فهرست نشریات علمی دسترسی آزاد ایران

زمینه و هدف: منطقه دشتیاری در جنوب شرقی ایران دارای خندق‌های سطحی وسیعی است که عمدتاً کنترل نشده باقی می‌مانند و خسارت قابل توجهی به روستاها و زیرساخت‌ها وارد کرده‌اند. هدف این مطالعه توسعه روشی برای استخراج خودکار الگوهای خندق با استفاده از مدل‌های ارتفاعی دیجیتالی مشتق از پهپاد با وضوح بالا (DEMs) و ترکیبی از شاخص‌های مورفومتریک است. تمرکز بر ارزیابی اثربخشی این شاخص‌ها در بهبود تشخیص الگوی خندق است، کاری که نیازمند اطلاعات دقیق و فرآیندهای مدل‌سازی پیچیده است که معمولاً برای افراد غیرمتخصص غیرقابل دسترس است. روش بررسی: از شاخص‌های مورفومتریک ساده، از جمله شاخص عمق دره (VD)، شاخص موقعیت توپوگرافی (TPI)، شاخص باز بودن مثبت (PO)، نقشه تصویر برجستگی قرمز (RRIM)، ارتفاع، درجه شیب، و ترکیب PO-DEM استفاده شد. استخراج فرستیا آبکندی با کمک الگوهای خندق استخراج شده به طور خودکار با نمونه های حقیقت زمینی برای ارزیابی همبستگی فضایی مقایسه شد. علاوه بر این، عملکرد این شاخص‌ها با مدل‌های درخت طبقه‌بندی (CT)، یک تکنیک یادگیری ماشینی قوی، با استفاده از همان شاخص‌های مورفومتریک مقایسه شد. یافته‌ها: عملکرد تکنیک‌های استخراج الگو با استفاده از چهار معیار دقت ارزیابی شد: شاخص دقت، آمار مهارت واقعی (TSS)، کاپا کوهن، و ضریب همبستگی متیوز (MCC). نتایج نشان داد که شاخص‌های فردی مانند PO، TPI و RRIM برای تعیین قابل اعتماد الگوهای خندق کافی نیستند. با این حال، شاخص ترکیبی PO-DEM طبقه بندی بهتری از وجود و عدم وجود خندق ارائه کرد. مدل CT با در نظر گرفتن هر چهار معیار، عملکرد برتر را از نظر سازگاری و قدرت پیش‌بینی نشان داد. بحث و نتیجه گیری: یافته‌ها نشان می‌دهد که در حالی که شاخص‌های مورفومتریک منفرد کاربرد محدودی در تشخیص دقیق الگوی خندق دارند، ترکیب شاخص‌ها، به ویژه PO-DEM، قابلیت اطمینان طبقه‌بندی را افزایش می‌دهد. عملکرد برتر مدل CT بر پتانسیل تکنیک های یادگیری ماشین در تجزیه و تحلیل جغرافیایی تاکید می کند. علاوه بر این، بازده زمانی تکنیک‌های خودکار در مقایسه با ترسیم دستی، مزایای عملی ادغام تصاویر پهپاد و رویکردهای مدل‌سازی پیشرفته در نظارت و مدیریت فرسایش را برجسته می‌کند.