ارزیابی تطبیقی الگوریتم های یادگیری ماشین و یادگیری عمیق در استخراج لندفرم های مناطق بیابانی، مطالعه موردی: جنوب خاوری گرمسار

نقشه های ژئومورفولوژی ابزارهای اساسی در تحلیل فرآیندهای ژئومورفولوژیکی، هیدرولوژیکی و مدیریت منابع طبیعی به شمار می آیند. روش های سنتی تهیه این نقشه ها که بر مشاهدات میدانی و تفسیر بصری تصاویر هوایی متکی هستند، به دلیل زمان بر بودن و هزینه های بالا با محدودیت روبه رو می شوند. 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. داده های ورودی شامل تصاویر سنتینل-۲ آ سال ۲۰۲۴، مدل رقومی ارتفاع ۱۰ متری و شاخص های مورفومتری همچون رطوبت توپوگرافی، انحنای کلی، زبری و شاخص رطوبت نرمال شده بود. نتایج نشان داد الگوریتم جنگل تصادفی در تفکیک لندفرم هایی با ویژگی های مورفومتریک بارز، به ویژه مخروط افکنه های جوان و قدیمی، عملکرد قابل توجهی دارد. در مقابل، U-Net در شناسایی لندفرم هایی با بافت پیچیده و مرزهای نامنظم مانند تپه ماهورها، دشت های 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 تفکیک پذیری بیشتری بازسازی نمود. دقت کلی و ضریب کاپای جنگل تصادفی به ترتیب ۸۹ درصد و ۸۶/۰ بود؛ درحالی که U-Net دقت کلی ۹۴ درصد و ضریب کاپای ۹۲/۰ را نشان داد. به طورکلی، نتایج نشان می دهد به کارگیری تلفیقی الگوریتم های یادگیری ماشین و یادگیری عمیق، در ترکیب با داده های سنجش ازدور و شاخص های مورفومتری، قابلیت بالایی در استخراج دقیق لندفرم ها به ویژه در محیط های بیابانی با ناهمگنی فضایی و مرزهای پیچیده دارد. این رویکرد می تواند به عنوان چارچوبی کارآمد و قابل تعمیم برای نقشه برداری ژئومورفولوژی، پایش تغییرات محیطی و پشتیبانی از تصمیم گیری در مدیریت پایدار سرزمین مورداستفاده قرار گیرد.

کلیدواژه ها:

جنگل تصادفی ، گرمسار ، مورفومتری ، نقشه ژئومورفولوژی ، U-Net