فهرست نشریات علمی دسترسی آزاد ایران

نقشه‌های ژئومورفولوژی ابزارهای اساسی در تحلیل فرآیندهای ژئومورفولوژیکی، هیدرولوژیکی و مدیریت منابع طبیعی به شمار می‌آیند. روش‌های سنتی تهیه این نقشه‌ها که بر مشاهدات میدانی و تفسیر بصری تصاویر هوایی متکی هستند، به دلیل زمان‌بر بودن و هزینه‌های بالا با محدودیت روبه‌رو می‌شوند. در این پژوهش، برای تهیه نقشه ژئومورفولوژی دقیق در جنوب خاوری گرمسار، از دو رویکرد یادگیری ماشین (جنگل تصادفی) و یادگیری عمیق (U-Net) استفاده شد. داده‌های ورودی شامل تصاویر سنتینل-2 آ سال 2024، مدل رقومی ارتفاع 10 متری و شاخص‌های مورفومتری همچون رطوبت توپوگرافی، انحنای کلی، زبری و شاخص رطوبت نرمال‌شده بود. نتایج نشان داد الگوریتم جنگل تصادفی در تفکیک لندفرم‌هایی با ویژگی‌های مورفومتریک بارز، به‌ویژه مخروط‌افکنه‌های جوان و قدیمی، عملکرد قابل‌توجهی دارد. در مقابل، U-Net در شناسایی لندفرم‌هایی با بافت پیچیده و مرزهای نامنظم مانند تپه‌ماهورها، دشت‌های رسی، ریگی فعال و غیرفعال، اراضی مرطوب و اراضی شور دقت بالاتری ارائه کرد. الگوریتم U-Net مرز واحدهای کوهستانی و دشتی را نیز با تفکیک‌پذیری بیشتری بازسازی نمود. دقت کلی و ضریب کاپای جنگل تصادفی به ترتیب 89 درصد و 86/0 بود؛ درحالی‌که U-Net دقت کلی 94 درصد و ضریب کاپای 92/0 را نشان داد. به‌طورکلی، نتایج نشان می‌دهد به‌کارگیری تلفیقی الگوریتم‌های یادگیری ماشین و یادگیری عمیق، در ترکیب با داده‌های سنجش‌ازدور و شاخص‌های مورفومتری، قابلیت بالایی در استخراج دقیق لندفرم‌ها به‌ویژه در محیط‌های بیابانی با ناهمگنی فضایی و مرزهای پیچیده دارد. این رویکرد می‌تواند به‌عنوان چارچوبی کارآمد و قابل‌تعمیم برای نقشه‌برداری ژئومورفولوژی، پایش تغییرات محیطی و پشتیبانی از تصمیم‌گیری در مدیریت پایدار سرزمین مورداستفاده قرار گیرد.