ژئومورفولوژی تکتونیکی یک حوزه مطالعاتی حیاتی است که به بررسی تعاملات بین فرآیندهای تکتونیکی و تکامل چشم‌انداز می‌پردازد ^{۱ ، ۲ ، ۳٫} در سال‌های اخیر، اهمیت درک تعامل بین فرآیندهای تکتونیکی و تکامل ژئومورفولوژیکی توجه فزاینده‌ای را در جامعه علمی به خود جلب کرده است. حوضه رودخانه کارون، واقع در کوه‌های زاگرس ایران که از نظر تکتونیکی فعال هستند، فرصتی بی‌نظیر برای بررسی این تعاملات ارائه می‌دهد. تاریخ پیچیده زمین‌شناسی منطقه، که در اثر برخورد صفحات عربی و اوراسیا شکل گرفته است، منجر به ایجاد لندفرم‌های متنوع و ویژگی‌های ژئومورفولوژیکی قابل توجهی، از جمله پشته‌های تاقدیسی، رد گسل‌ها و دره‌های عمیقاً برش‌خورده شده است ^{۴ ، ۵ ، ۶٫} با این حال، تعیین دقیق شدت نسبی این فعالیت تکتونیکی در چنین حوضه بزرگ و متنوعی از نظر سنگ‌شناسی همچنان یک چالش مهم است. ارزیابی‌های سنتی اغلب به تفسیر کیفی یا متوالی شاخص‌های ژئومورفیکی منفرد متکی هستند که ممکن است به طور کامل روابط پیچیده و غیرخطی بین نیروهای تکتونیکی و پاسخ چشم‌انداز را در بر نگیرد.

هدف این مطالعه، پرداختن به این چالش با توسعه یک چارچوب قوی‌تر و یکپارچه‌تر برای ارزیابی فعالیت نسبی تکتونیکی است. این تحقیق مستقیماً بر اساس کارهای بنیادی قبلی در منطقه زاگرس بنا شده است. به عنوان مثال، رویکردهای کمی به فعالیت تکتونیکی توسط پینتر و کلر [ ^۷ ] ایجاد شد و کلر و همکاران ^[۸ ] در مورد تکتونیک فعال و تکامل چشم‌انداز بحث کردند و بینش‌هایی در مورد فرآیندهایی که بر تکامل ژئومورفیک تأثیر می‌گذارند، ارائه دادند. علوی [ ^۹] درک بنیادی از چینه‌شناسی منطقه‌ای کمربند چین‌خورده-رانده زاگرس ارائه داد. آلن و همکاران ^[۱۰ ] سازماندهی مجدد برخورد عربستان-اوراسیا را بررسی کردند و به درک فرآیندهای تکتونیکی در منطقه کمک کردند. علاوه بر این، الحمدونی و همکاران ^[۱۱] چارچوبی برای ارزیابی تکتونیک فعال ایجاد کردند که برای روش‌شناسی مورد استفاده در مطالعه حاضر اساسی است.

در دهه گذشته، ده بزرگی و همکاران ^[۱۲ ] با ارائه یک تحلیل کمی از فعالیت تکتونیکی در منطقه سروستان، زمینه را برای استفاده از شاخص‌های ژئومورفیک فراهم کردند، اما مطالعه حاضر با ادغام چندین شاخص در یک چارچوب ارزیابی واحد، این روش را بهبود می‌بخشد. آریان و همکاران [ ^۱۳] منابع لرزه‌ای و نئوتکتونیک را در تهران ارزیابی کردند. این مطالعات سودمندی شاخص‌های ژئومورفیک را نشان دادند، اما اغلب به مناطق کوچکتر محدود بودند یا نتایج خود را در یک ارزیابی یکپارچه در مقیاس منطقه‌ای ترکیب نکردند. علاوه بر این، تحقیقات بر پیچیدگی تعاملات تکتونیکی در زاگرس [ ^۱۴] متمرکز شده است . باغا و همکاران ^[۱۵] فعالیت تکتونیکی نسبی را در حوضه تهران ارزیابی کردند و اهمیت کنترل‌های ساختاری را برجسته کردند. مطالعه حاضر این رویکرد را به یک منطقه بزرگتر گسترش می‌دهد و دیدگاه جامع‌تری از تأثیرات تکتونیکی ارائه می‌دهد. علاوه بر این، احسانی و آرین ^{[۱۶] فعالیت نسبی تکتونیکی در حوضه جراحی-هندیجان را تجزیه و تحلیل کردند و به دانش موجود در مورد شاخص‌های ژئومورفیک کمک کردند، اما شاخص جامع (Iat) توسعه یافته در این مطالعه [۱۷ ، ۱۸ ، ۱۹ ، ۲۰]} را در آن لحاظ نکردند .

