میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,130
تعداد مقالات76,717
تعداد مشاهده مقاله153,842,867
تعداد دریافت فایل اصل مقاله115,847,159
رضایی عارفی, مرتضی, جعفر بگلو, منصور, مقیمی, ابراهیم, حسینی, سید موسی, فخری, مجید. (1404). شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران. , 57(3), 87-100. doi: 10.22059/jphgr.2026.385416.1007851
مرتضی رضایی عارفی; منصور جعفر بگلو; ابراهیم مقیمی; سید موسی حسینی; مجید فخری. "شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران". , 57, 3, 1404, 87-100. doi: 10.22059/jphgr.2026.385416.1007851
رضایی عارفی, مرتضی, جعفر بگلو, منصور, مقیمی, ابراهیم, حسینی, سید موسی, فخری, مجید. (1404). 'شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران', , 57(3), pp. 87-100. doi: 10.22059/jphgr.2026.385416.1007851
رضایی عارفی, مرتضی, جعفر بگلو, منصور, مقیمی, ابراهیم, حسینی, سید موسی, فخری, مجید. شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران. , 1404; 57(3): 87-100. doi: 10.22059/jphgr.2026.385416.1007851

شناسایی و تحلیل گسیختگی اشکال سطحی زمین بر اساس روش یادگیری ماشین مطالعه موردی: کپه داغ ایران

