میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,140
تعداد مقالات76,850
تعداد مشاهده مقاله154,529,048
تعداد دریافت فایل اصل مقاله116,571,255
عمادالدین, فاطمه, احمدآبادی, علی, قنواتی, عزت اله. (1405). ارزیابی تطبیقی الگوریتم‌های یادگیری ماشین و یادگیری عمیق در استخراج لندفرم‌های مناطق بیابانی، مطالعه موردی: جنوب خاوری گرمسار. , 58(1), 81-100. doi: 10.22059/jphgr.2026.406619.1007910
فاطمه عمادالدین; علی احمدآبادی; عزت اله قنواتی. "ارزیابی تطبیقی الگوریتم‌های یادگیری ماشین و یادگیری عمیق در استخراج لندفرم‌های مناطق بیابانی، مطالعه موردی: جنوب خاوری گرمسار". , 58, 1, 1405, 81-100. doi: 10.22059/jphgr.2026.406619.1007910
عمادالدین, فاطمه, احمدآبادی, علی, قنواتی, عزت اله. (1405). 'ارزیابی تطبیقی الگوریتم‌های یادگیری ماشین و یادگیری عمیق در استخراج لندفرم‌های مناطق بیابانی، مطالعه موردی: جنوب خاوری گرمسار', , 58(1), pp. 81-100. doi: 10.22059/jphgr.2026.406619.1007910
عمادالدین, فاطمه, احمدآبادی, علی, قنواتی, عزت اله. ارزیابی تطبیقی الگوریتم‌های یادگیری ماشین و یادگیری عمیق در استخراج لندفرم‌های مناطق بیابانی، مطالعه موردی: جنوب خاوری گرمسار. , 1405; 58(1): 81-100. doi: 10.22059/jphgr.2026.406619.1007910

ارزیابی تطبیقی الگوریتم‌های یادگیری ماشین و یادگیری عمیق در استخراج لندفرم‌های مناطق بیابانی، مطالعه موردی: جنوب خاوری گرمسار

پژوهش های جغرافیای طبیعی
دوره 58، شماره 1، فروردین 1405، صفحه 81-100    اصل مقاله (1.86 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2026.406619.1007910
نویسندگان
فاطمه عمادالدین؛ علی احمدآبادی* ؛ عزت اله قنواتی
گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه خوارزمی، تهران، ایران
چکیده
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.
کلیدواژه‌ها
جنگل تصادفی؛ گرمسار؛ مورفومتری؛ نقشه ژئومورفولوژی؛ U_Net
مراجع
  1. احمدآبادی، علی؛ کرم، امیر؛ صفاری، امیر و یزدان پناه، مهدی. (1399). برآورد جابجایی مسطحاتی و ارتفاعی تپه‌های ماسه‌ای ریگ اردستان با استفاده از تداخل سنجی راداری و شاخص‌های طیفی. پژوهش‌های ژئومورفولوژی کمّی، 8(4)، 1-17 doi:  10.22034/gmpj.2020.106407.
  2. بابلی، حمید و نگهبان، سعید. (1400). بررسی ویژگی‌های فرمی سطح زمین بر اساس شاخص‌های مورفومتری و با استفاده از GIS مطالعه موردی: حوضه آبخیز فهلیان. جغرافیا، 19(68)، 117-102 doi: 20.1001.1.27172996.1400.19.1.7.9.
  3. پاکنژاد، فریبا؛ احمدآبادی، علی؛ قنواتی، عزت اله و زحمتکش، حسن. (1402). پهنه‌بندی مناطق مستعد دارای جریان‌های واریزه‌ای با استفاده از الگوریتم‌های یادگیری ماشین (مطالعه موردی: حوضه تنگراه استان گلستان). پژوهش‌های فرسایش محیطی، ۱۳ (۱)، 28-1.
  4. حجاریان، احمد. (1403). کاربرد الگوریتم‌های طبقه‌بندی در پهنه‌بندی خطر فرسایش بادی استان اصفهان. پژوهش‌های جغرافیای طبیعی، 56(3)، 75-59. doi: 10.22059/jphgr.2024.382042.1007839.