منابع اخیر به طور قابل توجهی این حوزه را پیشرفت داده و بینش‌های جدیدی را در مورد روابط پیچیده بین تکتونیک، هیدرولوژی و ویژگی‌های ژئومورفیک آشکار کرده‌اند. به عنوان مثال، سوزانت و همکاران، ^{مورفولوژی} دره‌های زیردریایی در دریای آندامان را بررسی کردند و بر لزوم درک عمیق‌تر از پویایی تکاملی آنها و تأثیرات تکتونیکی که آنها را شکل می‌دهند، تأکید کردند. به طور مشابه، شاه و همکاران، پیامدهای ژئومورفیک لایه‌های میکروبی در محیط‌های ماکروجزر و ^مدی را بررسی کردند و بر اهمیت رویکردهای بین رشته‌ای در درک این سیستم‌های پیچیده تأکید کردند. آرگی و همکاران، ^و تورکونی و همکاران، ^بر نرخ‌های تغییر شکل آهسته در اسلوونی و شمال شرقی ایتالیا تمرکز کردند و چالش‌هایی را که این موارد برای تجزیه و تحلیل ژئومورفولوژیکی و ضرورت روش‌های نوآورانه برای پرداختن به شکاف‌های دانش موجود ایجاد می‌کنند، نشان دادند. سرافراز و همکاران. ^۲۵ پیش‌بینی کیفیت آب رودخانه آجی چای در تبریز، ایران را با استفاده از مدل‌های یادگیری ماشین، به ویژه ماشین بردار پشتیبان (SVM)، برای شبیه‌سازی شاخص‌های کلیدی مانند TDS، EC و SAR بررسی کردند و اثربخشی SVM را در مقایسه با مدل QUAL2Kw نشان دادند. در نهایت، اصغری و همکاران ^۶ تأثیر فعالیت تکتونیکی بر خطرات زمین‌ساختی و دینامیک فشار مخزن گاز در کمربند چین‌خورده-رانده زاگرس را بررسی کردند و اهمیت درک تأثیرات لرزه‌ای بر تکامل چشم‌انداز و مدیریت منابع را برجسته کردند. یافته‌های آنها با تأکید بر نقش حیاتی فرآیندهای تکتونیکی در شکل‌دهی به ژئومورفولوژی و ارزیابی مخاطرات طبیعی در منطقه، مطالعه حاضر را تکمیل می‌کند، اما شکاف قابل توجهی در استفاده از تکنیک‌های محاسباتی مدرن برای ترکیب عینی داده‌های ژئومورفولوژیکی با این دانش زمین‌شناسی وجود دارد ^{۲۶ ، ۲۷ ، ۲۸ ، ۲۹} .

بنابراین، خلأ اصلی که این مطالعه در پی پر کردن آن است، فقدان یک روش‌شناسی تکرارپذیر و مقیاس‌پذیر است که اصول ژئومورفولوژی تثبیت‌شده را با یادگیری ماشینی پیشرفته (ML) ادغام کند تا از تفسیر کیفی به ارزیابی کمی و پیش‌بینی‌کننده حرکت کند. بسیاری از مطالعات در درجه اول به روش‌های سنتی متکی بوده‌اند که ممکن است پیچیدگی‌های تأثیرات تکتونیکی بر تکامل چشم‌انداز را به طور کامل در بر نگیرند. علاوه بر این، ادغام تکنیک‌های یادگیری ماشینی در این زمینه، با وجود پتانسیل آنها برای افزایش مدل‌سازی پیش‌بینی‌کننده و ارائه بینش عمیق‌تر در مورد فرآیندهای ژئومورفولوژیکی، محدود بوده است. ^{۳۰ ، ۳۱ ، ۳۲ ، ۳۳٫} هدف این مطالعه پر کردن این خلأها با بررسی تأثیرات تکتونیکی بر ژئومورفولوژی در حوضه رودخانه کارون، با استفاده از تکنیک‌های پیشرفته یادگیری ماشینی برای بهبود درک تکامل چشم‌انداز است.

مطالعات فوق‌الذکر با موفقیت کاربرد شاخص‌های ژئومورفیک را در تحلیل تکتونیکی نشان داده‌اند. با این حال، شکاف قابل توجهی در ادغام سیستماتیک این شاخص‌ها با تکنیک‌های محاسباتی مدرن برای ایجاد یک چارچوب ارزیابی قوی‌تر، پیش‌بینی‌کننده‌تر و عینی‌تر باقی مانده است. بسیاری از مطالعات در درجه اول به مقایسه‌های کیفی یا نیمه کمی متکی بوده‌اند که ممکن است روابط پیچیده و غیرخطی بین شکل چشم‌انداز و نیروهای تکتونیکی را به طور کامل نشان ندهند. علاوه بر این، کاربرد یادگیری ماشین برای تشخیص الگو و مدل‌سازی پیش‌بینی‌کننده در ژئومورفولوژی تکتونیکی، با وجود پتانسیل آن برای مدیریت مجموعه داده‌های مکانی بزرگ و چند متغیره و کشف الگوهای پنهان که از طریق تحلیل سنتی به راحتی آشکار نمی‌شوند، محدود بوده است.

رودخانه کارون بزرگ شاخه‌های زیادی دارد که به سمت جنوب غربی جریان دارند و بزرگترین آنها رودخانه دز است. اگرچه دز بزرگترین و پرآب‌ترین رودخانه ایران پس از کارون است، اما قبل از ریختن به خلیج فارس وارد رودخانه کارون می‌شود ^{۳۴ ، ۳۵٫} هنگام مطالعه رودخانه کارون بدون دز، به سادگی به عنوان کارون شناخته می‌شود. با این حال، وقتی هر دو رودخانه با هم در نظر گرفته می‌شوند، از اصطلاح «کارون بزرگ» استفاده می‌شود. از آنجایی که هر دو رودخانه مورد مطالعه قرار گرفته‌اند، در این مقاله از اصطلاح «کارون بزرگ» استفاده شده است.

هدف اصلی این مطالعه، توسعه و اعتبارسنجی یک چارچوب یکپارچه برای ارزیابی فعالیت نسبی تکتونیکی در حوضه رودخانه کارون بزرگ برای غلبه بر محدودیت‌های کلیدی ذاتی در تحلیل‌های ژئومورفیک سنتی بود. این امر با ترکیب شاخص‌های ژئومورفیک سنتی در یک شاخص یکپارچه از تکتونیک فعال (Iat) و استفاده از مدل‌های یادگیری ماشین برای مدل‌سازی و تفسیر الگوهای مکانی بیان ژئومورفیک تکتونیکی محقق شد. نوآوری این تحقیق نه در ایجاد شاخص‌های جدید، بلکه در ترکیب بدیع روش‌های تثبیت‌شده – به‌ویژه استفاده از تکنیک‌های هوش مصنوعی قابل توضیح (XAI) برای تفسیر مدل‌های یادگیری ماشین و پر کردن شکاف بین پیش‌بینی آماری و درک فرآیندهای زمین‌شناسی – نهفته است. این تکنیک‌ها، به‌ویژه SHAP (توضیحات افزایشی SHApley)، برای تفسیر مدل‌ها و تعیین اهمیت نسبی این ویژگی‌ها به کار گرفته شدند. این رویکرد، یک روش‌شناسی قابل انتقال برای ارزیابی تکتونیکی در مقیاس منطقه‌ای در سایر کوه‌زایی‌های فعال ارائه می‌دهد.

