A suitable algorithm for identifying changes in micro-landforms using UAV images. Case study: Barg-e- Jahan area in Jajrud region (2015-2016)
Subject Areas :M.H. Tavakol 1 , M. Ghahroudi 2 , H. Sadough 3 , Kh. Alinoori 4
1 -
2 -
3 -
4 -
Keywords: Deep learning algorithms, Random forest, Microlandform, SVM , RBF.,
Abstract :
One of the main and most important topics of geomorphology is the identification and evaluation of microlandform changes. Their recognition and spatial distribution in order to understand and evaluate changes, stability studies and regional planning is one of the basic needs of applied geomorphology. Barg-e- Jahan area is located in Jajroud catchment area affected by many environmental changes. In this study, based on micro-scale geomorphological approach, using UAV images along with field survey in the Barg-e- Jahan area, microlandforms changes were investigated. UAV images with a spatial resolution of 2.5 cm were obtained from the Ministry of Energy between 2015 and 2016. These images were corrected using ENVI 5.1 and Arc Map 10.3 software, and then the desired algorithms were implemented via coding in Python. Changes were investigated with machine learning algorithms and random forest models, SVM with RBF kernel, random forest with features extracted from CNN networks, and SVM with linear kernel with features extracted from deep neural networks. Results showed that the SVM-RBF model is less accurate than other models with 88% accuracy, so the separation between the classes was limited. In the random forest, 92% of the classes were distinguishable with linear boundaries. The near-ideal model in the random forest algorithm with deep learning was observed with an accuracy of 96%. Investigations showed that most of the changes in microlandforms in this model were related to the change of vegetation cover to soil by 45.03%, and in the next place, the change of sheet wash erosion by 22.05%. According to the obtained results and field observations in 2017, it was determined that the flood of 2017 in Barg-e-Jahan area has caused major changes in the area. Its greatest impact was on the vegetation and the diagram shows at the highest degree of disturbance. In this period, the surface flow and gully formation in the area increased and it shows the high level of erosion and great changes of microlandforms in the study area.
آراء، ه.، 1392. لندفرمها و طبقهبندی آن‌ها در علم ژئومورفولوژی (مطالعه موردی: حوضه آبریز جاجرود در شمال شرق تهران). فصلنامه علمی-پژوهشی اطلاعات جغرافیایی سپهر، 22 (86)، 17-22.
چورلی، ر، ج.، استانلی، ا.ش. و دیوید، ا، 1375. ژئومورفولوژي. ترجمه احمد، معتمد (جلد اول) تهران،انتشارات سمت، 168.
خدري غريب وند، ل.، قهرودي تالي، م.، سبك خيز، ف. و سپهر، ع.، 1397. بررسي روند تكاملي پهنه‌های گلي باتلاق گاوخوني با استفاده از مدل فركتال. جغرافيا و برنامه‌ریزی محيطي، 29 (2)، 113-128. 10.22108/gep.2018.98241.0.
رعیتی شوازی، م.، کرم، ا.، غفاریان مالمیری، ح، م. و سپهر، ع.، 1396. مقایسه کارایی برخی الگوریتمهای طبقهبندی در مطالعه تغییرات لندفرمهای بیابانی دشت یزد – اردکان. پژوهش‌های ژئومورفولوژی کمی، 1 (21)، 73-57.
شایان، س.، احمدآبادی، ع.، یمانی، م.، فرج زاده اصل، م. و احسان الله کبیر، م.، 1391. ارزیابی شاخصهای ژئومورفومتریک به روش وود در طبقهبندی لندفرمهای مناطق خشک (مطالعه موردی: منطقه مرنجاب). برنامه‌ریزی و آمایش فضا، 16 (1)، ۱۰۵-۱۲۰.
قهرودي تالي، م. و علي نوري، خ.، 1396. تغييرات مكاني پلاياي حوض سلطان در دوره 2016-1991، پژوهشهاي ژئومورفولوژي كمي، 20 (4)، 103-120.
قهرودي تالي، م. و علي نوري، خ.، 1393. ردیابی مخاطرات پلایای حوض سلطان با بررسی آشفتگی میکرولندفرمها.، مدیریت مخاطرات محیطی، 1 (2)، 241-252.
قهرودي تالي، م .و خدري غريب وند، ل.، 1395. رویکرد فرمشناسی در استراتژی مدیریت تالابها و پلایاها بررسی موردی: پلایای گاوخونی. فصلنامه علوم محیطی، 14 (2)،118-109.
مکرم، م. و نگهبان، س.، 1394. طبقهبندی لندفرمها با استفاده از شبکههای عصبی خود سازنده (Selforganization map). فصلنامه کواترنری ایران، 1 (3)، 225-238.
نعیمی نظام‌آباد، ع.، قهرودی تالی، م. و ثروتی، م، ر.، 1388. آشکارسازی تغییرات لندفرمهای ساحلی منطقه عسلویه. جغرافیایی سرزمین، 22 (2)، 59-65.
Baartman, J. E., Temme, A. J. and Saco, P. M., 2018. The effect of landform variation on vegetation patterning and related sediment dynamics. Earth Surface Processes and Landforms, 43(10), 2121-2135.
Bernal, I., Tavera, H., Sulla, W., Arredondo, L. and Oyola, J., 2018. Geomorphology Characterization of Ica Basin and Its Influence on the Dynamic Response of Soils for Urban Seismic Hazards in Ica, Peru, International Journal of Geophysics.43-59
Bocco, G., Mendoza, M. and Velazquez, A., 2001. Remote sensing and GIS-based regional geomorphological mapping a tool for land use planning in developing countries. Geomorphology, 39(3-4), 211-219.
Cassandra, A.P. B. and Crider, G. J., 2022. A new metric for morphologic variability using landform shape classification via supervised machine learning, Geomorphology, 399(108065), doi.org/10.1016/j.geomorph.2021.108065.
Chakrabortty, R., Pal, S. C., Santosh, M., Roy, P. and Chowdhuri, I., 2022. Gully erosion and climate induced chemical weathering for vulnerability assessment in sub-tropical environment. Geomorphology, 398,108027, doi:10.1016/j.geomorph.2021.108027.
Debnath, J., Pan, N. D., Ahmed, I. and Bhowmik, M., 2017. Channel migration and its impact on land use/land cover using RS and GIS: A study on Khowai River of Tripura, North-East India, The Egyptian Journal of Remote Sensing and Space Science, 20(2), 197-210.
