مجید حجتی

سرزمینهای کارستی آب اشامیدنی 25 درصد از جمعیت جهان را تامین می کنند. منابع اقتصادی کارست، اهمیت سرزمین های کارستی در کشاورزی و دارا بودن عوامل اقلیمی دیرینه به منظور شناسایی تحولات ژئومورفولوژی مشخص می نماید. از طرفی مطالعه کارست ها در مناطق خشک به دلیل مناطق مناسبی که برای ذخیره سفرهای آب شیرین محسوب می شوند، بسیار مهم به نظر می رسد. با توجه به اهمیت موضوع هدف از این مطالعه تعیین مناطق کارستی با استفاده از الگوریتم جدیدی به نام دمپسترشافر و مقایسه آن با روش فازی می باشد. به منظور تعیین مناطق مستعد کارست از داده های زمین شناسی، فاصله از گسل، بارندگی، ارتفاع، دما، فاصله از رودخانه، شیب در محیط GIS استفاده شد. در روش فازی بعد از تهیه نقشه فازی برای هر یک از پارامترها به روش تحلیل سلسله مراتبی وزن هر یک از لایه ها مشخص شد. نتایج حاصل از مقایسه زوجی در روش تحلیل سلسله مراتبی نشان داد که با توجه به نرخ ناسازگاری 01/0 وضعیت زمین شناسی دارای بیشترین وزن (297/0) و شیب کمترین اهمیت (وزن 045/0) در تعیین مناطق کارستی منطقه مورد مطالعه دارندنتایج حاصل از روش فازی نشان داد که نیمه جنوبی و غرب منطقه احتمال وجود مناطق کارستی بیشتر است. در حالیکه نتایج حاصل از روش دمپسترشافر نشان دادند که مناطق غرب دارای مناطق کارستی بهتری نسبت به سایر مناطق هستند. با مقایسه دو روش و مقایسه آن با میزان فاصله از جاده نشان داد که روش دمپسترشافر دارای دقت بالاتری نسبت به روش فازی می باشد. بطوریکه در روش دمپسترشافر با افزایش سطح اطمینان و کاهش ریسک پذیری احتمال وجود مناطق کارستی کاهش می یابد.

افزایش قدرت تفکیک مکانی به منظور افزایش میزان اطلاعات در مدل رقومی ارتفاع (DEM) از جمله مهمترین موضوعات در ژئومورفولوژی کمی محسوب می شود. تاکنون مدل های مختلفی به منظور افزایش قدرت تفکیک مکانی ارائه شده است که از بین مدل ها، مدل جاذبه به عنوان جدیدترین مدل، دارای دقت بسیار بالایی می باشد. این مدل برای اولین بار به منظور افزایش قدرت تفکیک مکانی بر روی تصاویر ماهواره ای استفاده شده است. در این تحقیق از مدل جاذبه برای اولین بار به منظور افزایش قدرت تفکیک مکانی DEM استفاده شد. در بررسی حاضر، از دو مدل همسایگی پیکسل های مماس (Touching) و مدل همسایگی چهارگانه (Quadrant) به منظور تخمین مقادیر زیر پیکسل ها استفاده گردید. در مدل جاذبه احتیاجی به کالیبره کردن و آموزش الگوریتم همانند الگوریتم های یادگیری ماشین نیست، این امر موجب می شود که زمان محاسبات برای اجرای الگوریتم کم شود. پس از تولید تصاویر خروجی برای زیر پیکسل ها، در مقیاس های 2، 3 و4 با همسایگی های متفاوت، بهترین مقیاس با مناسب ترین نوع همسایگی با استفاده از نقاط کنترل زمینی تعیین شد و مقادیر RMSE برای آن ها محاسبه شد. تعداد کل نقاط کنترل زمین مستخرج از عملیات نقشه برداری، 2118 نقطه بود. مقدار RMSE برای هر DEM به صورت جداگانه محاسبه شد. نتایج نشان داد که با استفاده از مدل جاذبه صحت تصاویر خروجی بهبود بخشیده شده و همچنین قدرت تفکیک مکانی آن ها نیز افزایش پیدا کرده است. بر اساس نتایج از بین مقیاس ها با همسایگی های مختلف، مقیاس 3 و مدل همسایگی چهارگانه نسبت به سایر روش ها دارای بیشترین دقت با کمترین میزان RMSE (54/5) برای DEM 30 متر و DEM  90 متر (13/9) می باشد.

از مهم ترین موضوعات در علم ژئومورفولوژی کمی افزایش قدرت تفکیک مکانی به منظور افزایش میزان اطلاعات در مدل رقومی ارتفاع (DEM) است. مدل های مختلفی به منظور افزایش قدرت تفکیک مکانی تاکنون استفاده شده اند. از بین مدل های مختلف مدل جاذبه به عنوان جدیدترین مدل، دارای دقت بسیار بالایی می باشد. در این تحقیق از مدل جاذبه برای اولین بار به منظور افزایش قدرت تفکیک مکانی DEM در جنوب شهرستان داراب (قلاتویه) استفاده شد. در این تحقیق از دو مدل همسایگی پیکسل های مماس و مدل همسایگی چهارگانه برای تخمین مقادیر زیر پیکسل ها بر روی DEM استفاده شد. هر مدل دارای پیکسل های همسایه متفاوت هستند که به کمک آن ها مقادیر جاذبه هر زیر پیکسل محاسبه می شود. پس از تولید تصاویر خروجی برای زیر پیکسل ها در مقیاس های 2، 3، 4 با همسایگی های متفاوت، بهترین مقیاس با مناسب ترین نوع همسایگی با استفاده از نقاط کنترل زمینی تعیین شد و مقادیر RMSE برای آن ها محاسبه شد. از بین مقیاس ها با همسایگی های مختلف مشخص شد که فاکتور مقیاس 3 و مدل همسایگی چهارگانه نسبت به بقیه روش ها دارای بیشترین دقت با کمترین میزان RMSE 8/07)) برای DEM 90 متر (8/09) می باشد. نتایج حاصل از بررسی میزان RMSE نشان می دهد که مدل چهارگانه نتایج بهتری نسبت به مدل مماس نشان می دهد و میانگین RMSE خروجی های این مدل کمتر از مدل همسایگی مماس است. در حالت S=2 مدل همسایگی و چهارگانه به طور استثنا نتایج یکسانی ارائه می کنند که موجب می شود RMSE این دو مدل در این حالت مقدار یکسانی را ارائه می کند که این مقدار همچنین کمترین مقدار مربوطه در بین سایر شاخص های مقیاس (3و4) است. درنهایت از بهترین مدل رقومی ارتفاع حاصل از مدل جاذبه، به عنوان داده ورودی برای تهیه لندفرم های منطقه موردمطالعه با استفاده از روش TPI استفاده شد. نتایج نشان داد مساحت لندفرم های قله کوه، یال های مرتفع، یال های شیب میانی، تپه های کوچک موجود در دشت، شیب های بالایی، مساها، شیب های باز، دشت و دره های u شکل در لندفرم حاصل از مدل جاذبه نسبت به DEM 90 متری افزایش یافت. درحالی که مساحت لندفرم های دره های باریک، آبراهه ها، زهکش های شیب میانی، دره های کم عمق، زهکش های مناطق مرتفع و یال های موضعی، تپه های موجود در دره کاهش یافت. با استفاده از این تحقیق مشخص شد که استفاده از مدل رقومی ارتفاع (DEM) حاصل از الگوریتم جاذبه نسبت به DEM 90 متری دارای جزئیات بیشتری می باشد و اطلاعات بیشتری را از منطقه موردمطالعه نشان می دهد.