در عمل، مدل‌های یادگیری ماشین روابط پیچیده و غیرخطی بین شکل چشم‌انداز (مثلاً شیب، انحنا، تراکم زهکشی، فاصله تا گسل‌ها) و بیان تکتونیکی آن (شاخص‌های ژئومورفیک) را یاد می‌گیرند. این امر امکان ترکیب عینی‌تر و داده‌محورتر منطقه مورد مطالعه را نسبت به آنچه که صرفاً از طریق تفسیر دستی امکان‌پذیر است، فراهم می‌کند. به عنوان مثال، شبکه عصبی کانولوشن (CNN) با پردازش الگوهای مکانی در کاشی‌های مدل ارتفاعی دیجیتال (DEM) برای شناسایی ویژگی‌های ظریف تشخیصی فعالیت تکتونیکی، مانند امضاهای توپوگرافی خاص مرتبط با چین‌های انتشار گسل، کار می‌کند. در نهایت، این ادغام یک چارچوب دقیق و تکرارپذیر فراهم می‌کند که هم الگوهای فعالیت تکتونیکی و هم استدلال زمین‌شناسی پشت آنها را کمی‌سازی می‌کند و تجزیه و تحلیل را فراتر از ارزیابی کیفی به سمت یک علم پیش‌بینی‌کننده قوی‌تر سوق می‌دهد.

حوضه رودخانه کارون در کمربند چین‌خورده و رانده زاگرس (ZFTB) واقع شده است، حاشیه خارجی لرزه‌خیز صفحه عربستان که در نتیجه برخورد مداوم آن با صفحه اوراسیا از اواخر کرتاسه ایجاد شده است (شکل  ۱ ) ^{۱۸ ، ۳۶ ، ۳۷ ، ۳۸ ، ۳۹ ، ۴۰٫} منطقه مورد مطالعه – که مساحتی بالغ بر ۶۰۵۰۰ کیلومتر مربع را در بر می‌گیرد ^– شامل یک گذار زمین‌شناسی قابل توجه است که از زون دگرگونی داخلی سنندج-سیرجان، از طریق گسل زاگرس مرتفع، از طریق کمربند چین‌خورده ساده با تاقدیس‌های دیدنی با روند شمال غربی-جنوب شرقی و تا دشت آبرفتی خوزستان ^{۶ ، ۲۷ ، ۴۱ ، ۴۲} امتداد دارد .

این تکامل تکتونیکی، معماری ساختاری پیچیده‌ای را ایجاد کرده است که صدها چین و سامانه گسلی اصلی، از جمله گسل اصلی اخیر (MRF)، گسل زاگرس مرتفع (HZF) و گسل جبهه کوهستان (MFF) (شکل  ۲ ) ^{۱۰ ، ۴۳ ، ۴۴} ، بر آن تسلط دارند. این ساختارها کنترل‌کننده‌های اصلی توپوگرافی منطقه‌ای هستند ^{(۴۵ ، ۴۶ ، ۴۷ ، ۴۸ ، ۴۹} )، و مناطقی با بالاآمدگی و فرونشست قابل توجه ایجاد می‌کنند که مستقیماً بر الگوهای زهکشی و تکامل چشم‌انداز تأثیر می‌گذارند ^{(۵۰ ، ۵۱ ، ۵۲ ، ۵۳)} .

سنگ‌شناسی با توالی ضخیمی (حدود ۱۰ تا ۱۲ کیلومتر) از سنگ‌های رسوبی پروتروزوئیک تا سنوزوئیک مشخص می‌شود ^{۵۴ ، ۵۵ ، ۵۶٫} این توالی تضادهای مکانیکی قوی را نشان می‌دهد، از کربنات‌های مقاوم (مثلاً سازندهای آسماری و بنگستان) گرفته تا تبخیری‌ها و مارن‌های ناکارآمد (مثلاً سازندهای گچساران و میشان) ^{۶ ، ۵۷ ، ۵۸٫} این ناهمگونی سنگ‌شناسی یک کنترل حیاتی بر فرآیندهای ژئومورفیک است ^{۱۹ ، ۵۹ ، ۶۰} ، زیرا مقاومت فرسایشی را کنترل می‌کند و نحوه واکنش چشم‌انداز به نیروهای تکتونیکی را تعیین می‌کند ^{۵۶ ، ۶۱ ، ۶۲} . اثر متقابل بین تنش‌های تکتونیکی پایدار و فرسایش این واحدهای با مقاومت متغیر، محرک اساسی ژئومورفولوژی مورد بررسی است ^{۲۰ ، ۵۷ ، ۶۳} ، که چشم‌اندازی مستعد خطرات خاص ایجاد می‌کند ^{۵ ، ۶۴ ، ۶۵ ، ۶۶ ، ۶۷ ، ۶۸٫} زمین شیب‌دار و از نظر تکتونیکی بالاآمده، که در زیر این واحدهای ضعیف قرار دارد، به شدت مستعد شکست‌های دامنه‌ای در مقیاس بزرگ و رانش زمین است، که از ویژگی‌های بارز کوه‌زایی زاگرس ^{۱ ، ۶۹ ، ۷۰ ، ۷۱} است .

هیدرولوژی حوضه ذاتاً با این چارچوب زمین‌شناسی مرتبط است ^{۲۰ ، ۷۴ ، ۷۵ ، ۷۶٫} رودخانه کارون، بزرگترین رودخانه ایران، از کوه‌های زاگرس با پستی و بلندی‌های زیاد سرچشمه می‌گیرد ^{۲۰ ، ۷۷ ، ۷۸ ، ۷۹} ، جایی که شیب‌های تند باعث رواناب سریع و نرخ بالای انتقال رسوب می‌شوند. گسل‌ها و چین‌های اصلی از نظر ساختاری الگوهای شاخه‌های فرعی را کنترل می‌کنند، در حالی که منابع آب زیرزمینی قابل توجهی در سفره‌های آبرفتی در امتداد کوهپایه‌ها و دشت ذخیره می‌شوند و توسط نفوذ رودخانه و بارندگی تجدید می‌شوند ^{۷۳ ، ۸۰ ، ۸۱ ، ۸۲ ، ۸۳} .

