طبقه بندی لندفرم ها با استفاده از شبکه های عصبی خودسازماندهSelf-organization map(مطالعه موردی: حوضه آبخیز گاوخونی)

امروزه شناسایی لندفرم ها و طبقه بندی زمین مبتنی بر روش کارشناسی می باشد که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود که روشی وقت گیر و دارای دقت کمی می باشد. از این رو استفاده از روش های نیمه اتوماتیک و اتوماتیک به منظور طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار، ضروری به نظر می رسد. این پژوهش سعی دارد که به طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های عصبی خودسازمانده (SOM)در حوضه آبخیز گاوخونی بپردازد. پژوهش از نوع تحلیل و توصیفی مبتنی بر روش های آماری، نرم افزار و میدانی است بدین صورت که که به منظور استفاده از الگوریتم SOMبرای طبقه بندی لندفرم ها از 6 پارامتر استفاده شد که شامل جهت (aspect)، ارتفاع (elevation)، شیب (slope)، پروفیل طولی و عرضی (plan ، profile) و انحنا (curvature) می باشد. برای این منظور ابتدا با استفاده از شاخص موقعیت توپوگرافی (TPI)، لندفرم های منطقه مورد مطالعه طبقه بندی شدند که از کلاس های لندفرم حاصل از TPIبه منظور آموزش مدل SOMاستفاده شد. در مرحله بعد از 50 نقطه به عنوان نمونه برای آموزش شبکه استفاده گردید. نتایج حاصل از طبقه بندی لندفرم ها با استفاده از الگوریتم SOMنشان داد که 6 خوشه (کلاس) در محدوده مورد مطالعه وجود دارد، به طوریکه خوشه 1 و 5 شامل لندفرم هایی است که در ارتفاعات زیاد قرار دارند و خوشه 3 شامل لندفرم هایی است که در کمترین ارتفاع واقع شده اند. بقیه خوشه ها شامل لندفرم هایی هستند که در ارتفاعات متوسط در حوضه آبخیز مورد مطالعه قرار دارند. بنابراین از الگوریتم فوق می توان به منظور پیش بینی لندفرم های منطقه مورد مطالعه استفاده کرد.