James, M. and Robson, Stuart, 2012. Straightforward reconstruction of 3D surfaces and topography with a camera: Accuracy and geoscience application, Journal of Geophysical Research, 117, F03017, doi:10.1029/2011JF002289.
Laurentiis, D.L., Pomente, A., Del, F. F. and Schiavon, G., 2019. Capsule and convolutional neural network-based SAR ship classification in Sentinel-1 data, 11154, 1115405, doi:10.1117/12.2532551.
Liu, B. and Coulthard, T., 2017. In Dynamic Equilibrium: The Autogenic Landform Change in a Fluvial-Aeolian Interacting Field. In Fifth International Planetary Dunes, 1961, 3001.
Panda, P. and Narasimham, M., 2018. Dynamic Geomorphology of the Kosi Fan in Consequence to a Mega-Avulsion Aided by Space Inputs and Hydraulic Modeling, J Remote Sensing and GIS, 7, 1000238, doi: 10.4172/2469-4134.1000238.
Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H. R. and Feizizadeh, B., 2017. Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion, Geomorphology, 298, 118-137.
Salles, T., Flament, N. and Muller, D., 2017. Influence of dynamic topography on the evolution of the eastern Australian landscape since the Upper Jurassic Epoch, In EGU General Assembly Conference Abstracts, 11432.
Sawagaki, T., LAMSAL, D., Byers, A. and Watanabe, T., 2012. Changes in surface morphology and glacial lake development of Chamlang South Glacier in the eastern Nepal Himalaya since 1964, Global Environmental Research, 16, 83-94.
Spencer,T., Larissa, N.,Stuart, L.,Stephen, D.,Mark, M.,Francis, M. and Iris., M., 2017. Stormy geomorphology: an introduction to the Special Issue, Earth Surface Processes and Landforms, 42, 238–241, doi: 10.1002/esp.4065.
Simonyan, K., and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Wei, Z., Han, Y., Li, M., Yang, K., Yang, Y., Luo, Y. and Ong, S. H., 2017. A small UAV based multi-temporal image registration for dynamic agricultural terrace monitoring, Remote Sensing, 9(9), 904.
Wondzell, S. M., Cunningham, G. L. and Bachelet, D., 1996. Relationships between landforms, geomorphic processes, and plant communities on a watershed in the northern Chihuahuan Desert, Landscape Ecology, 11(6), 351-362.
الگوریتم مناسب برای شناسایی تغییرات میکرو لندفرمها با استفاده از تصاویر پهپاد
(مطالعه موردی: ناحیه برگ جهان در پهنه جاجرود 1397-1396)
محمدحسن توکل1، منیژه قهرودی تالی(2و1)، سید حسن صدق3 و خدیجه علی نوری4
1. دانشجوی دکتری ژئومورفولوژی، دانشکده علوم زمین، دانشگاه شهید بهشتی
2. استاد گروه جغرافیا طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی
3. استاد گروه جغرافیا طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی
4. پژوهشگر پسادکتری، دانشکده علوم زمین، دانشگاه شهید بهشتی
چکیده
یکی از اصلی‌ترین و مهم‌ترین مباحث ژئومورفولوژی شناسایی و ارزیابی تغییرات میکرولندفرمهاست. شناخت و نحوه پراکنش فضایی آن‌ها به‌منظور درک و ارزیابی تحولات، مطالعات پایداری و برنامه‌ریزی ناحیهای، از نیازهای اساسی علم ژئومورفولوژی کاربردی است. ناحیه برگ جهان در حوضه آبریز جاجرود متأثر از تغییرات محیطی زیادی قرار دارد. در این مطالعه، بر اساس رویکرد ژئومورفولوژیکی ریزمقیاس با استفاده از تصاویر پهپاد به همراه بررسی میدانی در برگ جهان، تحولات میکرولندفرمها بررسی شد. تصاویر پهپاد با رزولوشن مکانی 5/2 سانتیمتر در بازه زمانی 1396 تا 1397 از وزارت نیرو تهیه شد. این تصاویر با استفاده از نرمافزارهای ENVI 5.1 و10.3 Arc Map تصحیح شد و سپس با استفاده کد نویسی در Python الگوریتمهای موردنظر اجرا شد. با الگوریتمهای یادگیری ماشین و مدلهای جنگل تصادفی، SVM با کرنل RBF، جنگل تصادفی با ویژگیهای استخراجی از شبکههای CNN و SVM با کرنل خطی با ویژگیهای استخراجی از شبکههای عصبی عمیق تغییرات بررسی شد. نتایج نشان داد مدل- RBF SVM با 88درصد نسبت به مدلهای دیگر دقت کمتری دارد به‌طوری‌که تفکیک بین طبقهها محدود بود. در جنگل تصادفی با 92درصد طبقهها با مرزهای خطی تا حدی قابل‌تفکیک بودند. مدل نزدیک به ایده آل در الگوریتم جنگل تصادفی با یادگیری عمیق به میزان دقت 96درصد مشاهده شد. بررسیها نشان داد بیشترین تغییرات میکرولندفرمها در این مدل، مربوط به تغییر پوشش گیاهی به خاک به میزان 03/45 و در رتبه بعدی تغییر آبکند به فرسایش ورقه‌ای به میزان 05/22 بود. با توجه به نتایج به‌دست‌آمده و مشاهدات میدانی در سال 1397 مشخص شد، سیل سال 1397 در ناحیه برگ جهان سبب تغییرات عمده‌ای در ناحیه شده است. بیشترین تأثیر آن بر روی پوشش گیاهی بوده است و نمودار، آن را در بالاترین حد آشفتگی نشان میدهد. در این بازه جریان سطحی وخندق در ناحیه بیشتر شده و میزان بالای فرسایش و تغییرات بسیار زیاد میکرولندفرمها در پهنه مطالعاتی را نشان میدهد.
واژههای کلیدی: الگوریتم یادگیری عمیق، جنگل تصادفی، میکرولندفرم، SVM ،RBF
A suitable algorithm for identifying changes in micro-landforms using UAV images
Case study: Bargh Jahan area in Jajrud region 1397-1396))
Tavakol, M. H., Ghahroudi, M., Sadough, H. and Alinoori, Kh.