در این مطالعه، از تکنیک‌های یادگیری ماشین برای جایگزینی شاخص‌های ژئومورفیک سنتی استفاده نشد، بلکه برای تقویت آنها به کار گرفته شد. این ادغام برای دستیابی به دو هدف اصلی طراحی شده بود: اول، بهره‌برداری از توانایی مدل‌های یادگیری ماشین برای ارزیابی و مدل‌سازی مقادیر شاخص در مناطقی با عوارض پیچیده زمین یا داده‌های پراکنده با یادگیری از روابط چند متغیره؛ و دوم، استفاده از چارچوب‌های تفسیرپذیری (XAI) برای شناسایی ویژگی‌های غالب توپوگرافی و زمین‌شناسی که الگوهای مکانی شاخص‌ها را کنترل می‌کنند، و در نتیجه اعتبارسنجی مبتنی بر داده از اهمیت تکتونیکی آنها را فراهم می‌کند.

ژئومورفولوژی تکتونیکی حوضه رودخانه کارون از طریق یک رویکرد یکپارچه با ترکیب شاخص‌های ژئومورفیک، تحلیل مکانی مبتنی بر GIS و تکنیک‌های یادگیری ماشینی ارزیابی شد. چارچوب روش‌شناختی (شکل  ۳ ) شامل چهار جزء اصلی بود: (۱) جمع‌آوری و پیش‌پردازش داده‌ها، (۲) محاسبه شاخص‌های ژئومورفیک، (۳) توسعه مدل یادگیری ماشینی، و (۴) اعتبارسنجی و تفسیر مدل.

جمع‌آوری داده‌ها

جمع‌آوری داده‌ها گام اساسی در این تحقیق است که شامل کسب مجموعه داده‌های مختلف لازم برای تجزیه و تحلیل شاخص‌های ژئومورفیک و تأثیرات تکتونیکی می‌شود . ^{۸۴ ، ۸۵٫} انواع داده‌های زیر جمع‌آوری شدند:

داده‌های توپوگرافی: یک DEM با وضوح ۳۰ متر که از ماموریت توپوگرافی رادار شاتل (SRTM) گرفته شده است، به عنوان مجموعه داده‌های توپوگرافی اصلی انتخاب شد تا از ثبات و پوشش منطقه‌ای اطمینان حاصل شود. این مجموعه داده‌ها با نقشه‌های توپوگرافی با مقیاس ۱:۲۵۰۰۰ از مرکز ملی نقشه‌برداری ایران برای اعتبارسنجی بصری و زمینه‌سازی تکمیل شد.

داده‌های زمین‌شناسی: نقشه‌های زمین‌شناسی و گزارش‌های فعالیت تکتونیکی از بررسی‌های زمین‌شناسی محلی و نشریات دانشگاهی برای درک چارچوب تکتونیکی منطقه‌ای تهیه شده‌اند.

داده‌های هیدرولوژیکی: داده‌های جریان رودخانه و ویژگی‌های حوزه آبخیز از پایگاه‌های داده هیدرولوژیکی جمع‌آوری شدند تا تأثیر هیدرولوژی بر فرآیندهای ژئومورفیک ارزیابی شود.

محاسبه شاخص ژئومورفولوژی

حوضه کارون بزرگ به ۷۲ زیرحوضه تقسیم شده است (شکل  ۴ ). هیچ شاخصی برای حوضه سی و هشتم قابل محاسبه نبود، زیرا در دشت آبرفتی خوزستان واقع شده است که ۱٪ از مساحت حوضه کارون بزرگ را تشکیل می‌دهد. شاخص‌های ژئومورفیک مورد استفاده در این مطالعه شامل شاخص گرادیان جریان (SL)، ضریب نامتقارن (Af)، انتگرال هیپسومتری (Hi) و نسبت پهنای کف دره به ارتفاع دره (Vf) است. هر شاخص با استفاده از معادلات ( ۱ ) تا ( ۶ ) محاسبه می‌شود:

شاخص گرادیان جریان (SL)

شاخص SL، که منعکس کننده تغییرات در شیب کانال است، به صورت معادله ( ۱ ) محاسبه می‌شود:

که در آن ΔH تغییر ارتفاع (متر)، ΔLr طول بازه (متر) و Lsc فاصله افقی از تقسیم حوزه آبخیز تا نقطه میانی بازه (متر) است. مقادیر به سه کلاس فعالیت تکتونیکی طبقه‌بندی شدند (جدول ۱ ): کلاس ۱ (SL ≥ ۵۰۰، فعالیت بالا)، کلاس ۲ (۳۰۰ ≤ SL < 500) و کلاس ۳ (SL < 300). شاخص SL می‌تواند برای ارزیابی فعالیت نسبی تکتونیکی ^{۵ ، ۸ ، ۸۶} استفاده شود .

مشخص شده است که SL می‌تواند به مقاومت سنگ‌شناسی حساس باشد، که ممکن است تفسیرهای فعالیت تکتونیکی را مختل کند. برای کاهش این امر، مقادیر بالای SL در زمینه طبقه‌بندی‌های مقاومت سنگ منطقه‌ای به طور انتقادی ارزیابی شدند (به بخش ” تحلیل شاخص‌های ژئومورفیک ” مراجعه کنید). علاوه بر این، اذعان شده است که شاخص‌های شیب کانال نرمال شده (ksn) که از تحلیل شیب-مساحت به دست می‌آیند، معیار قوی‌تری برای مطالعات آینده با هدف جداسازی سیگنال‌های تکتونیکی از نویز سنگ‌شناسی هستند ^{۳۱ ، ۸۷} .

