سال 16، شماره 1 - ( بهار 1405 )
جلد 16 شماره 1 صفحات 43-22 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Goorabi A. Morphodynamic Classification of Ergs Using Multi-Temporal Satellite Imagery and Machine Learning: A Case Study of the Rig-e Yalan, Lut Desert, Iran. E.E.R. 2026; 16 (1) :22-43
URL: http://magazine.hormozgan.ac.ir/article-1-904-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-904-fa.html
گورابی ابوالقاسم. طبقهبندی مورفودینامیک ارگها با استفاده از تصاویر ماهوارهای چندزمانه و یادگیری ماشین: مطالعه موردی ریگ یلان، بیابان لوت (ایران). پژوهش هاي فرسايش محيطي. 1405; 16 (1) :22-43
گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران ، goorabi@ut.ac.ir
چکیده: (222 مشاهده)
ریگ یلان در بیابان لوت ایران به دلیل شرایط اقلیمی فراخشک و تنوع ژئومورفولوژیکی تپههای ماسهای، یکی از بسترهای منحصر بهفرد برای مطالعه فرآیندهای مورفودینامیک بیابانی در مقیاس جهانی است. اهمیت این پژوهش در ارائه چارچوبی خودکار و مقیاسپذیر برای پایش و طبقهبندی تغییرات مورفودینامیکی با بهرهگیری از دادههای دورسنجی و الگوریتمهای یادگیری ماشین است. پژوهش حاضر با هدف طبقهبندی مورفودینامیک ارگها انجام شد. برای این منظور، تصاویر چندزمانه Sentinel-1 و Sentinel-2 طی دوره 2015 تا 2024 همراه با دادههای رقومی ارتفاع در بسترGoogle Colab و Google Earth Engine پردازش گردید و تعداد 28 شاخص شامل شاخصهای طیفی، شاخصهای بافتی و شاخصهای ژئومورفومتریک استخراج شدند. نتایج اعمال الگوریتم جنگل تصادفی با 100 درخت تصمیم و اعتبارسنجی متقاطع پنجلایه، با دقت کلی۱۴/۹۱% و ضریب کاپای 88/0، شش کلاس مورفودینامیکی شامل تلماسههای فعال، نیمهفعال، پهنههای ماسهای، سطوح سخت، مناطق با رخسارههای فرسایش بادی و پهنههای مختلط را تفکیک کرد. این نتایج با خوشهبندی K-Means و تحلیل COSI-Corr اعتبارسنجی شدند و شاخصهای نوآورانه شامل شاخص فعالیت مورفودینامیک (MAI=0.847)، امتیاز یکپارچه پویایی تپهها (IDMS=0.923) و شاخص ریسک بیابانزایی (DRI=0.756) پتانسیل بالای تحرک و آسیبپذیری این سامانه ژئومورفوکلیماتیک را تأیید کردند. روش پیشنهادی با رفع محدودیت ناشی از فقدان دادههای میدانی، ابزاری نوین برای پایش بیابانها فراهم میکند و ریگ یلان را بهعنوان آزمایشگاهی کلیدی برای پژوهشهای بینالمللی و مدیریت پایدار سرزمینهای خشک معرفی مینماید.
نوع مطالعه: پژوهشي |
موضوع مقاله:
روشهای نوین و دقیق در تهیّه نقشه فرسایش (سنجش از دور و سیستمهای اطلاعات جغرافیایی)
دریافت: 1404/5/10 | انتشار: 1405/1/27
دریافت: 1404/5/10 | انتشار: 1405/1/27
فهرست منابع
1. Ashrafzadeh, A., Ehsani, A. H., & Foroutan, M. (2017). Geomorphological analysis of sand dune systems in the Lut Desert, Iran. Journal of Arid Environments, 145, 45-53. [DOI:10.1016/j.jaridenv.2017.05.008]