1. PhD. student in Geomorphology, Faculty of Earth Sciences, Shahid Beheshti University
2. Professor, Department of Natural Geography Faculty of Earth Sciences, Shahid Beheshti University
3. Professor, Department of Natural Geography, Faculty of Earth Sciences, Shahid Beheshti University
4. Postdoctoral Researcher, Faculty of Earth Sciences, Shahid Beheshti University
Abstract
One of the main and most important topics of geomorphology is the identification and evaluation of microlandform changes. Knowing and their spatial distribution in order to understand and evaluate changes, stability studies and regional planning is one of the basic needs of applied geomorphology. Bargh Jahan area is located in Jajroud catchment area affected by many environmental changes. In this study, based on micro-scale geomorphological approach, using UAV images along with field survey in the world, microlandforms changes were investigated. UAV images with a spatial resolution of 2.5 cm were obtained from the Ministry of Energy between 1396 and 1397. These images were corrected using ENVI 5.1 and 10.3 Arc Map software, and then the desired algorithms were implemented using coding in Python. Changes were investigated with machine learning algorithms and random forest models, SVM with RBF kernel, random forest with features extracted from CNN networks, and SVM with linear kernel with features extracted from deep neural networks. The results showed that the SVM-RBF model is less accurate than other models with 88%, so the separation between the classes was limited. In the random forest, 92% of the classes were distinguishable with linear boundaries. The near-ideal model in the random forest algorithm with deep learning was observed with an accuracy of 96% Investigations showed that the most changes of microlandforms in this model were related to the change of vegetation cover to soil by 45.03, and in the next place, the change of sheet wash erosion by 22.05. According to the obtained results and field observations in 2017, it was determined that the flood of 2017 in Bargh Jahan area has caused major changes in the area. Its greatest impact has been on the vegetation and the diagram shows it at the highest degree of disturbance. In this period, the surface flow and ditch in the area increased and it shows the high level of erosion and the great changes of microlandforms in the study area.
Keywords: Algorithms and random forest, Microlandform, SVM ،RBF
مقدمه
طبقهبندی شکل زمین یکی از مهم‌ترین روش‌ها در نقشه‌برداری ژئومورفولوژیکی و درک بیشتر فرآیندهای سطح زمین است (Bocco et al., 2001). تحولات دینامیکی در دوره‌های مختلف و شرایط موجود نظیر تغییر اقلیم و فعالیتهای انسانی متفاوت عمل می‌کنند و تفاوت این تحولات در دوره‌های مختلف، رفتارها و شکل لندفرمها را دستخوش دگرگونی میکند.
چورلی و همکاران (1375) در کتابهای خود تحت عنوان «ژئومورفولوژی» به اهمیت تحولات دینامیکی لندفرمها و نقش مقیاس در بررسی لندفرمها پرداخته است. از زمان گیلبرت تاکنون ارزیابی، اندازه‌گیری و رفتار سنجی این تحولات دغدغه اصلی ژئومورفولوژیستها بوده است. رابطه بین لندفرمها و فرایندهای ژئومورفیک در سال ۱۹۹۶ توسط وندزل به چاپ رسیده است (Wondzell et al., 1996). آشکارسازی تغییرات لندفرمهای ساحلی در ناحیه عسلویه توسط نعیمی و همکاران در سال 1388 با استفاده از شناسایی تغییرات2 انجام شد. ارزیابی کارایی شاخصهای ژئومورفولوژیک به روش Wood در طبقهبندی مناطق خشک انجام‌شده است (شایان و همکاران، 1391). قهرودی و علی نوری (1393، 1396) تحولات میکرولندفرمها و تغييرات مكاني پلاياي حوض سلطان را موردبررسی قراردادند. بررسی روند تكاملي پهنه‌های گلي و آشفتگي ميكرو لندفرمهای باتلاق گاوخوني با استفاده از مدل فركتال نیز در پژوهشی بررسی شد (قهرودی و خدری غریبوند، 1395؛ خدری غریبوند و همکاران، 1397). در پژوهشی طبقهبندی لندفرمها با استفاده از شبکه عصبی خود سازنده در حوضه آبخیز گاوخونی انجام‌شده است (مکرم و نگهبان، 1394). موضوع لندفرمها و طبقهبندی آن‌ها در علم ژئومورفولوژی نیز در پژوهشی دیگر موردبررسی قرار گرفت (آراء، 1392). رعیتی شوازی و همکارانش (1396) نیز کارایی الگوریتمهای طبقهبندی در مطالعات تغییرات لندفرمهای بیابانی را در دشت یزد اردکان بررسی کرده است. مهاجرت کانالهای آبی و تأثیر آن بر لندفرمهای اطراف با استفاده از GIS و سنجش‌ازدور انجام‌شده است (Debnath et al., 2017). تأثیر ژئومورفولوژی دینامیکی به تکامل چشم‌اندازهای استرالیایی در سال ۲۰۱۷ توسط Salles چاپ‌شده است. تغییرات تراسهای کشاورزی با توجه به تغییرات دینامیکی لندفرمها و تغییر اقلیم با استفاده از پهپاد توسط ووی و همکارانش در سال ۲۰۱۷ بررسی‌شده است. همچنین تحولات دینامیکی با توجه به تغییرات حوضه‌های هیدرولیکی دریکی از مناطق هند بررسی‌شده است (Panda and Narasimham, 2018). در سال ۲۰۱۸ مقاله‌ای با عنوان تأثیر تغییرات لندفرمها و الگوهای پوشش گیاهی توسط Baartman و همکاران در سال 2018 به چاپ رسیده است. تأثیر تغییرات در مورفولوژی سطح و توسعه دریاچه‌های یخچالی توسط (Sawagaki et al., 2012) بررسی‌شده است. برنال و همکارانش در سال 2018 تأثیر ژئومورفولوژیکی حوضه ایکا را بر پاسخ‌های دینامیکی شهر با استفاده از روش‌های ژئوفیزیکی بررسی کرده است.
لیو و کلتارد Coulthard, 2017) (Liu and یک مدل سلولی تپه بادی و مدل فلوویال را برای شبیه‌سازی فرایند تعامل استفاده کردند. اسپنسر و همکارانش (2017) در مقاله‌ای تحت عنوان «ژئومورفولوژی طوفانی» مقدمه‌ای بر یک بحث خاص به تغییرات گسترده اقلیم و نقش آن در سیستمهای ژئومورفولوژی و درک بهتر سیستمهای پاسخ پرداختهاند. فرسایش خندقی یک مشکل جدی برای تخریب زمین در طیف وسیعی از محیط‌ها است. برای مدل‌سازی وقوع فرسایش خندقی در کشکان رحمتی و همکاران (2017) از مقایسه عملکرد هفت مدل پیشرفته یادگیری ماشین3SVM با چهار نوع هسته BP-ANN، RF و BRT استفاده کردند. فراوانی و درجه تغییر شکل لندفرم بینش‌هایی را در مورد تکامل لندفرمهای پیچیده ارائه میدهد. And Cassandra Crider (2022) برای کمی کردن این جنبه از تنوع مورفولوژیکی لندفرم، از الگوریتم یادگیری ماشینی استفاده کرد.