ضریب نامتقارن (Af)

عدم تقارن حوضه زهکشی، که نشان دهنده کج شدن به دلیل نیروی تکتونیکی است، به صورت معادله ( ۲ ) ^{۲۱ ، ۶۲ ، ۸۸} بیان می‌شود :

که در آن Ar مساحت سمت راست کانال اصلی و At مساحت کل حوضه است. مقادیر کمتر از ۵۰ یا بیشتر از ۵۰ نشان‌دهنده شیب جانبی تکتونیکی است.

انتگرال هیپسومتریک (Hi)

شاخص ارتفاع (Hi)، که نشان‌دهنده توزیع نسبی ارتفاع در یک حوضه است، از DEMها با استفاده از معادله ( ۳ ) ^۵ و ۱۶ استخراج شد .

که در آن میانگین ارتفاع و E _min /E _max حداقل/حداکثر ارتفاع هستند. Hi بالا (> 0.5) نشان‌دهنده چشم‌اندازهای جوان و از نظر تکتونیکی فعال است.

نسبت عرض به ارتفاع کف دره ( Vf )

کشیدگی حوضه، تحت تأثیر کنترل‌های ساختاری، به صورت زیر اندازه‌گیری شد:

شاخص Vf، که به نرخ‌های بربلندی عمودی حساس است، به صورت معادله ( ۴ ) تعریف می‌شود:

که در آن V _fw عرض کف دره و _Eld ، _Erd و A _sc به ترتیب ارتفاعات شکاف‌های چپ/راست و کانال رودخانه هستند. Vf پایین (<0.5) با برش فعال همبستگی دارد ^{[۱۱ ، ۱۵ ، ۸۹]} .

شاخص شکل حوضه (Bs)

کشیدگی حوضه یا شاخص شکل حوضه (Bs) که تحت تأثیر کنترل‌های ساختاری ^{۲۰ ، ۹۰ ، ۹۱} قرار دارد، به صورت معادله ( ۵ ) تعریف می‌شود :

که در آن  Bl  و  Bw  طول حوضه و حداکثر عرض آن هستند.

شاخص سینوسی جبهه کوهستان (J)

شاخص J که برای ۴۳۰ جبهه کوهستان محاسبه شده است، به صورت معادله ( ۶ ) ^{۱۱ ، ۹۲ ، ۹۳} تعریف می‌شود :

که در آن  Lj طول جبهه مسطحاتی و Ls طول خط مستقیم است.  J کم  (< 1.1) نشان دهنده جبهه‌های فعال تکتونیکی است.

مدیریت شاخص‌های غیرقابل اجرا

Iat برای یک زیرحوضه به صورت میانگین مقادیر کلاس فقط برای شاخص‌هایی که برای آن زیرحوضه خاص قابل اجرا و محاسبه هستند (جدول ۱ ) محاسبه می‌شود. بنابراین، عدم وجود جبهه کوهستان در شاخص‌گذاری به معتبرترین روش علمی ممکن منعکس می‌شود: شاخص J از محاسبه Iat برای آن زیرحوضه حذف می‌شود. این رویکرد از نظر علمی معتبر است زیرا:

1. ۱.این واقعیت فیزیکی را منعکس می‌کند:  یک زیرحوضه که فاقد جبهه کوهستان است، معمولاً در منطقه‌ای با پستی و بلندی کم (مثلاً دشت آبرفتی) قرار دارد که ذاتاً با فعالیت تکتونیکی پایین‌تر مرتبط است. تحمیل محاسبه در اینجا نامعتبر خواهد بود.
2. ۲.این یک روش استاندارد است:  این روش در ادبیات ژئومورفولوژی برای مدیریت مناظر ناهمگن که در آنها همه شاخص‌ها به طور جهانی قابل اجرا نیستند، ایجاد شده است.
3. ۳.از سوگیری دلخواه جلوگیری می‌کند:  تخمین مقادیر برای ویژگی‌های ناموجود، خطای قابل توجه و نویز مصنوعی ایجاد می‌کند و تحلیل را تضعیف می‌کند. این روش اجازه می‌دهد تا کلاس زیرحوضه توسط ویژگی‌هایی که واقعاً وجود دارند تعیین شود. همانطور که نمونه‌هایی از پیاده‌سازی برای جدول ۱ نشان داده شده است .

حوضه ۳۸ – دشت آبرفتی خوزستان

• این حوضه، یک دشت آبرفتی وسیع و از نظر توپوگرافیکی پست است.
• SL، Af، Hi، Vf، Bs، J:  هیچ یک از این شاخص‌ها را نمی‌توان به طور معناداری محاسبه کرد زیرا هیچ نهر، دره یا جبهه کوهستانی شفافی به معنای سنتی وجود ندارد. این چشم‌انداز تحت سلطه رسوب‌گذاری است، نه برش تکتونیکی.
• محاسبه Iat:  از آنجایی که هیچ شاخصی قابل اجرا نیست، حوضه به طور موجهی برای فعالیت نسبی تکتونیکی بر اساس این معیارهای ژئومورفیک به عنوان N/A (غیرقابل اجرا) طبقه‌بندی می‌شود. این حوضه از آمار نهایی خلاصه Iat (درصد مساحت در کلاس ۱، ۲، ۳) حذف می‌شود.

حوضه ۴

• داده‌های موجود نیست : Vf قابل محاسبه نبود (N/A)، احتمالاً به دلیل کف دره وسیع و با تعریف ضعیف یا محدودیت‌های داده‌ها.
• داده‌های موجود : کلاس‌هایی برای SL(2)، Af(1)، Hi(3)، Bs(3)، J(2) موجود است.
• محاسبه IAT : IAT = (2 + 1 + 3 + 3 + 2) / 5 = 11 / 5 = 2.20
• کلاس Iat : ۲٫۲۰ در  کلاس ۳ (فعالیت متوسط) قرار می‌گیرد . عدم وجود مقدار Vf نیازی به تخمین نداشت؛ میانگین به سادگی از پنج شاخص موجود گرفته شد.