  5. ذاکری‌نژاد، رضا؛ جعفری، غلامحسن و رضاپوریان قهفرخی، الهه. (1404). ارزیابی روند بیابان‌زایی با استفاده از شاخص‌های پوشش گیاهی و تغییرات آلبدو در دوره زمانی 2000-2023، مطالعه موردی: حوضه آبریز مند در جنوب غرب ایران. پژوهش‌های جغرافیای طبیعی، 57(2)، 76-57. doi:  10.22059/jphgr.2025.391710.1007876
  6. سازمان جغرافیایی نیروهای مسلح. (1397). نقشه ژئومورفولوژی ایران در مقیاس 1:500000، شیت تهران.
  7. شایان، سیاوش؛ احمدآبادی، علی؛ یمانی، مجتبی؛ فرج‌زاده اصل، منوچهر و کبیر، احسان‌الله. (1390). ارزیابی کارایی شاخص‌های ژئومورفومتریک به روش وود در طبقه‌بندی لندفرم‌های مناطق خشک (مطالعه موردی: منطقه مرنجاب). برنامه‌ریزی و آمایش فضا، 16(1)، 105-120.
  8. جلالی، سعیده؛ صمدی، میثم؛ صمدی قشلاقچائی، محمود و کرنژادی، آیندینگ. (1395). بررسی شاخص‌های مورفومتری در حوضه آبخیز چهل چای استان گلستان با استفاده از GIS. مهندسی نقشه‌برداری و اطلاعات مکانی، 67-74.
  9. قنواتی، عزت اله و بهشتی جاوید، ابراهیم. (1392). روش‌ها و تکنیک‌های جدید ترسیم نقشه‌های ژئومورفولوژی. تهران: انتشارات جهاد دانشگاهی واحد خوارزمی.
  10. گورابی، ابوالقاسم (1402). ژئومورفومتری کاربردی داده‌ها، روش‌ها و تکنیک‌ها. تهران: انتشارات دانشگاه تهران.
  11. گورابی، ابوالقاسم. (1404). ویژگی‌های ژئومورفومتریک تلماسه‌ها در ریگ یلان، دشت لوت: فرآیندهای بادی و تحلیل مکانی. پژوهش‌های ژئومورفولوژی کمّی، 14(2).
  12. محمدزاده، کیوان؛ حسینی، سید احمد؛ صمدی، مهدی؛ لعلی نیت، ایلیا و رحیمی، مسعود. (1400). شناسایی نیمه خودکار لندفرم ها با استفاده از پردازش فازی شیءگرای تصاویر ماهواره ای - مطالعه موردی:شهرستان ماکو. اطلاعات جغرافیایی سپهر، 30(118)، 91-77.  doi: 20.1001.1.25883860.1400.30.118.5.4
  13. مقصودی، مهران؛ نگهبان، سعید و باقری سید شکری، سجاد. (1393). تحلیل مورفومتری پیکان‌های ماسه‌ای حاصل از گونه خارشتر (Alhagi maurorum) در غرب دشت لوت (شرق شهداد). کاوش‌های جغرافیایی مناطق بیابانی، 2(3)، 20-1.
  14. یمانی، مجتبی. (1396). نقشه‌های ژئومورفولوژی روش‌ها و تکنیک‌ها. چاپ چهارم تهران: انتشارات دانشگاه تهران.
  15. Ahmadabadi,A., Karam,A., Saffari,A. & yazdan panah, M. (2020). Estimate of Flatness movement and Elevation movement of aeolians in Ardestan erg by Radar Interferometry and Spectral Indicators. Quantitative Geomorphological Research, 8 (4), 1-17. doi: 10.22034/gmpj.2020.106407. [In Persian]
  16. Baboli, hamid. & Negahban, Saeid. (2021). Investigation of Shape Properties of earth's surface Based on Morphometric indices Using GIS (Case Study: Fahliyan Basisn). GEOGRAPHY, 19 (68), 102-117. doi: 20.1001.1.27172996.1400.19.1.7.9 [In Persian]
  17. Breiman, L. & Cutler, A. (2011). Manual–setting up, using, and understanding random forests V4. 0. 2003. URL. https://www.stat.berkeley.edu/%7Ebreiman/Using_random_forests_v4.0.pdf
  18. Breiman, L., Friedman, J., Olshen, R.A., & Stone C.J. (1984). Classification and Regression Trees. New York. https://doi.org/10.1201/9781315139470
  19. Clark, A., Moorman, B., Whalen, D. & Vieira, G. (2022). Multiscale Object-Based Classification and Feature Extraction along Arctic Coasts. Remote Sensing, 14 (13), 2982. https://doi.org/10.3390/rs14132982.
