طبقه‌بندی ناهمواری‌های کارستی با استفاده از شاخص‌های ژئومورفومتریک و شبکۀ عصبی مصنوعی (مطالعۀ موردی: بخشی از حوضه‌های خرم‌آباد، بیرانشهر و الشتر)

استفاده از شاخص های ژئومورفومتری در تفکیک ناهمواری های سطح زمین کاربرد گسترده ای را طی دهۀ گذشته در علم ژئومورفولوژی داشته است. در این تحقیق از روش پرسپترون چند لایۀ شبکۀ عصبی مصنوعی برای طبقه‌بندی ناهمواری های کارستی استفاده شد. ابتدا با استفاده از نقشۀ مدل رقومی ارتفاع، شاخص های ژئومورفومتری تهیه شد و سپس این شاخص ها به عنوان نرون های لایۀ ورودی در شبکۀ عصبی مصنوعی استفاده شد. علاوه بر این از نمودار های جعبه ای برای تحلیل ارتباط ناهمواری های کارستی همچون دولین، تپه، دشت کارستی، درۀ کارستی و پرتگاه با شاخص های ژئومورفومتری استفاده شد. نتایج طبقه بندی نشان داد که ناهمواری‌های منطقۀ مورد مطالعه به ترتیب شامل 34، 6.9، 1.07، 48.5 و 9.51 درصد دره، دشت، دولین، پرتگاه و تپه می باشد. علاوه بر این، نتایج نشان داد که مدل بهینۀ شبکۀ عصبی مصنوعی برای طبقه بندی ناهمواری‌ها، مدل 1912 با ضریب یادگیری 0.1 و ضریب تبیین 87.18 درصد بود و دقت روش ابداعی برای طبقه بندی ناهمواری های کارستی 90.58 درصد می باشد. همچنین تحلیل ها نماینده این است که تغییرات شاخص‌های ژئومورفومتری در ناهمواری‌های تپه، پرتگاه و دره کارستی بسیار نمایان بوده ولی در دشت و دولین کمی دارای همپوشانی هستند.

landform classification of karstic area by goemorphometric index and artificial neural network (case study: a part of korram abad, biran shahr and alashtar watersheds)

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. 1291 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.