مبنای آماری برای طبقه‌بندی شاخص‌ها

مرزهای کلاس برای هر شاخص ژئومورفیک در ابتدا بر اساس آستانه‌های تعیین‌شده در منابع ژئومورفولوژی تکتونیکی ^۱۱ تعریف شدند تا مقایسه منطقه‌ای تسهیل شود. برای اعتبارسنجی و ارائه یک منطق مبتنی بر داده برای این طبقه‌بندی، یک تحلیل خوشه‌ای K-means بر روی مقادیر استاندارد (z-score) شش شاخص ژئومورفیک (SL، Af، Hi، Vf، Bs، J) در ۷۱ زیرحوضه انجام شد. تعداد بهینه خوشه‌ها (k = 3) با استفاده از روش elbow تعیین شد که مجموع مربعات درون خوشه‌ای را به حداقل می‌رساند. نتایج این تحلیل (شکل تکمیلی B1 ) تقسیم‌بندی سه‌گانه فعالیت تکتونیکی را تأیید می‌کند و جدایی‌های مشخصی را بین خوشه‌های مربوط به فعالیت نسبی بالا، متوسط ​​و پایین نشان می‌دهد. بنابراین، محدوده‌های کلاس نهایی (جدول ۱ ) هم توسط مقادیر متعارف منابع و هم ساختار آماری ذاتی مجموعه داده‌ها تعیین شده‌اند.

توسعه مدل یادگیری ماشین

برای افزایش دقت پیش‌بینی شاخص‌های ژئومورفیک، تکنیک‌های پیشرفته یادگیری ماشین، از جمله معماری‌های یادگیری جمعی و یادگیری عمیق ^{۶ ، ۹۴ ، ۹۵} ، پیاده‌سازی شدند . ادغام تکنیک‌های یادگیری ماشین برای غلبه بر محدودیت‌های ذاتی در تحلیل سنتی و متوالی شاخص‌های ژئومورفیک دنبال شد. در حالی که این شاخص‌ها ابزارهای تشخیصی ارزشمندی هستند، تفسیر دستی آنها می‌تواند ذهنی باشد و ممکن است در ثبت روابط پیچیده و غیرخطی در مجموعه داده‌های توپوگرافی و زمین‌شناسی چند متغیره شکست بخورد. بنابراین، یادگیری ماشین نه برای جایگزینی، بلکه برای  تقویت  رویکرد مرسوم استفاده شد. پیاده‌سازی آن دو هدف اصلی را دنبال می‌کرد:

• پیش‌بینی:  توسعه مدل‌های قوی که قادر به پیش‌بینی توزیع مکانی شاخص‌های ژئومورفیک در کل حوضه بر اساس مجموعه‌ای جامع از ویژگی‌های ورودی (مانند مشتقات توپوگرافی، نزدیکی گسل، سنگ‌شناسی) باشند. این امر امکان درون‌یابی مقادیر شاخص در مناطق کم‌داده را فراهم می‌کند و یک سطح پیوسته و عینی از فعالیت تکتونیکی ایجاد می‌کند.
• تفسیر: استفاده از چارچوب‌های هوش مصنوعی قابل توضیح (XAI) برای رمزگشایی مدل‌های آموزش‌دیده. این مرحله برای فراتر رفتن از پیش‌بینی «جعبه سیاه» و در عوض، کمی‌سازی اهمیت نسبی هر ویژگی ورودی (مثلاً شیب، انحنا، فاصله تا گسل) در کنترل پاسخ ژئومورفیک پیش‌بینی‌شده، بسیار مهم است. این امر، اعتبارسنجی مبتنی بر داده از شاخص‌های ژئومورفیک را فراهم می‌کند و روابط مکانیکی بین فرآیندهای تکتونیکی و شکل چشم‌انداز را روشن می‌سازد.

مدل جنگل تصادفی (RF)

الگوریتم RF برای مدل‌سازی چهار شاخص ژئومورفیک کلیدی (SL، Af، Hi، Vf) از طریق یک رویکرد رگرسیون گروهی به کار گرفته شد. ویژگی‌های ورودی با دقت انتخاب شدند تا سه حوزه داده حیاتی را نشان دهند: مشتقات توپوگرافی شامل شیب، جهت و انحنای محاسبه‌شده از DEMها؛ پارامترهای زمین‌شناسی شامل کلاس سنگ‌شناسی، تراکم گسل و فاصله تا گسل‌های اصلی؛ و ویژگی‌های هیدرولوژیکی مانند تراکم زهکشی و ترتیب آبراهه. بهینه‌سازی مدل از طریق یک جستجوی شبکه‌ای جامع با اعتبارسنجی متقابل پنج‌گانه، با ارزیابی سیستماتیک ترکیبات سه ابرپارامتر کلیدی انجام شد: تعداد درخت‌های تصمیم‌گیری (n _{تخمین‌گر}  = ۱۰۰، ۲۰۰، ۵۰۰)، حداکثر عمق درخت (حداکثر _عمق  = ۵، ۱۰، ۲۰) و حداقل نمونه در هر گره برگ (حداقل _{نمونه‌های برگ}  = ۱، ۲، ۵). مجموعه داده‌ها به زیرمجموعه‌های ۷۰٪ آموزش و ۳۰٪ آزمایش تقسیم شد و تجمیع بوت‌استرپ برای افزایش عملکرد تعمیم اعمال شد. خروجی پیش‌بینی مدل RF به صورت میانگین پیش‌بینی در تمام درخت‌های تصمیم B بیان می‌شود (معادله ( ۷ )) ^{۶ ، ۳۶ ، ۹۶} :

که در آن Tb نشان دهنده یک درخت تصمیم منفرد و  x  بردار ویژگی ورودی است، پیش‌بینی RF به عنوان میانگین خروجی در تمام درخت‌های تصمیم B در گروه محاسبه می‌شود.