باوجود پیشرفت‌های اخیر در مطالعات ژئومورفولوژیکی مناطق بدون یخ، کاربردهای یادگیری ماشینی برای تولید نقشههای لندفرم در قاره قطب جنوب کم است. تغییرات سطح زمین و تخریب به علت‌های مختلف مانند تغییرات اقلیمی و عوامل دیگر به‌صورت گسترده در حال وقوع هستند. تخریب اراضی به‌ویژه در پهنههایی با تراکم جمعیت بالا به‌طور قابل‌توجهی روی زیستگاه‌ها، کشاورزی و اقتصاد تأثیر می‌گذارد. فرسایش خندقی، یکی از چالش‌های اصلی برای تخریب زمین است (Chakrabortty et al., 2022). تشخیص تغییر توپوگرافی یک ابزار قدرتمند در ژئومورفولوژی برای ارتباط دادن فرآیندها و پراکندگی‌ها به نرخ و الگوهای فرسایش و رسوب است (James and Robson, 2012) الگوریتمهای جدید و شبکههای عصبی همگشت4CNN به یک راه‌حل جدید برای حل چندین مسئله، مانند طبقهبندی تصویر، تشخیص شی، تقسیم‌بندی معنایی و غیره تبدیل‌شده‌اند. CNN می‌تواند نمایش تصویر سلسله مراتبی را از دادههای ورودی با تفکیک موردقبول، ویژگیهای موردنظر را انجام دهد. در سالهای اخیر، این نوع شبکههای عصبی برای حل چندین مسئله از زمینههای مختلف، ازجمله سنجش‌ازدور مورداستفاده قرار گرفت و در آن مزایای بسیار خوبی با توجه به مشکلات مختلف ازجمله طبقهبندی مبتنی بر روی پیکسلها برای کاربری اراضی، تشخیص هدف مانند لندفرمها، جاده‌ها، عوارض انسانی و طبیعی و وضوح تصویر نشان داده‌اند (Laurentiis et al., 2019)
برای برنامه‌ریزی پهنه، ایجاد مدلها و الگوریتمهای مختلف، شناسایی و رفتار سنجی تغییرات دینامیکی و همراه آن تغییرات میکرولندفرمها ضروری است. در طول زمان آگاهی از تغییرات در مقیاس میکرولندفرمها به‌عنوان شاخصی برای شناسایی تغییرات با مقیاسی بزرگتر در لندفرمها بسیار مهم است. در این راستا استفاده از تصاویر پهپاد این امکان را میدهد تا با استفاده از دادههای با وضوح‌بالا، حداقل 5/2 سانتیمتر، پوشش گسترده، بازدیدهایی کوتاه‌مدت و سریع به نتایج موردنظر دست پیدا کنیم. به همین دلیل در این پژوهش سعی شده تا با استفاده از روش‌های سریع، کم‌هزینه و دادههای با دقت بالا، همچنین الگوریتمهای مناسب تغییرات میکرولندفرمها ارزیابی شود.
گستره موردمطالعه
حوضه آبریز جاجرود در شمال شرقی شهرستان تهران، بین طول 22̍ ˚۵۱ تا ۵۲̍˚۵۱ شرقی و عرض ̍۴۵˚۳۵ تا ۵۰̍˚۳۶ شمالی واقع‌شده است. حوضه کلی آبخیز جاجرود با مساحتی حدود 1890 کیلومترمربع در دامنه جنوبی سلسله جبال البرز مرکزی قرار دارد. از مساحت اشاره شده حدود ۷۱۰ کیلومترمربع در بالادست سد لتیان و 1180 کیلومترمربع در پایین‌دست سد لتیان قرار دارد. این حوضه از شمال و شمال شرقی به حوضه رودخانه لار، از شرق به حوضه رودخانه حبله رود، از شرق و جنوب شرقی به حوضه نمرود، از شمال غربی به حوزه رود کرج و از غرب به رودهای کوچک جنوب تهران و کویر نمک محدود میشود. پهنه برگ جهان در حوضه جاجرود بین لشکرک، لواسان و جاجرود کم‌وبیش در قسمت مرکزی حوضه جاجرود قرار دارد (شکل 1).
شكل 1. الف)موقعیت حوضه در کشور ایران، ب) حوضه آبریز جاجرود در استان تهران، ج)موقعیت برگ جهان در حوضه به همراه تصویر پهپاد سال ۱۳۹۷
روش مطالعه
در این پژوهش مرزهای ناحیه مطالعاتی با استفاده از نقشههای توپوگرافی 1:50000، تصاویر لندست هشت و پهپاد محدود شد. با بازدید میدانی که در پاییز 1397 از ناحیه صورت گرفت میکرولندفرمها شناسایی و با GPS موقعیت مکانی آن‌ها ثبت شد (شکل 2). سپس با استفاده از تصاویر برداشت‌شده از دو دوره زمانی سالهای 1396 و 1397 به بررسی تغییرات و طبقهبندی عوارض ناحیه برگ جهان در حوضه جاجرود پرداخته‌شده است. با نرمافزارهای ENVI 5.1، Arc GIS 10.3 و با کد نویسی در برنامه Python تصاویر پهپادی پردازش شد. وضوح مکانی این تصاویر 5/2 سانتیمتر با مقیاس 250/1، مربوط به دو دوره زمانی 1396 و 1397 از وزارت نیرو تهیه شد (شکل 3). با استفاده از تصاویر پهپاد و اجرای مدلهای جنگل تصادفی، SVM با کرنل خطی، SVM با کرنل RBF5، جنگل تصادفی با ویژگیهای استخراجی از شبکههای CNN و SVM با کرنل خطی با ویژگیهای استخراجی از شبکههای عصبی عمیق طبقهبندی میکرولندفرمها و تحولات آن‌ها استخراج شد. مدلهای مورداستفاده در پژوهش به شرح زیر است:
· مدلهای CNN، SVM، جنگل تصادفی
CNN شبکههای عصبی پیچشی6 رده‌ای از شبکههای عصبی عمیق هستند و همواره برای انجام تحلیل‌های تصویری در یادگیری ماشین استفاده میشوند. شبکههای عصبی همگشت زیر دامنه یادگیری ماشینی قرار میگیرند و یادگیری عمیق نامیده میشود. الگوریتمهای با آموزش عمیق، اطلاعات را به همان روشی که مغز انسان انجام میدهد پردازش میکند.
