فهرست نشریات علمی دسترسی آزاد ایران

اشکال متفاوت از تپه‌های ماسه‌ای حدود 20 درصد از سطح بیابان­های جهان را پوشانده، که زمین ریخت‌شناسی آن­ها همواره از دیدگاه­های مختلف مورد توجه بوده است. روش­های سنتی نقشه­برداری زمین ریخت‌شناسیک کیفی و یا بر پایه­ی عملیات­های میدانی، به دلیل شرایط خاص و دشوار حاکم بر بیابان­ها بسیار زمان­بر و پرهزینه است. به ویژه زمانی که منطقه‌ای منحصر به فرد نظیر دشت لوت شامل تپه‌های بزرگ ماسه‌ای در مقیاسی بزرگ تحت بررسی قرار گیرد، روش­های سنتی به دلیل عدم امکان بازدید صحرایی و دسترسی به منطقه دارای دقت مطلوبی نخواهد بود. در این مطالعه تپه‌های عظیم ماسه‌ای بخش شرقی دشت لوت با پستی و بلندی  ویژه، به وسیله­ی یکی از روش­های شبکه‌های عصبی مصنوعی تحت عنوان الگوریتم خودسازمانده مطالعه گردید. در این مطالعه ابتدا 22 پارامتر مورفومتریک نمای اول، نمای دوم و نمای سوم از آخرین نسخه­ی داده‌های رقومی ‌ارتفاعی رادارSRTM/X  با گرید سایز 1 قوس ثانیه (بزرگنمایی معادل 30 متر) بر اساس برنامه­نویسی و با کمک برازش یک سطح درجه دوم و درجه سوم محاسبه گردید. سپس پارامترهای مؤثر در طبقه‌بندی و تعداد کلاس­های متناسب منطقه بر اساس ضرایب کمی ‌OIF و DBI تعیین گردید. پارامترهای بهینه­ی مورفومتریک همراه با باندهای سنجنده­ی ETM+ به تاریخ 2001 جهت طبقه‌بندی با الگوریتم شبکه­ی خودسازمان­ده مورد استفاده قرار گرفت و نتایج با استفاده از اطلاعات موجود و نقشه‌های پستی و بلندی  مقایسه گردید. نتایج حاصل نشان داد که شبکه­ی خودسازمان­ده به عنوان یک الگوریتم نظارت نشده­ی شبکه‌های عصبی مصنوعی در تلفیق پارامترهای مورفومتریک و داده‌های ماهواره­ی لندست برای تحلیل لندفرم­های بیابان با مقیاس­ها و توان­های تفکیک متفاوت بسیار کارآمد می‌باشد.