  20. Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20 (1), 37–46. https://doi.org/10.1177/001316446002000104
  21. De Matos-Machado, R., Toumazet, J.-P., Bergès, J.-C., Amat, J.-P., Arnaud-Fassetta, G., Bétard, F., Bilodeau, C., P. Hupy, J. & Jacquemot, S. (2019). War landform mapping and classification on the Verdun battlefield (France) using airborne LiDAR and multivariate analysis. Earth Surface Processes and Landforms, 44(7), 1430–1448. https://doi.org/10.1002/esp.4586.
  22. Drăguţ, L., & Blaschke, T. (2006). Automated classification of landform elements using object-based image analysis. Geomorphology, 81 (3–4), 330–344.
  23. Evans, I. S. (2012). Geomorphometry and landform mapping: What is a landform? Geomorphology, 137 (1), 94–106. https://doi.org/10.1016/j.geomorph.2010.09.029.
  24. Fisher P, Wood J, Cheng T. 2004, Where is Helvellyn? Fuzziness of Multiscal Landscape Morphometry. Transactions of the Institute of British Geograhper, 29, 106-128.
  25. Fraser, S., Soto-Berelov, M., Holden, L., Webb, J. & Jones, S. (2025). Mapping Young Lava Rises (Stony Rises) Across an Entire Basalt Flow Using Remote Sensing and Machine Learning. Remote Sensing, 17 (12), 2004. https://doi.org/10.3390/rs17122004
  26. Geographical Organization of the Armed Forces. (2018). Geomorphological Map of Iran, 1:500,000, Tehran Sheet. [In Persian]
  27. Giaccone, E., Oriani, F., Tonini, M., Lambiel, C. & Mariéthoz, G. (2022). Using data-driven algorithms for semi-automated geomorphological mapping. Stochastic Environmental Research and Risk Assessmen-t, 36, 2115-2131. https://doi.org/10.1007/s00477-021-02062-5
  28. Goorabi, A. (2025). Geomorphometric Characterization of Dunes in the Rig-e-Yalan, Dasht-e-Lut: Aeolian Processes and Spatial Analysis. (e224007). Quantitative Geomorphological Research, 14 (2), e224007 doi: 10.22034/gmpj.2025.510974.1551. [In Persian]
  29. Grabs, T., Seibert, J., Bishop, K., & Laudon, H. (2009). Modeling spatial patterns of saturated areas: A comparison of the topographic wetness index and a dynamic distributed model. Hydrology, 373 (1-2), 15-23. https://doi.org/10.1016/j.jhydrol.2009.03.031
  30. Hajarian, A. (2024). The use of classification algorithms in wind erosion risk zoning in Isfahan province. Physical Geography Research, 56 (3), 59-75. doi: 10.22059/jphgr.2024.382042.1007839. [In Persian]
  31. Harris, J. & Grunsky, E.C. (2015). Predictive lithological mapping of Canada's North using Random Forest classification applied to geophysical and geochemical data. Computer & Geosciences, 80, 9-25. https://doi.org/10.1016/j.cageo.2015.03.013.
  32. Jalali, S., Samadi, M., Samadi Gheshlaghchaee, M. & Aiding Kornejadi, (2016). Investigation of Morphometric Indexes with GIS in Chel-Chay Watershed, Golestan Province, Geospatial Engineering Journal, 7(4), 67. [In Persian]
  33. Lark, R.M., Thorpe, S., Kessler, H. & Mathers, S.J. (2014) Interpretative modelling of a geological cross section from boreholes: Sources of uncertainty and their quantification. Solid Earth, 5(2), 1189–1203. https://doi.org/10.5194/se-5-1189-2014
  34. Li, Yifan., Tian, Fuyou., Zhang, Niao., Zeng,Hongwei., Ahmed, Shukri., Qin, Xinli., Liu, Yanxu., Wang, Lizhe., Fan, Runyu. & Wu, Bingfang. (2025). A 10-meter global terrace mapping using sentinel-2 imagery and topographic features with deep learning methods and cloud computing platform support. Applied Earth Observation and Geoinformation, 139. https://doi.org/10.1016/j.jag.2025.104528
  35. Maghsoudi, M., Negahban, S. & Bagheri Seyed Shokri, S. (2014). Analysis of the morphometric characteristics of arrow sand dunes of Alhaji Maurorum in the west of Lut desert.  Geographical Research on Desert Areas, 2 (3), 1-20. [In Persian]