· ماشین‌های بردار پشتیبان
روش طبقهبندی SVM کلاس‌ها را با استفاده از مرز تصمیم‌گیری جدا میکند و حاشیه بین دو گروه را به حداکثر می‌رساند. این مرز به‌اصطلاح «بهترین ابر صفحه جداکننده» نامیده میشود. نتایج رویکرد SVM مقادیر تصمیم‌گیری هر پیکسل هستند و برای برآورد مقادیر احتمال به کار می‌روند. در این روش احتمال «درست» بر اساس احتمالات بین صفر و یک نشان داده میشوند و مجموع این مقادیر در هر پیکسل برابر با یک است. سپس طبقهبندی از طریق انتخاب حداکثر احتمال به دست می‌آید.
توابع کرنل، مانند توابع خطی، توابع چندجمله‌ای، RBF و توابع سیگموئید، به‌طور گسترده در بسیاری از مطالعات مورداستفاده قرار میگیرند. طبقهبندی کننده جنگل تصادفی شامل ترکیبی از طبقهبندی کننده‌های درخت است و در آن هر طبقهبندی کننده با استفاده از یک بردار تصادفی نمونه‌برداری شده به‌طور مستقل از بردار ورودی تولید میشود و هر درخت یک رأی واحد برای باارزشترین کلاس برای طبقهبندی بردار ورودی ایجاد میکند. طبقهبندی کننده جنگل تصادفی مورداستفاده در این مطالعه شامل ویژگیهای انتخابی تصادفی یا ترکیبی از ویژگی‌ها در هر گره برای رشد یک درخت است.
برچسب زدن، روشی برای تولید یک مجموعه داده آموزشی با رسم تصادفی است. برای مثال با جایگزینی N که در آن N اندازه مجموعه آموزشی اصلی است. برای هر ترکیب ویژگی، ویژگی انتخاب‌شده مورداستفاده قرار میگیرد. هر نمونه (پیکسل) با در نظر گرفتن باارزشترین کلاس از تمام پیشبینی کننده‌های درخت در جنگل طبقهبندی میشوند. طراحی یک درخت تصمیم‌گیری نیاز به انتخاب یک معیار انتخاب ویژگی و یک روش بازبینی دارد. رویکردهای زیادی برای انتخاب ویژگیهای مورداستفاده برای القای درخت تصمیم‌گیری وجود دارد و اکثر رویکردها یک معیار کیفیت را مستقیم به صفت اختصاص می‌دهند. در این پژوهش برای ترکیب هر ویژگی، ویژگیهای انتخاب‌شده مورداستفاده قرار گرفت؛ با توجه به باارزشترین کلاس طبقهبندی صورت گرفت.
· CNN
مدل CNN توانایی زیادی در استخراج ویژگیهای تصویر نشان داده است، استفاده از آن‌ها برای پردازش تصاویر سنجش‌ازدور به نسبت جدید است. در این مطالعه، به بررسی قابلیت CNN به‌عنوان استخراج‌کننده ویژگی برای نمایش تصاویر پهپادی پرداخته‌شده است. از ابر ستون‌هایی از پیکسلها برای انجام قطعه‌بندی و جای گزیدگی شی‌ء استفاده‌شده است، در این مطالعه نیز ایده مشابهی اعمال شده است و از نقشههای ویژگی مجموعه‌ای از لایههای همگشت به‌عنوان ویژگی برای تعیین نواحی تغییریافته استفاده میکند. با توجه به عملیات نمونه‌برداری فرعی و ادغام در CNN، هر نقشه ویژگی با استفاده از درون‌یابی دوخطی به‌اندازه یکسانی از تصاویر ورودی تغییر اندازه مییابد.
· VGG16
یک مدل شبکه عصبی همگشت است و توسط سیمونیان7 و زیسرمان8 (2014) به‌عنوان شبکههای همگشت بسیار عمیق برای تشخیص تصویر در مقیاس بزرگ پیشنهادشده است. این مدل در یک مجموعه داده با بیش از ۱۴ میلیون تصویر متعلق به ۱۰۰۰ طبقه در شبکه تصاویر9 با دقت بالای ۹۲.۷ درصد دست مییابد. این روش با جایگزین کردن فیلترهای سایز بزرگ، کرنل (به ترتیب یازده و پنج در لایه همگشت اول و دوم) با فیلترهای متعدد با اندازه کرنل ۳ ×۳ یکی پس از دیگری، منجر به بهبود تصاویر میشود. در این پژوهش با اعمال کرنل ۳ ×۳ بر روی تصاویر پهپاد پهنه برگ جهان در حوضه جاجرود کیفیت تصاویر افزایش داده شد.
· همگی متصل
لایهی دیگری که در شبکههای عصبی عمیق وجود دارد، لایهی همگی متصل10 است. این لایهها نقشههای عارضه11 دو بعدی حاصله از مرحلهی ادغام12 را به عارضههای وکتوری13 یک‌بعدی تبدیل میکند. لایههای تماماً متصل همانند همتایان خود در شبکههای عصبی مصنوعی سنتی عمل می‌کنند و کم‌وبیش ۹۰درصد پارامترهای یک شبکه CNN را شامل میشوند. یکی از مزیتهای لایه همگی متصل ارائه دادن نتیجه شبکه در قالب یک بردار با اندازه مشخص است. در این پژوهش از این بردار برای دسته‌بندی و همچنین ازآن‌جهت ادامه پردازشهای بعدی استفاده شد.
شکل 2. تصاویر میکرولندفرمها و تغییرات سطوح در بازدید میدانی (پاییز 1397)، الف( فرسایش خندقی، ب) فرسایش و برون‌زدگی سطوح سنگی، ج) جریان سطحی و تخریب پوشش گیاهی
شکل 3. مدل ارتفاعی و تصویر پهپاد پهنه برگ جهان الف) مدل ارتفاعی استخراج‌شده از تصاویر پهپاد سال 1396، ب) تصویر پهپاد سال 1396، ج) مدل ارتفاعی استخراج‌شده از تصاویر پهپاد سال 1397،د) تصویر پهپاد سال 1397
طبقهبندی میکرولندفرمها بر اساس مدل RBF SVM-
شکل (4) طبقهبندی میکرولندفرمها در بازه 1396- 1397 با استفاده از شبکه عصبی RBF را نشان میدهد. RBF یک شبکه عصبی سه لایه است و از یک‌لایه پنهان تشکیل‌شده است. در نقشه اولیه که با پایتون برنامه‌نویسی شد، سه کلاس عمده خاک، پوشش گیاهی و گالی تشخیص داده شد و طبقهبندی صورت پذیرفت. همان‌طور که شکل 4 نشان میدهد در بازه زمانی یک سال قبل و بعد از سیل سال 1397 تغییرات نسبت پوشش گیاهی به خاک در پهنه برگ جهان زیاد هستند.
شکل 4. طبقهبندی میکرولندفرمها با تصاویر پهپاد الف) طبقهبندی تصاویر بر اساس مدل اس وی‌ام اربی اف سال 1396 ب) طبقهبندی تصاویر بر اساس مدل اس وی‌ام اربی اف سال 1397
تغییرات میکرولندفرمها بر اساس مدل RBF SVM-
پس از طبقهبندی و ایجاد کلاس در نقشههای طبقه‌بندی‌شده در دو سال مختلف تغییرات میکرولندفرمها شناسایی شد. بررسیها نشان داد که 49 درصد تغییرات ایجادشده مربوط به تغییر پوشش گیاهی به خاک بوده است. در رتبه بعدی تغییرات، ایجاد جریان سطحی و فرسایش خندقی در ناحیه است (شکلهای 8 و 9). میانگین دقت این الگوریتم 88 درصد است (جدول 1).
طبقهبندی میکرولندفرمها بر اساس مدل جنگل تصادفی
جنگل تصادفی یک الگوریتم یادگیری تحت نظارت است که برای طبقهبندی و رگرسیون استفاده میشود. جنگل از درختان تشکیل‌شده است و تعداد بیشتر درختان به معنای جنگل مقاوم‌تر است. به همین ترتیب، الگوریتم جنگل تصادفی، درختان تصمیم‌گیری را روی نمونه‌های داده ایجاد میکند و سپس پیشبینی را از هر یک از آن‌ها میگیرد و درنهایت با استفاده از رأی‌گیری بهترین راه‌حل را انتخاب میکند. شکل 5، طبقهبندی میکرولندفرمها در بازه 1396- 1397 با استفاده از جنگل تصادفی را نشان میدهد. در نقشه اولیه که با پایتون برنامه‌نویسی شد سه کلاس عمده خاک پوشش گیاهی و فرسایش خندقی تشخیص داده شد و طبقهبندی صورت پذیرفت. همان‌طور که شکلهای (5) نشان میدهد تغییرات پوشش گیاهی به خاک در پهنه برگ جهان بالا است (جدول 1).
شکل 5. طبقهبندی میکرولندفرمها با تصاویر پهپاد، الف) طبقهبندی تصاویر بر اساس مدل جنگل تصادفی سال 1396، ب) طبقهبندی تصاویر بر اساس مدل جنگل تصادفی سال 1397
تغییرات میکرولندفرمها بر اساس مدل جنگل تصادفی
پس از طبقهبندی و ایجاد کلاس در نقشههای دو سال مختلف و تهیه نقشه نهایی تغییرات میکرولندفرمها در ناحیه شناسایی شد. بررسیها نشان داد که 64 درصد تغییرات با میانگین دقت 92 درصد مربوط به تغییر پوشش گیاهی به خاک در گستره مطالعاتی است (جدول 1). در رتبه بعدی تغییرات پوشش گیاهی به خاک، تبدیل خندق‌ها به جریان سطحی و ایجاد خندق قرار دارد (شکلهای 8 و 9).
طبقهبندی میکرولندفرمها بر اساس مدل SVM خطی با Deep Learning
یادگیری عمیق، دربرگیرنده شبکههای عصبی مصنوعی است و روی شبکه‌هایی مشابه با آنچه در مغز انسان وجود دارد مدل شده‌اند. با جا‌به‌جایی داده در این شبکه مصنوعی14، هر لایه یک جنبه از داده‌ها را پردازش، دورافتادگی‌ها را فیلتر، موجودیت‌های مشابه را علامت‌گذاری و خروجی نهایی را تولید میکند. شکل 6 طبقهبندی میکرولندفرمها را در بازه 1396- 1397 بر اساس مدل SVM خطی با Deep Learning نشان میدهد. در نقشه اولیه که با پایتون نوشته شد سه کلاس عمده خاک، پوشش گیاهی و گالی تشخیص داده شد و طبقهبندی صورت گرفت، همان‌طور که در شکل مشخص است در این بررسی نیز تغییرات پوشش گیاهی به خاک زیاد است.
شکل 6. طبقهبندی میکرولندفرمها بر اساس تصاویر پهپاد، الف) طبقهبندی تصاویر بر اساس مدل SVM خطی با Deep Learning سال 1396، ب) طبقهبندی تصاویر بر اساس SVM خطی با Deep Learning سال 1397
تغییرات میکرو لندفرمها بر اساس مدل SVM خطی با Deep Learning
پس از طبقهبندی و ایجاد کلاس در نقشههای دو سال مختلف، نقشه نهایی تغییرات میکرولندفرمها در گستره تهیه شد. بررسیها نشان داد که 31 درصد تغییرات ایجادشده مربوط به تغییر پوشش گیاهی به خاک است (جدول 1). میانگین دقت این الگوریتم 90 درصد است (شکلهای 8 و 9).
طبقهبندی میکرو لندفرمها بر اساس مدل جنگل تصادفی با Deep Learning
در نقشه اولیه که با پایتون نوشته شد سه کلاس عمده خاک، پوشش گیاهی و خندق تشخیص داده شد و طبقهبندی میکرولندفرمها بر اساس مدل جنگل تصادفی با Deep Learning انجام شد. همان‌طور که در شکل 7 مشاهده میشود در بازه زمانی 1396-1397 تغییرات پوشش گیاهی به خاک در گستره بالا است.
شکل 7. طبقهبندی میکرولندفرمها با تصاویر پهپاد، الف) طبقهبندی میکرو لندفرمها بر اساس مدل جنگل تصادفی با Deep Learning سال 1396، ب) طبقهبندی میکرو لندفرمها بر اساس مدل جنگل تصادفی با Deep Learning 1397
تغییرات میکرو لندفرمها بر اساس مدل جنگل تصادفی با Deep Learning
بر اساس مدلهای جنگل تصادفی با Deep Learning طبقهبندی در نقشه‌ها انجام شد و نقشه نهایی تغییرات میکرولندفرمها در ناحیه تهیه شد. بررسیها نشان داد که 45 درصد تغییرات با میانگین دقت 96 درصد در گستره مربوط به تغییر پوشش گیاهی به خاک است (جدول 1).
شکل 8. تغییرات میکرولندفرمها بر اساس مدلها، الف) مدل RBF SVM، ب) مدل جنگل تصادفی، ج) مدلهای SVM خطی با Deep Learning، د) مدلهای جنگل تصادفی با Deep Learning
شکل 9. درصد تغییرات میکرولندفرمها بر اساس مدلها، الف) مدل RBF SVM، ب) مدل جنگل تصادفی، ج) مدلهای SVM خطی با یادگیری عمیق، د) مدلهای جنگل تصادفی با یادگیری عمیق
مدل
میکرولندفرم | مدل RBF SVM | مدل جنگل تصادفی | SVM خطی با یادگیری عمیق | جنگل تصادفی با یادگیری عمیق | ||||
تعداد پیکسل | درصد | تعداد پیکسل | درصد | تعداد پیکسل | درصد | تعداد پیکسل | درصد | |
خاک به پوشش گیاهی | 46964 | 52/19 | 45820 | 44/16 | 49395 | 02/15 | 32448 | 031/13 |
خاگ به خندق | 3640 | 51/1 | 10327 | 70/3 | 19892 | ۰۵/6 | 7455 | 99/2 |
پوشش گیاهی به خندق | 15029 | 24/6 | 29240 | 49/10 | 42960 | 06/13 | 25012 | 04/10 |
پوشش گیاهی به خاک | 118515 | 27/49 | 128692 | 17/46 | 100890 | 68/30 | 112126 | 03/45 |
خندق به جریان سطحی | 44276 | 40/18 | 49626 | 80/17 | 66964 | 37/20 | 54896 | 05/22 |
خندق به پوشش گیاهی | 12112 | 035/5 | 15003 | 3831/5 | 48695 | 81/14 | 17056 | 85/6 |
کل تغییریافته‌ها | 240536 | 100 | 278708 | 100 | 328796 | 100 | 248993 | 100 |
میانگین دقت |
| 88درصد |
| 92درصد |
| 90درصد |
| 96درصد |
درصد کل تغییرات |
| 25درصد |
| 29درصد |
| 34درصد |
| 26درصد |
جدول 1. درصد تغییرات میکرولندفرمها در مدلهای RBF SVM، جنگل تصادفی، SVM خطی با یادگیری عمیق و جنگل تصادفی با یادگیری عمیق
نتیجه‌گیری
در این پژوهش برای بررسی تغییرات میکرولندفرمها و شناسایی الگوریتم مناسب در پیشبینی رفتار پیچیده آن‌ها از مدلهای RBF SVM، جنگل تصادفی، SVM خطی با یادگیری عمیق و جنگل تصادفی با یادگیری عمیق استفاده شد. برای بررسی رفتار میکرولندفرمها و تأثیر خطی و غیرخطی بودن مدلها از کرنل‌های خطی استفاده شد. نتایج به‌دست‌آمده نشان داد مدل RBF SVM با 88 درصد نسبت به مدلهای دیگر دقت کمتری دارد، به‌طوری‌که تفکیک بین طبقهها در آن محدود بود. کرنل RBF با انتقال داده‌ها به فضاهای ویژگی با ابعاد بالاتر و طبقهبندی در آن باعث خطی شدن رفتار میکرولندفرمها در فضا با ابعاد بالا شد و تفکیک بین کلاسی را در آن محدود انجام داد. در مدل جنگل تصادفی با دقت 92 درصد کلاس‌های موجود در ناحیه با مرزهای خطی تا حدی قابل‌تفکیک بودند. اطلاعات متنی قابل‌استخراج از شبکههای عصبی عمیق از پیش آموزش داده‌شده بر روی ویژگیهای استخراج‌شده از مدل جنگل تصادفی با دقت بالاتری 96 درصد تغییرات میکرولندفرمها را نشان داد. همچنین ارزیابی تحولات میکرولندفرمها در ناحیه برگ جهان از معیار دقت15 نشان داد، استفاده از ویژگیهای به‌دست‌آمده از این شبکهها در قابلیت تفکیک طبقههای مختلف در تصاویر پهپاد بسیار پرکاربرد است. به‌طوری‌که سبب ایجاد مدل نزدیک به ایدهآل در الگوریتم جنگل تصادفی با یادگیری عمیق شد. بررسیها نشان داد بیشترین تغییرات میکرولندفرمها در این مدل، مربوط به تغییر پوشش گیاهی به خاک به میزان 03/45 و در رتبه بعدی تغییر خندق به جریان سطحی به میزان 05/22 است. با توجه به نتایج به‌دست‌آمده مشخص شد که سیل در حوضه جاجرود به‌ویژه ناحیه برگ جهان در سال 1397 سبب تغییرات عمده‌ای در گستره شده است. به‌طوری‌که بیشترین تأثیر آن بر روی پوشش گیاهی ناحیه داشته و درصد بسیاری از آن را از بین برده است به‌طوری‌که نمودار، تغییرات آن را در بالاترین حد آشفتگی نشان میدهد. علاوه بر موارد ذکرشده با توجه به کاهش بارندگی، خشک‌سالی‌های اخیر و سیل؛ جریان سطحی، خندق در گستره بیشتر ایجادشده است و نشان‌دهنده میزان بالای فرسایش و تغییرات بسیار زیاد میکرولندفرمها در ناحیه مطالعاتی است.
منابع
آراء، ه.، 1392. لندفرمها و طبقهبندی آن‌ها در علم ژئومورفولوژی (مطالعه موردی: حوضه آبریز جاجرود در شمال شرق تهران). فصلنامه علمی-پژوهشی اطلاعات جغرافیایی سپهر، 22 (86)، 17-22.##چورلی، ر، ج.، استانلی، ا.ش. و دیوید، ا، 1375. ژئومورفولوژي. ترجمه احمد، معتمد (جلد
اول) تهران،انتشارات سمت، 168. ##خدري غريب وند، ل.، قهرودي تالي، م.، سبك خيز، ف. و سپهر، ع.، 1397. بررسي روند تكاملي پهنه‌های گلي باتلاق گاوخوني با استفاده از مدل فركتال. جغرافيا و برنامه‌ریزی محيطي، 29 (2)، 113-128. 10.22108/gep.2018.98241.0. ##رعیتی شوازی، م.، کرم، ا.، غفاریان مالمیری، ح، م. و سپهر، ع.، 1396. مقایسه کارایی برخی الگوریتمهای طبقهبندی در مطالعه تغییرات لندفرمهای بیابانی دشت یزد – اردکان. پژوهش‌های ژئومورفولوژی کمی، 1 (21)، 73-57. ##شایان، س.، احمدآبادی، ع.، یمانی، م.، فرج زاده اصل، م. و احسان الله کبیر، م.، 1391. ارزیابی شاخصهای ژئومورفومتریک به روش وود در طبقهبندی لندفرمهای مناطق خشک (مطالعه موردی: منطقه مرنجاب). برنامه‌ریزی و آمایش فضا، 16 (1)، ۱۰۵-۱۲۰. ##قهرودي تالي، م. و علي نوري، خ.، 1396. تغييرات مكاني پلاياي حوض سلطان در دوره 2016-1991، پژوهشهاي ژئومورفولوژي كمي، 20 (4)، 103-120. ##قهرودي تالي، م. و علي نوري، خ.، 1393. ردیابی مخاطرات پلایای حوض سلطان با بررسی آشفتگی میکرولندفرمها.، مدیریت مخاطرات محیطی، 1 (2)، 241-252. ##قهرودي تالي، م .و خدري غريب وند، ل.، 1395. رویکرد فرمشناسی در استراتژی مدیریت تالابها و پلایاها بررسی موردی: پلایای گاوخونی. فصلنامه علوم محیطی، 14 (2)،118-109. ##مکرم، م. و نگهبان، س.، 1394. طبقهبندی لندفرمها با استفاده از شبکههای عصبی خود سازنده (Selforganization map). فصلنامه کواترنری ایران، 1 (3)، 225-238. ##نعیمی نظام‌آباد، ع.، قهرودی تالی، م. و ثروتی، م، ر.، 1388. آشکارسازی تغییرات لندفرمهای ساحلی منطقه عسلویه. جغرافیایی سرزمین، 22 (2)، 59-65. ##Baartman, J. E., Temme, A. J. and Saco, P. M., 2018. The effect of landform variation on vegetation patterning and related sediment dynamics. Earth Surface Processes and Landforms, 43(10), 2121-2135. ##Bernal, I., Tavera, H., Sulla, W., Arredondo, L. and Oyola, J., 2018. Geomorphology Characterization of Ica Basin and Its Influence on the Dynamic Response of Soils for Urban Seismic Hazards in Ica, Peru, International Journal of Geophysics.43-59##Bocco, G., Mendoza, M. and Velazquez, A., 2001. Remote sensing and GIS-based regional geomorphological mapping a tool for land use planning in developing countries. Geomorphology, 39(3-4), 211-219. ##Cassandra, A.P. B. and Crider, G. J., 2022. A new metric for morphologic variability using landform shape classification via supervised machine learning, Geomorphology, 399(108065), doi.org/10.1016/j.geomorph.2021.108065. ##Chakrabortty, R., Pal, S. C., Santosh, M., Roy, P. and Chowdhuri, I., 2022. Gully erosion and climate induced chemical weathering for vulnerability assessment in sub-tropical environment. Geomorphology, 398,108027, doi:10.1016/j.geomorph.2021.108027. ##Debnath, J., Pan, N. D., Ahmed, I. and Bhowmik, M., 2017. Channel migration and its impact on land use/land cover using RS and GIS: A study on Khowai River of Tripura, North-East India, The Egyptian Journal of Remote Sensing and Space Science, 20(2), 197-210. ##James, M. and Robson, Stuart, 2012. Straightforward reconstruction of 3D surfaces and topography with a camera: Accuracy and geoscience application, Journal of Geophysical Research, 117, F03017, doi:10.1029/2011JF002289. ##Laurentiis, D.L., Pomente, A., Del, F. F. and Schiavon, G., 2019. Capsule and convolutional neural network-based SAR ship classification in Sentinel-1 data, 11154, 1115405, doi:10.1117/12.2532551. ##Liu, B. and Coulthard, T., 2017. In Dynamic Equilibrium: The Autogenic Landform Change in a Fluvial-Aeolian Interacting Field. In Fifth International Planetary Dunes, 1961, 3001. ##Panda, P. and Narasimham, M., 2018. Dynamic Geomorphology of the Kosi Fan in Consequence to a Mega-Avulsion Aided by Space Inputs and Hydraulic Modeling, J Remote Sensing and GIS, 7, 1000238, doi: 10.4172/2469-4134.1000238. ##Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H. R. and Feizizadeh, B., 2017. Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion, Geomorphology, 298, 118-137. ##Salles, T., Flament, N. and Muller, D., 2017. Influence of dynamic topography on the evolution of the eastern Australian landscape since the Upper Jurassic Epoch, In EGU General Assembly Conference Abstracts, 11432. ##Sawagaki, T., LAMSAL, D., Byers, A. and Watanabe, T., 2012. Changes in surface morphology and glacial lake development of Chamlang South Glacier in the eastern Nepal Himalaya since 1964, Global Environmental Research, 16, 83-94. ##Spencer,T., Larissa, N.,Stuart, L.,Stephen, D.,Mark, M.,Francis, M. and Iris., M., 2017. Stormy geomorphology: an introduction to the Special Issue, Earth Surface Processes and Landforms, 42, 238–241, doi: 10.1002/esp.4065. ##Simonyan, K., and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. ##Wei, Z., Han, Y., Li, M., Yang, K., Yang, Y., Luo, Y. and Ong, S. H., 2017. A small UAV based multi-temporal image registration for dynamic agricultural terrace monitoring, Remote Sensing, 9(9), 904. ##Wondzell, S. M., Cunningham, G. L. and Bachelet, D., 1996. Relationships between landforms, geomorphic processes, and plant communities on a watershed in the northern Chihuahuan Desert, Landscape Ecology, 11(6), 351-362. ##
[1] * ایمیل نویسنده مرتبط: m-ghahroudi@sbu.ac.ir
[2] Change detection
[3] Support vector machines
[4] Convolutional Neural Network
[5] .Radial basis function
[6] .Convolutional neural network
[7] Simonyan
[8] Zisserman
[9] Image net
[10] Fully connected
[11] Feature map
[12] Pooling
[13] Feature vector
[14] Artificial mesh
[15] Accuracy