معماری شبکه عصبی کانولوشن (CNN)

یک معماری تخصصی CNN برای پردازش کاشی‌های DEM خاکستری ۲۵۶ × ۲۵۶ پیکسلی با وضوح ۳۰ متر توسعه داده شد و الگوهای مکانی نشان‌دهنده فعالیت تکتونیکی را ثبت کرد. این شبکه شامل دو بلوک کانولوشنی است که هر کدام عملیات حداکثر تجمع را دنبال می‌کنند. بلوک اول ۳۲ فیلتر با هسته‌های ۳ × ۳ و فعال‌سازی ReLU اعمال می‌کند، در حالی که بلوک دوم به ۶۴ فیلتر با ابعاد هسته یکسان افزایش می‌یابد. افت مکانی (نرخ = ۰٫۲۵) بین بلوک‌ها، بیش‌برازش را کاهش می‌دهد. نقشه‌های ویژگی مسطح شده و قبل از خروجی رگرسیون خطی نهایی، به یک لایه متراکم ۱۲۸ نورونی با فعال‌سازی ReLU و افت ۵۰٪ متصل می‌شوند. آموزش مدل، خطای میانگین مربعات (MSE) را از طریق بهینه‌سازی Adam (نرخ یادگیری = ۰٫۰۰۱) که به صورت معادله ( ۸ ) ارائه شده است، به حداقل می‌رساند. ^{۵۹ ، ۸۵ ، ۹۷ ، ۹۸} :

که در آن  yi مقادیر مشاهده‌شده و i پیش‌بینی‌های  مدل  N نمونه هستند.

انتخاب هر دو معماری RF و CNN عمدی بود، زیرا هر مدل برای بهره‌برداری از انواع مختلف داده‌ها در مطالعه مناسب است.

• از RF برای پردازش مجموعه داده‌های جدولی شامل مقادیر هر زیرحوضه (مثلاً شیب متوسط، چگالی متوسط ​​گسل، کلاس سنگ‌شناسی)  استفاده شد   . RF به دلیل مقاومت در برابر بیش‌برازش، توانایی در مدیریت انواع داده‌های مختلط و ارائه معیارهای اهمیت ویژگی بومی که مستقیماً با هدف تفسیرپذیری همسو هستند، به طور خاص برای این کار مناسب است.
• CNNها به طور خاص برای پردازش داده‌های مکانی موجود در DEM  انتخاب شدند   . برخلاف RF، CNNها می‌توانند به طور خودکار ویژگی‌ها و الگوهای مکانی مرتبط – مانند بافت مناطق گسلی، شکل برآمدگی‌های مرتبط با چین‌خوردگی یا الگوی شبکه‌های زهکشی – را مستقیماً از تصاویر چشم‌انداز استخراج و یاد بگیرند. این امر آنها را به طور منحصر به فردی برای شناسایی امضاهای تکتونیکی که ممکن است از نظر بصری قابل تشخیص باشند اما کدگذاری آنها در پارامترهای مورفومتریک سنتی دشوار است، قدرتمند می‌کند.

بنابراین، استفاده از هر دو مدل، یک چارچوب تحلیلی جامع فراهم کرد: RF به دلیل نقاط قوتش در تحلیل و تفسیر سنتی مبتنی بر ویژگی، و CNN به دلیل توانایی برترش در یادگیری از بافت مکانی و الگوهای ظریف درون داده‌های توپوگرافی.

ارزیابی مدل و تفسیرپذیری

ارزیابی عملکرد کمی

سه چارچوب ارزیابی مکمل برای ارزیابی عملکرد مدل پیاده‌سازی شدند. معیارهای رگرسیون اولیه شامل میانگین خطای مطلق (MAE) برای بزرگی خطای مطلق (معادله ( ۹ )) ^{۱۸ ، ۹۹ ، ۱۰۰ بود} :

و R2 ^برای واریانس توضیح داده شده (معادله ( ۱۰ )):

برای طبقه‌بندی سطوح فعالیت تکتونیکی، معیارهای دقت و بازخوانی به صورت معادله ( ۱۱ ) ^{۸۸ ، ۹۹ ، ۱۰۱} محاسبه شدند :

با امتیاز F1 _که تعادل میانگین هارمونیک را مطابق معادله ( ۱۲ ) ارائه می‌دهد:

اعتبارسنجی متقاطع طبقه‌بندی‌شده پنج‌گانه به کار گرفته شد، و پارتیشن‌بندی مجموعه داده‌ها، نمایش متناسب همه طبقات فعالیت تکتونیکی را حفظ کرد.

تحلیل تفسیرپذیری

دو رویکرد تفسیرپذیری مکمل اجرا شدند:

SHAP (توضیحات افزودنی SHApley)

چارچوب SHAP اهمیت ویژگی‌ها را از طریق نظریه بازی مشارکتی به صورت معادله ( ۱۳ ) ^{۵۶ ، ۱۰۲} تعیین کرد :

که در آن ϕ _i نشان دهنده سهم نهایی ویژگی i در تمام زیرمجموعه‌های ممکن ویژگی S است، |F| تعداد کل ویژگی‌ها است و جمع‌بندی روی تمام ترکیبات ممکن از ویژگی‌ها به جز i ​​انجام می‌شود. LIME (توضیحات مستقل از مدل تفسیرپذیر محلی)

برای پیش‌بینی‌های پیچیده CNN، LIME با تقریب مدل با توابع خطی قابل تفسیر در همسایگی‌های ویژگی محدود، توضیحات محلی دقیقی تولید کرد (معادله ( ۱۴ )) ^{۱۰۲ ، ۱۰۳ ، ۱۰۴} :

که در آن G کلاسی از مدل‌های قابل تفسیر است، π _x همسایگی محلی اطراف نمونه x را تعریف می‌کند و Ω(g) پیچیدگی را جریمه می‌کند.