  36. Mohammadzdeh, K., Hosseini, S. A., Samadi, M., Laaliniyat, I. & Rahimi, M. (2021). Semi-automated identification of landforms using fuzzy object-based satellite image analysis - Case study: Maku County. SEPEHR, 30 (118), 77-91. doi: 10.22131/sepehr.2021.246108 [In Persian]
  37. Moore, I.D., Grayson, R.B., Ladson, A.R. (1991). Digital terrain modeling: a review of hydrological, geomorphological, and biological applications. Hydrological Processes 5 (1), 3–30. https://doi.org/10.1002/hyp.3360050103
  38. Paknejad, F., Ahmadabadi, A., Qanavati, E. & zahmatkesh, H. (2023). Zoning of Susceptible Areas with Debris Flows Using Machine Learning Algorithms (Case study of Tangarah Basin -Golestan Province). Environmental Erosion Research, 13 (1), 1-28. [In Persian]
  39. Randle, C.H., Bond, C.E., Lark, R.M. & Monaghan, A.A. (2018) Can uncertainty in geological cross-section interpretations be quantified and predicted?. Geosphere, 14(3), 1087–1100. https://doi.org/10.1130/GES01510.1
  40. Regmi, N.R., Webb, N.D.S., Walter, J.I., Heo, J., & Hayman, N.W. (2024). Mapping landforms of a hilly landscape using machine learning and high-resolution LiDAR topographic data. Applied Computing and Geoscience, 24, 100203. https://doi.org/10.1016/j.acags.2024.100203
  41. Riley, S. J., S. D. DeGloria, and R. Elliot. 1999. A terrain ruggedness index that quantifies topographic heterogeneity. Sciences, 5, 1–4.
  42. Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M. & Rigol-Sanchez, J. P. (2012). An Assessment of the Effectiveness of a Random Forest Classifier for Land-cover Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
  43. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. International Conference on Medical image computing and computer-assisted intervention, 234–241.
  44. Schmidt, J., Evans, I. S. & Brinkmann, J, 2003. Comparison of Polynomial models for land surface curvature calculation. Geographical Information Science, 17 (8), 797-814.
  45. Shayan, S., Ahmadabadi, A., Yamani, M. Farajzadeh Asl, M., & Kabir, A.A. (2012). Efficiency assessment of Wood's method indices in classification of dry landforms (Case study: Maranjab region).  Spatial Planning and Geomatics, 16 (1), 105-120. [In Persian]
  46. Shruthi, R.B., Kerle, N., Jetten, V., & Stein, A. (2014). Object-based gully system prediction from medium resolution imagery using Random Forests. Geomorphology, 216, 283-294. https://doi.org/10.1016/j.geomorph.2014.04.006.
  47. Taalab, K., Cheng, T., & Zhang, Y. (2018). Mapping landslide susceptibility and types using Random Forest. Big Earth Data, 2(2), 159-178. https://doi.org/10.1080/20964471.2018.1472392
  48. Veronesi, F. & Hurni L. (2014). Random Forest with semantic tie points for classifying landforms and creating rigorous shaded relief representations, Geomorphology, 224, 152-160, https://doi.org/10.1016/j.geomorph.2014.07.020.
  49. Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z.S., & Al-Katheeri, M.M. (2016). Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia. Landslides, 13, 839–856. https://doi.org/10.1007/s10346-015-0614-1.
  50. Zakerinejad, R., Jafari, G. H. & Rezapourian Ghahfarokhi, E. (2025). Analysis of Desertification Trends using Vegetation Idices and Albedo Coefficient over 2000-2023: A case study of Mond Basin in Southwest of Iran. Physical Geography Research, 57 (2), 57-76. doi: 10.22059/jphgr.2025.391710.1007876. [In Persian]
  51. Zhao, P., An, J., Zheng, J., Han, W., Tuerxun, N., Cui, B. & Zhao, X. (2025). Segmentation Performance and Mapping of Dunes in Multi-Source Remote Sensing Images Using Deep Learning. Land, 14 (4), 713. https://doi.org/10.3390/land14040713
  52. Zhao, Wf., Xiong, Ly., Ding, H., & Tang, G.-a. (2017). Automatic recognition of loess landforms using Random Forest method. Mountain Science, 14, 885–897. https://doi.org/10.1007/s11629-016-4320-9.
آمار
تعداد مشاهده مقاله: 153
تعداد دریافت فایل اصل مقاله: 11





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب