فهرست نشریات علمی دسترسی آزاد ایران

پایش تغییرات مورفولوژیکی رودخانه‌ها (به‌ویژه رودخانه‌های با عرض کم)، همواره با چالش‌هایی مواجه بوده است. در این مطالعه پس از تهیه تصاویر ماهواره سنتینل-2 و پیش‌پردازش تصاویر، کارایی دو روش یادگیری ماشین شامل طبقه‌بندی نظارت‌شده ماشین بردار پشتیبان (SVM) و خوشه‌بندی نظارت‌نشده K-means برای استخراج خط مرکزی رودخانه اترک داخلی در استان گلستان مورد ارزیابی قرار گرفت. شاخص‌های طیفی NDWI، MNDWI و AWEIsh به همراه باندهای طیفی برای آموزش مدل‌ها استفاده شدند. دقت مدل‌ SVM با معیارهای ضریب کاپا و IoU سنجیده شد. خط مرکزی رودخانه برای هر دو روش با کمک نرم‌افزار QGIS استخراج و دقت نتایج با معیارهای RMSE، درصد اختلاف طول و تطابق فضایی (با منطقه حائل ۱۰ متری) ارزیابی شد. در نهایت، از خط مرکزی استخراج‌ شده توسط مدل برتر برای محاسبه پارامترهای هندسی و نرخ مهاجرت قوس‌ها استفاده گردید. نتایج ارزیابی دقت، برتری روش SVM  را به‌وضوح نشان داد. برای این روش، دقت کلی، ضریب کاپا و IoU سال­های 2016 و 2021 به­ترتیب 7/96 درصد، 9333/0، 9354/0، 95 درصد، 9/0 و 9045/0 محاسبه شد. همچنین خطای RMSE روش SVM (برای سال­های 2016 و 2021 به­‌ترتیب 82/3 و 35/3  متر) به طور معناداری کمتر از روش K-means (به­‌ترتیب 11/5 و 58/4 متر) بود. تحلیل تغییرات مورفولوژیکی نشان‌دهنده نرخ مهاجرت بسیار بالا و متفاوت رودخانه اترک در قوس‌های مختلف بود، به­طوری که بیشترین نرخ مهاجرت قوس‌‌ها معادل 7/39 متر در سال محاسبه شد. همچنین الگوی غالب این تغییرات، چرخش و گسترش می‌باشد.