مدلسازی حرکت ماسه های روان با استفاده ازتصاویر ماهواره ای لندست وشبکه عصبی مصنوعی (منطقه مورد مطالعه: دشت لوت)

علیرضا رضایی ¹ (دانش پژوه دکترا جغرافیا و برنامه ریزی شهری دانشگاه آزاد واحد لارستان)
مرضیه موغلی ² (عضو هیات علمی دانشگاه ازاد اسلامی لارستان)

تاریخ ارسال : 1400/06/12 تاریخ تایید : 1401/04/25

کلید واژه: سنجش از دور, شبکه های عصبی مصنوعی, مدل سازی, فرسایش بادی, کویر لوت,

چکیده مقاله :

جهت تهیه مدل ارتفاع رقومی منطقه، از روش رقومی کردن خطوط تراز موجود در نقشه های توپوگرافی و سپس میان یابی کردن آنها استفاده شده است. بدین ترتیب که ابتدا نقشه های توپوگرافی 1:50000 منطقه توسط نرم افزار GIS تبدیل به TIN شد و آنگاه از نقشه TIN تهیه شده گردید و سپس DEM منطقه تهیه گردید. تصحیحات و پردازش های لازم روی تصاویر انجام شد. برای مدل شبکه های عصبی مصنوعی از جعبه ابزار شبکه عصبی مصنوعی از نرم افزار spss16 استفاده شده است. جابجایی تپه های ماسه ای با استفاده از شبکه های عصبی مصنوعی و مدل های رگرسیونی مدل سازی شد. در یک فرآیند مدلسازی اعم از آماری یا شبکه‌های عصبی مصنوعی، داده ها معمولا به دو قسمت تقسیم می شوند. یک قسمت برای آموزش یا کالیبره کردن یا واسنجی مدل و قسمت دیگر برای آزمون یا صحت سنجی مدل می باشد. نتایج نشان داد سنجش از دور، شبکه های عصبی مصنوعی و مدل های رگرسیونی دارای قابلیت خوبی برای مدل سازی جابجایی تپه های ماسه ای می باشند. در این تحقیق از تکنولوژی سنجش از دور در مطالعه و مانیتورینگ مرفولوژی تپه های شن روان فعال و منشایابی آن در منطقه استفاده گردیده که جهت تهیه نقشه های ژئومرفولوژی کواترنر، بهبود نقشه زمین شناسی، تفکیک انواع شن در دشت لوت و بالاخره بارزسازی ارتباط بین مناطق برداشت و رسوب مورد استفاده قرار گرفته است.

چکیده انگلیسی :

To provide digital elevation model, the method of digitalising the alignment lines in topographic maps and then their interpolation is used. First, topographic maps of 1: 50000 area were converted to TIN by GIS software, then TIN map was prepared and then DEM of the region was prepared. Corrections and processing were done on the images. For artificial neural network models, the Artificial Neural Network Toolkit has been used with spss16 software. The displacement of sand dunes was modeled using artificial neural networks and regression models. In a modeling process, either statistical or artificial neural networks, data are usually divided into two parts. One part for training or calibration or calibration of the model and another part for testing or verifying the model. The results showed that remote sensing, artificial neural networks and regression models have good ability to model the displacement of sand dunes. In this research, remote sensing technology was used in the study and monitoring of the morphology of active sand gravel and its source in the region. In order to provide Quaternary geomorphological maps, improve geological map, separation of sand types in the Lut plain and, finally, Harvesting and sedimentation have been used.