2. Bagnold, R. A. (1941). The physics of blown sand and desert dunes. Methuen.
3. Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. [DOI:10.1016/j.isprsjprs.2016.01.011]
4. Blasco, J. M. D., Blasco, J., & Peralta, J. (2020). SAR data for monitoring desertification processes: A review. Remote Sensing of Environment, 238, 111-123. [DOI:10.1016/j.rse.2019.111123]
5. Blumstein, D. M., & MacManes, M. D. (2023). Physiological adaptations of desert fauna to extreme aridity: A case study from the Lut Desert. Journal of Comparative Physiology B, 193(2), 89-102. [DOI:10.1007/s00360-022-01476-3]
6. Bullard, J. E., & Livingstone, I. (2002). Interactions between aeolian and fluvial systems in dryland environments. Progress in Physical Geography, 26(3), 333-357. [DOI:10.1191/0309133302pp340ra]
7. Bullard, J. E., White, K., & Livingstone, I. (2011). Morphodynamic monitoring of desert dunes using multi-temporal satellite imagery. Earth Surface Processes and Landforms, 36(12), 1571-1581. [DOI:10.1002/esp.2180]
8. Cruz, J., Oxoli, D., & Brovelli, M. A. (2023). Machine learning for geomorphological mapping in arid environments: Challenges and opportunities. Geomorphology, 425, 108-120. [DOI:10.1016/j.geomorph.2022.108120]
9. Ehsani, A. H., & Quiel, F. (2008). Application of remote sensing for mapping sand dune morphology in the Lut Desert, Iran. International Journal of Remote Sensing, 29(17), 4907-4923. [DOI:10.1080/01431160802036547]
10. Ehsani, A. H., & Foroutan, M. (2014). Wind regime and its impact on dune morphology in the Lut Desert. Aeolian Research, 15, 231-240. [DOI:10.1016/j.aeolia.2014.07.002]
11. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. [DOI:10.1016/j.rse.2017.06.031]
12. Goorabi, A. (2023). Applied geomorphometry: Data, methods, and techniques. Tehran: University of Tehran Press.
13. Goorabi, A. (2025). Geomorphometric characterization of dunes in the Rig-e-Yalan, Dasht-e-Lut: Aeolian processes and spatial analysis. Quantitative Geomorphological Research, 14(2), 24-41.
14. Hugenholtz, C. H., Levin, N., Barchyn, T. E., & Baddock, M. C. (2012). Remote sensing and spatial analysis of aeolian sand dunes: A review. Progress in Physical Geography, 36(4), 474-500.
https://doi.org/10.1016/j.earscirev.2011.11.006 [DOI:10.1177/0309133312442977]
15. Kocurek, G., & Ewing, R. C. (2005). Aeolian dune field self-organization: Implications for the formation of simple versus complex dune-field patterns. Geomorphology, 72(1-4), 94-105. [DOI:10.1016/j.geomorph.2005.05.005]
16. Lancaster, N. (2009). Geomorphology of desert dunes. Routledge.
17. Livingstone, I., Wiggs, G. F. S., & Weaver, C. M. (2007). Geomorphology of desert sand dunes: A review of recent progress. Earth-Science Reviews, 80(3-4), 239-257.
https://doi.org/10.1016/j.earscirev.2006.09.004 [DOI:10.1016/j.earscirev.2006.10.004]
18. Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817. [DOI:10.1080/01431161.2018.1433343]
19. Milani, L., Ehsani, A. H., & Rezaei, M. (2021). Diversity of dune morphology in the Lut Desert: A geomorphometric approach. Journal of Arid Land, 13(6), 567-582. [DOI:10.1007/s40333-021-0067-4]
20. Mildrexler, D. J., Zhao, M., & Running, S. W. (2011). Satellite-based assessment of surface temperature extremes in the Lut Desert, Iran. Remote Sensing of Environment, 115(12), 3494-3503. [DOI:10.1016/j.rse.2011.08.017]
21. Miszalski, Z., Kornas, A., & Surówka, E. (2023). Halophytic vegetation adaptations in hyper-arid environments: Insights from the Lut Desert. Plant Ecology, 224(5), 401-415. [DOI:10.1007/s11258-023-01312-7]
22. Mohammadpour, M., & Eshghizadeh, M. (2021). Challenges in field validation of remote sensing models in arid regions: A case study from Iran. Journal of Applied Remote Sensing, 15(2), 024518. [DOI:10.1117/1.JRS.15.024518]
23. Necsoiu, M., Leprince, S., Hooper, D. M., Dinwiddie, C. L., McGinnis, R. N., & Walter, G. R. (2009). Monitoring migration rates of an active subarctic dune field using optical imagery. Remote Sensing of Environment, 113(12), 2441-2447. [DOI:10.1016/j.rse.2009.07.002]
24. Oxoli, D., & Brovelli, M. A. (2022). Multi-sensor data integration for geomorphological analysis in desert environments. Sensors, 22(15), 5678. [DOI:10.3390/s22155678]
25. Vermeesch, P., & Drake, N. (2008). Remotely sensed dune celerity and sand flux measurements in the world's driest deserts. Earth Surface Processes and Landforms, 33(10), 1573-1585. [DOI:10.1002/esp.1679]
26. White, K., Bullard, J. E., & Livingstone, I. (2007). Monitoring desert dune dynamics using Landsat imagery. International Journal of Remote Sensing, 28(17), 3743-3757. [DOI:10.1080/01431160601105733]
27. Zhao, M., Zhang, H., & Running, S. W. (2025). Advances in high-resolution satellite imagery for desert geomorphology: A review. Geomorphology, 448, 109-124. [DOI:10.1016/j.geomorph.2024.109124]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
