فهرست نشریات علمی دسترسی آزاد ایران

نقشه‌های ژئومورفولوژی ابزارهای مهمی در ارزیابی فرآیندهای ژئومورفولوژیکی، هیدرولوژیکی، و مدیریت منابع طبیعی هستند. روش‌های سنتی نقشه‌برداری لندفرم‌ها، که شامل مشاهدات میدانی و تصاویر هوایی می‌شود، به دلیل زمان‌بر بودن و هزینه‌های بالای اجرایی محدودیت‌هایی دارند. در این پژوهش، از الگوریتم یادگیری ماشین جنگل تصادفی برای تولید نقشه‌های لندفرم در منطقه بیابانی ده نمک و آرادان استفاده شد. برای این منظور، از داده‌های ماهواره‌ای سنتینل 2آ سال 2023و شاخص‌های مورفومتری شامل رطوبت توپوگرافیک، انحنا کلی و ناهمواری زمین به همراه مدل رقومی ارتفاع 10 متر استفاده گردید. در این مطالعه، دو مدل شامل مدل اپتیک استفاده از داده‌های سنتینل 2آ به‌تنهایی و مدل اپتیک-مورفومتریک ترکیب داده‌های سنتینل 2آ با شاخص‌های مورفومتری برای طبقه‌بندی لندفرم‌ها بررسی شد. نتایج نشان داد که مدل ترکیبی دقت بالاتری در شبیه‌سازی مرزهای لندفرم‌ها و شناسایی لندفرم‌های با تغییرات شدید ارتفاعی مانند تپه ماهور، کوهستان با دامنه منظم و هوگ بک ارائه داد. همچنین، مدل ترکیبی توانست مناطق دشتی و کوهستانی را به‌طور مؤثری از یکدیگر تفکیک کند. علاوه براین، استفاده از شاخص‌های مورفومتری به‌طور چشمگیری دقت طبقه‌بندی لندفرم‌ها را افزایش داده است. به‌طوری‌که با افزایش دقت کلی از ۷۸ درصد به ۸۵ درصد و ارتقاء شاخص کاپا از 74/0 به 82/0، توانست تفکیک دقیق‌تری از واحدهای لندفرمی ارائه دهد. این روش می‌تواند زمان و هزینه‌های نقشه‌برداری لندفرم‌ها را به‌طور قابل‌توجهی کاهش دهد و دقت نقشه‌های ژئومورفولوژیکی را بهبود بخشد. نتایج این پژوهش به‌ویژه در زمینه‌های مدیریت منابع آب، پایش تغییرات محیطی و برنامه‌ریزی کاربری اراضی کاربرد دارد و پیشنهاد می‌شود که در مطالعات آتی از ترکیب داده‌های مورفومتری و ماهواره‌ای برای بهبود تفکیک لندفرم‌ها استفاده شود.