحلیل و توصیفی مبتنی بر روشهای آماری، نرم افزار و میدانی است بدین صورت که که به منظور استفاده از الگوریتم som برای طبقه بندی لندفرم ها از 6 پارامتر استفاده شد که  شامل جهت (aspect)، ارتفاع (elevation)، شیب (slope)، پروفیل طولی و عرضی (plan , profile) و انحنا (curvature) می باشد. برای این منظور ابتدا با استفاده از شاخص موقعیت توپوگرافی (tpi)، لندفرم های منطقه مورد مطالعه طبقه بندی شدند که  از کلاس های لندفرم حاصل از tpi به منظور آموزش مدل som استفاده شد. در مرحله بعد از 50 نقطه به عنوان نمونه برای آموزش شبکه استفاده گردید. نتایج حاصل از طبقه بندی لندفرم ها با استفاده از الگوریتم som نشان داد که 6 خوشه (کلاس) در محدوده مورد مطالعه وجود دارد، به طوریکه خوشه 1 و 5 شامل لندفرم هایی است که در ارتفاعات زیاد قرار دارند و  خوشه 3 شامل لندفرم هایی است که در کمترین ارتفاع واقع شده اند. بقیه خوشه ها شامل لندفرم هایی هستند که در ارتفاعات متوسط در حوضه آبخیز مورد مطالعه قرار دارند. بنابراین از الگوریتم فوق می توان به منظور پیش بینی لندفرم های منطقه مورد مطالعه استفاده کرد.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

طبقه بندی لندفرم ها با استفاده از شبکه های عصبی خودسازمانده(Self-organization map) (مطالعه موردی: حوضه آبخیز گاوخونی)

امروزه شناسایی لندفرم­ها و طبقه‌بندی زمین مبتنی بر روش کارشناسی می باشد که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود که روشی وقت گیر و دارای دقت کمی می باشد. از این رو استفاده از روش های نیمه اتوماتیک و اتوماتیک به منظور  طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار، ضروری به نظر می رسد. این پژوهش سعی دارد که به  طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های...

متن کامل

طبقه بندی لندفرم ها با استفاده از شاخص موقعیت توپوگرافی(TPI) (مطالعه موردی: منطقه جنوبی شهرستان داراب)

لندفرم یک عارضه زمین یا سیمای زمینی است که تشکیل آن به وسیله فرایندهای طبیعی به صورتی شکل گرفته که می‌توان آن را با عارضه‌های شاخص توصیف و تعریف کرد؛ و در صورت شناسایی، این لندفرم اطلاعاتی درباره ساختار خود به همراه ترکیب، بافت یا یکپارچه بودنش ارائه می‌دهد. وجود انواع لندفرم‌ها و تنوع آنها به طور عمده با تغییر در شکل و موقعیت زمین کنترل می‌شود. بنابراین، طبقه‌بندی و شناسایی مناطق مختلف با توجه...

متن کامل

طبقه بندی میزان تبخیر و تعرق پتانسیل با استفاده از شبکه های عصبی خودسازمانده (Self Organizing Map)

تبخیـر و تعـرق پتانـسیل نقش مهمی در مطالعات کشاورزی، طرحهای مدیریت منابع آب، طراحی شبکه‌هـای آبیـاری و زهکشی و سازه‌های آبی دارد. با توجه به اهیمت این پارامتر در این مطالعه اقدام به طبقه بندی تبخیر و تعرق پتانسیل در جنوب استان فارس با استفاده از شبکه‌های عصبی خودسازمانده (SOM) شد. در این مطالعه داده‌های 7 پارامتر حداقل، میانگین و حداکثر دما، ساعات آفتابی، سرعت باد، حداکثر ساعات آفتابی و رطوبت ن...

متن کامل

لندفرم ها و طبقه بندی آنها در علم ژئومورفولوژی(مطالعه موردی : حوضه آبریز جاجرود در شمال شرق تهران)

ارزش و نیاز به وجود یک اصطلاح شناسی مشترک بین عالمان یک علم و توافق متخصصان آن علم در برداشت یکسان از واژه‌ها و مفاهیم است که به علم ارزش پارادایمی می‌بخشد. در همین ارتباط، علیرغم اشاره‌ای مکرر به واژه «لندفرم» در تعاریف مختلف علم ژئومورفولوژی به عنوان علم مطالعه و تفسیر لندفرم...

متن کامل

پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی مطالعه موردی: حوضه کشوری (نوژیان)

حوضه آبریز کشوری در جنوب شرقی شهر خرم آباد در استان لرستان قرار دارد. این حوضه از نظر تقسیم بندی زمین ساخت ایران در زاگرس چین خورده قرار می گیرد. با توجه به نوع سازند های زمین شناسی، وضعیت توپوگرافی و وسعت آن، این حوضه از پتانسیل لغزش بالایی برخوردار بوده و از نظر لغزشی ناپایدار است. در این تحقیق برای پهنه بندی خطر زمین لغزش در این حوضه از روش شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگو...

متن کامل

بازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی(مطالعه موردی: سرشاخه های حوزه آبخیز کارون)

برای برآورد دبی روزانه در مدل‏های هیدرولوژی نیاز به دبی‏های پیوسته در بازه زمانی روزانه هست. تعداد سال‏های آماری متفاوت، نواقص آماری و خطای اندازه‏گیری باعث ایجاد سری‏های زمانی با پایه زمانی غیرمشترک می‏گردد. بنابراین بازسازی داده‏های دبی روزانه از اهمیت ویژه‏ای برخوردار است. این تحقیق به‌منظور بازسازی دبی روزانه در یکی از سرشاخه‏های رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق ...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
کواترنری ایران

جلد ۱، شماره ۳، صفحات ۲۲۵-۲۳۸

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023