پهنه بندي كمي زمينديسهاي بزرگ محيط بياباني با استفاده از شبكه هاي عصبي مصنوعي (مقايسه كويرهاي لوت ايران و كايدام چين)

Analysis of Mega-landforms in Desert Environment Using Artificial Neural Network (Iran’s Lut and China’s Qaidam Deserts)

ياردانگها و تپه‌هاي ماسه‌اي مناطق فراخشك يكي از جالب‌ترين زمينديسها (لندفرمها) مناطق بياباني هستند. ارايه يك روش مطلوب جهت شناخت و پهنه‌بندي كمي زمين ريخت شناسي اين زمين ديسها با توجه به عدم امكان بازديدهاي ميداني و دسترسي از اهداف اين مقاله مي باشد. در اين مطالعه داده هاي رادارSRTM/C با قدرت تفكيك زميني معادل 90 متر كه در سال 2003 توسط وزارت ملي فضا و هوانوردي آمريكا(NASA) ارايه شد، استفاده گرديد. زمينديسهاي بزرگي نظير ياردانگها و تپه‌هاي ماسه‌اي دشت لوت ايران و كايدام چين ، به وسيله يكي از روشهاي شبكه‌هاي عصبي مصنوعي تحت عنوان الگوريتم خودسازمانده مطالعه ، طبقه‌بندي و مورد مقايسه قرار گرفتند. نتايج اين تحقيق نشان داد كه منطقه ياردانگهاي كايدام چين نسبت به منطقه لوت ايران داراي پيچيدگيهاي بيشتري در قسمت تيغه‌هاي ياردانگي است در حاليكه ياردانگهاي منطقه لوت كلاسهاي يكنواخت تري دارا مي باشد. جزييات پيچيده ياردانگهاي والي شكل كايدام نسبت به يارانگهاي دوكي لوت باعث شده كه در اين منطقه جزييات ديگري از پارامترهاي ورودي مثلا جهت شيب در تقسيم‌بندي نهايي موثر واقع شود. بلوغ تپه‌هاي ماسه‌اي در ارگ لوت به دليل منبع زياد ماسه و بادهاي چند جهته آن باعث شده تا درصد كلاسهايي همچون شانه و دماغه شيب در آن بيشتر باشد. نقشه‌هاي مورفومتريك نهايي تپه‌هاي ماسه‌اي در دو منطقه عليرغم تشابه زيادي كه در اجزاي هر كلاس، تعداد و ويژگي‌هاي كلاس‌ها دارد ولي روند تكاملي ارگ در منطقه لوت به خوبي قابل تشخيص است. حال آنكه در منطقه كايدام به علت منبع كمترماسه و يك جهته شدن بادها بلوغ و تغيير محسوسي از ابتدا تا انتهاي ارگ ديده نمي‌شود. بطور كلي نتايج نشان داد كه شبكه خودسازمانده به عنوان يك الگوريتم نظارت نشده شبكه هاي عصبي مصنوعي در تلفيق پارامترهاي مورفومتريك براي آناليز نيمه اتوماتيك زمين ديسهاي محيطهاي بياباني و تحقيق در علل تفاوت آنها بسيار كارآمد مي‌باشد.

Yardangs and ergs (sand dune fields) are exclusive aeolian-fluvial landforms in desert regions. This paper presents a new approach using Self Organizing Map (SOM) as an unsupervised algorithm of artificial neural networks for analysis and characterization and finally comparison of yardangs and ergs in Iran’s Lut and China’s Qaidam deserts. The input Data is 90m SRTM DEM from NASA. Results show that yardangs in Qaidam desert of china with 8 segmented classes have more complexities compare with yardangs of Lut desert, but Lut area has more uniform distributed Classes. Also the complex details of wale shape yardangs in Qaidam in compare with hogback yardangs in Lut lead the impact of other parameter’s details like slope direction in final classification. Results show sand dunes maturity in Lut’s erg is related to high sand source and multi-direction wind. Although there is more similarity in sand dune regions of these deserts, but coverage percentages of some classes like shoulder and Nose slope in two areas is related to wind direction, bed topography and sand source of region.