پژوهش های جغرافیای طبیعی
دوره 57، شماره 3، آبان 1404، صفحه 87-100    اصل مقاله (1.56 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2026.385416.1007851
نویسندگان
مرتضی رضایی عارفی1؛ منصور جعفر بگلو* 1؛ ابراهیم مقیمی1؛ سید موسی حسینی1؛ مجید فخری2
1گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2سازمان جغرافیایی نیروهای مسلح، تهران، ایران
چکیده
این پژوهش به بررسی الگوهای گسیختگی سطحی در منطقه تکتونیکی فعال کپه‌داغ در امتداد مرز ایران و ترکمنستان می‌پردازد و با بهره‌گیری از الگوریتم‌های پیشرفته یادگیری ماشینی، دقت تحلیل‌های ژئومورفومتری را برای مدیریت بهینه منابع آب و برنامه‌ریزی کاربری پایدار زمین ارتقا می‌بخشد. روش مورداستفاده در این تحقیق با تلفیق مدل‌های رقومی ارتفاعی (DEM) با تفکیک مکانی بالا، ابزارهای تحلیلی پایتون و روش‌های آماری پیشرفته، ویژگی‌های کلیدی زمین‌چهر مانند شیب، جهت و خطواره‌ها را استخراج کرده است. الگوریتم‌های یادگیری ماشینی شامل جنگل تصادفی و رگرسیون چند متغیره برای مدل‌سازی الگوهای گسیختگی سطحی به کار گرفته شدند که به ترتیب دقت‌هایی معادل ۸۵٪ و ۷۸٪ را ارائه کردند. نتایج نشان داد، گسیختگی‌های سطحی عمدتاً در مناطقی با تراکم بالای خطواره‌ها رخ‌داده است که 51/49% از سطح منطقه را در برمی‌گیرند و تحت تأثیر عواملی مانند شیب، تراکم شکستگی و الگوهای جریان آب سطحی شکل‌گرفته‌اند. مدل جنگل تصادفی، شیب و تراکم شکستگی را به‌عنوان مهم‌ترین متغیرهای پیش‌بینی کننده شناسایی کرد که مؤید کارایی ترکیب روش‌های نوین یادگیری ماشینی با تحلیل‌های کلاسیک ژئومورفومتری است. این تحقیق چارچوبی نوآورانه برای شناخت پویایی‌های آب‌های سطحی در مناطق تکتونیکی فراهم می‌آورد و روش کاربردی ارزشمندی را در اختیار مدیران منابع آب و برنامه‌ریزان کاربری زمین قرار می‌دهد. یافته‌ها همچنین در گسترش مرزهای دانش در زمینه تشخیص و پایش فرایندهای ژئومورفولوژیکی و تکتونیکی در محیط‌های کوهستانی نیمه‌خشک نقش بسزایی ایفا می‌کنند و به تدوین راهبردهای پایدار در مدیریت منابع آب یاری می‌رسانند.
کلیدواژه‌ها
تحلیل گسیختگی؛ تکتونیک فعال؛ کپه داغ؛ یادگیری ماشین؛ مدیریت منابع آب
مراجع
  1. مقیمی، ابراهیم. (1398). ژئومورفولوژی ایران. انتشارات دانشگاه تهران.
  2. Arabameri, A., Saha, S., Roy, J., Tiefenbacher, J. P., Cerda, A., Biggs, T., ... & Lee, S. (2020). A novel ensemble computational intelligence approach for the spatial prediction of land subsidence susceptibility. Science of The Total Environment, 726, Article 138595. https://doi.org/10.1016/j.scitotenv.2020.138595
  3. Barnes, R. (2016). RichDEM: High-performance terrain analysis. Zenodo. https://doi.org/10.5281/zenodo.592498
  4. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
  5. Bui, D. T., Tsangaratos, P., Nguyen, V. T., Van Liem, N., & Trinh, P. T. (2019). Comparing the prediction performance of a deep learning neural network model with conventional machine learning models in landslide susceptibility assessment. Catena, 188, Article 104426. https://doi.org/10.1016/j.catena.2019.104426
  6. Burbank, D. W., & Anderson, R. S. (2011). Tectonic geomorphology. John Wiley & Sons.
  7. Farr, T. G., Rosen, P. A., Caro, E., Crippen, R., Duren, R., Hensley, S., ... & Alsdorf, D. (2007). The Shuttle Radar Topography Mission. Reviews of Geophysics, 45(2), Article RG2004. https://doi.org/10.1029/2005RG000183
  8. Guzzetti, F., Carrara, A., Cardinali, M., & Reichenbach, P. (2012). Landslide hazard evaluation: A review of current techniques and their application in a multi-scale study, Central Italy. Geomorphology, 31(1–2), 181–216. https://doi.org/10.1016/S0169-555X(99)00078-1
  9. McCalpin, J. P. (2009). Paleoseismology (2nd ed.). Academic Press.
  10. Moghimi, E. (2019). Geomorphology of Iran. University of Tehran Press. [in persian]
  11. Mukherjee, S., Joshi, P. K., Mukherjee, S., Ghosh, A., Garg, R. D., & Mukhopadhyay, A. (2013). Evaluation of vertical accuracy of open source Digital Elevation Model (DEM). International Journal of Applied Earth Observation and Geoinformation, 21, 205–217. https://doi.org/10.1016/j.jag.2012.09.004
  12. Pourghasemi, H. R., & Rahmati, O. (2018). Prediction of the landslide susceptibility: Which algorithm, which precision? Catena, 162, 177–192. https://doi.org/10.1016/j.catena.2017.11.022
  13. Pradhan, B., & Lee, S. (2010). Landslide susceptibility mapping using an artificial neural network model: A case study in Malaysia. Geomatics, Natural Hazards and Risk, 1(3), 221–238. https://doi.org/10.1080/19475705.2010.513985
  14. Reichenbach, P., Rossi, M., Malamud, B. D., Mihir, M., & Guzzetti, F. (2018). A review of statistically-based landslide susceptibility models. Earth-Science Reviews, 180, 60–91. https://doi.org/10.1016/j.earscirev.2018.03.001
  15. Varnes, D. J. (1978). Slope movement types and processes. In R. L. Schuster & R. J. Krizek (Eds.), Landslides: Analysis and control (pp. 11–33). National Academy of Sciences.
  16. Yeats, R. S., Sieh, K., & Allen, C. R. (1997). The geology of earthquakes. Oxford University Press.
  17. Zhou, C., Yin, K., Cao, Y., Ahmed, B., Li, Y., Catani, F., & Pourghasemi, H. R. (2019). Landslide susceptibility modeling applying machine learning methods: A case study from Longju in the Three Gorges Reservoir area, China. Computers & Geosciences, 112, 23–37. https://doi.org/10.1016/j.cageo.2017.11.019
آمار
تعداد مشاهده مقاله: 105
تعداد دریافت فایل اصل مقاله: 119





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب