پیش‌بینی شبکه‌های آبراهه با استفاده از مدل زیر جاذبه و الگوریتم ژنتیک در محیط gis

آبراهه‌ها، زهکش در یک حوضه آبخیز محسوب می‌شوند که تاثیر زیادی بر روی ویژگی‌های فیزیوگرافی، هیدرولوژی، فرسایش و رسوب یک حوضه آبخیز دارند. هدف از این مطالعه، استفاده از مدل جاذبه به منظور افزایش قدرت تفکیک مکانی مدل رقومی ارتفاع (dem) و استفاده از الگوریتم ژنتیک به منظور پیش‌بینی آبراهه‌ها در آینده و مقایسه نتایج آن با خطوط آبراهه مستخرج از dem با قدرت تفکیک 30 متر است. برای استخراج dem‌های با قدرت تفکیک بالاتر، در مدل جاذبه برای تولید زیرپیکسل ها از مقیاس 3 و مدل همسایگی چهارگانه که دارای دقت بالاتری هستند استفاده شد. از dem حاصل از مدل جاذبه، به عنوان داده ورودی برای پیش‌بینی و استخراج آبراهه‌های منطقه مورد مطالعه با استفاده از الگوریتم ژنتیک در آینده استفاده شد. در الگوریتم ژنتیک، بهینه‌سازی و پیش‌بینی شبکه‌های رودخانه بر اساس تابع «نیروی جریان» و با ایجاد تغییرات در بالا آمادگی‌ها و رسوب‌گذاری‌ها در منطقه مورد مطالعه انجام شد. نتایج حاصل از مدل جاذبه نشان داد که مقیاس 2 با مدل همسایگی 2 گانه دارای دقت بالاتری نسبت به دیگر همسایگی‌ها برای استخراج dem با قدرت تفکیک بالاتر است. همچنین نتایج حاصل از الگوریتم ژنتیک، نشان دهنده تغییر درجه آبراهه‌های منطقه مورد مطالعه در طول زمان نسبت به وضع موجود است، به طوری که درجه تعدادی از آبراهه‌های درجه اول در آینده به درجه 3 تغییر خواهد کرد که علت آن فرسایش آبراهه‌های درجه کمتر و اضافه شدن به آبراهه‌های درجه بالاتر است. از نتایج این تحقیق، می‌توان برای پیشنهاد محل‌های مناسب ایجاد بندهای انحرافی و یا محل‌های مناسب برای احداث سازه‌های مختلف با توجه به تغییرات در مورفومتری آبراهه‌ها در آینده، استفاده کرد.

The combination of attraction model and genetic algorithm to predict stream networks

The aim of this study was to use the attraction model to increase the spatial resolution of the Digital Elevation Model (DEM) and to use the genetic algorithm to predict stream network in the future and compare its results with stream of extraction of DEM with resolution of 30 m. In the quadrant neighborhood, a neighbor pixel is the only pixel in the same quadrant while in touching neighborhood a neighbor pixel that is the pixel, which physically touches a subpixel. In this method, the pixels were divided into a number of subpixels according to the values of the neighboring pixels. The results of the attraction model showed that Scale 2 with the Neighborhood model 2 is more accurate than other Neighborhoods for extracting DEM with higher resolution. The results showed that the predicted streamnetwork landscapes created using the GLE algorithm had the selfsimilar tree structure of natural stream networks. Also, the results of the genetic algorithm showed that a change in the degree of waterways in the study area over time compared to the current situation, so that the degree of number of firstclass waterways in the future will change to grade 3 due to erosion in upper lands. Therefore, using these models, the condition of waterways can be predicted in the future and better management can be adopted for watersheds.