مشاهدات کلیدی از جدول ۲ ، تعادل برتر RF بین عملکرد پیش‌بینی (دقت ۸۹٫۲٪) و کارایی محاسباتی (زمان آموزش ۲۲٫۴ دقیقه) را نشان می‌دهد. CNN با وجود نیازهای آموزشی طولانی‌تر، به دقت رقابتی (۸۶٫۷٪) دست یافت. تجزیه و تحلیل SHAP، تغییرپذیری شیب (ϕ = ۰٫۴۲) و تراکم زهکشی (ϕ = ۰٫۳۸) را به عنوان ویژگی‌های غالب جهانی شناسایی کرد، در حالی که LIME الگوهای تمایز محلی را در شاخه‌های چین‌خوردگی در مقابل مناطق گسلی نشان داد. این چارچوب تفسیرپذیری، ارتباط زمین‌شناسی مدل‌ها را ضمن حفظ عملکرد پیش‌بینی، تأیید کرد.

چارچوب ارزیابی کامل به سه هدف حیاتی دست یافت: (۱) معیارسنجی عملکرد کمی از طریق معیارهای دقیق، (۲) تجزیه و تحلیل مقایسه‌ای رویکردهای الگوریتمی، و (۳) تفسیر شفاف مکانیسم‌های پیش‌بینی – که در مجموع دقت پیش‌بینی بالا و اعتبار علمی کاربردهای یادگیری ماشین در ژئومورفولوژی تکتونیکی را تضمین می‌کند. اعتبارسنجی میدانی برای اثبات نتایج کمی حاصل از شاخص‌های ژئومورفیک و مدل‌های یادگیری ماشین انجام شد. نشانگرهای ژئومورفیک که نشان‌دهنده تکتونیک فعال هستند، از جمله پرتگاه‌های گسلی، تراس‌های رودخانه‌ای با جابجایی عمودی و چین‌های شورون در لایه‌های نئوژن، مستندسازی و برچسب‌گذاری جغرافیایی شدند. متعاقباً تطابق مکانی بین این ویژگی‌های تکتونیکی تأیید شده میدانی و مناطقی که توسط مدل‌های Iat و ML به عنوان فعالیت بالا طبقه‌بندی شده‌اند، برای اعتبارسنجی رویکرد روش‌شناختی مورد تجزیه و تحلیل قرار گرفت.

محدودیت‌ها و مزایا

محدودیت‌ها

تمرکز انحصاری این مطالعه بر روی حوضه، اگرچه نمایانگر دینامیک کمربند چین‌خورده-رانده زاگرس است، اما ممکن است به طور کامل تغییرات منطقه‌ای در الگوهای تغییر شکل و تفاوت‌های سنگ‌شناسی مشاهده شده در سراسر کوهزایی گسترده‌تر زاگرس را در نظر نگیرد. ^{۴۱ ، ۵۱ ، ۱۰۵ ، ۱۰۶ ، ۱۰۷٫} وضوح ۳۰ متری DEMهای SRTM و نقشه‌های توپوگرافی با مقیاس ۱:۲۵۰۰۰، تشخیص ویژگی‌های تکتونیکی ظریف‌تر (کمتر از ۵۰ متر) را محدود می‌کند و مصنوعات بالقوه‌ای را در مناطق دشت آبرفتی ایجاد می‌کند که با پایش هیدرولوژیکی و لرزه‌ای پراکنده در مناطق دورافتاده تشدید می‌شود. محدودیت دیگر این مطالعه، عدم مقایسه مستقیم با داده‌های ژئودزی، مانند میدان‌های سرعت سطحی مشتق شده از InSAR است. در حالی که اعتبارسنجی میدانی و مدل‌های ML سازگاری داخلی قوی نشان می‌دهند، ادغام آینده با InSAR یک معیار کمی و مستقل از نرخ‌های تغییر شکل امروزی برای کالیبره کردن رکورد مقیاس هزاره ارائه شده توسط شاخص‌های ژئومورفیک ارائه می‌دهد.

اگرچه شش شاخص ژئومورفیک مورد استفاده به خوبی تثبیت شده‌اند، اما حساسیت متفاوت آنها به فرآیندهای تکتونیکی مختلف، چالش‌های تفسیری را ایجاد می‌کند – به ویژه در تشخیص تأثیرات اقلیمی از سیگنال‌های تکتونیکی و در توصیف سبک‌های تغییر شکل غیرعمودی. وضوح زمانی شاخص‌های ژئومورفیک، فعالیت تکتونیکی را در مقیاس‌های زمانی هزار ساله ادغام می‌کند و رویدادهای کوتاه‌مدت‌تر مانند زلزله‌های منفرد یا نوسانات اقلیمی را پنهان می‌کند. رویکردهای یادگیری ماشین، علیرغم قدرت پیش‌بینی خود، با محدودیت‌های ذاتی از جمله نیاز به داده‌ها در مناطق با نمونه‌برداری کم و ماهیت پس‌هنگام روش‌های تفسیر SHAP مواجه هستند.

مزایا

این تحقیق با ادغام موفقیت‌آمیز تحلیل کمی ژئومورفیک با تکنیک‌های یادگیری ماشین، یک چارچوب نوآورانه ایجاد می‌کند و یک روش‌شناسی قابل انتقال برای ارزیابی تکتونیکی در کوه‌زایی‌های فعال ایجاد می‌کند. توسعه شاخص Iat یک رویکرد استاندارد مبتنی بر GIS برای طبقه‌بندی فعالیت تکتونیکی منطقه‌ای ارائه می‌دهد که مکمل روش‌های میدانی سنتی است. تکنیک‌های تحلیلی پیشرفته، به ویژه تحلیل DEM مبتنی بر CNN و تفسیر مقادیر SHAP، قابلیت‌های جدیدی را برای شناسایی لندفرم‌های تکتونیکی تشخیصی و تعیین اهمیت ویژگی‌ها ارائه می‌دهند. کاربردهای عملی آن به نقشه‌برداری خطر لرزه‌ای و برنامه‌ریزی زیرساخت‌ها، با ارزش ویژه برای شناسایی مناطق پرخطر در مناطق در حال توسعه، گسترش می‌یابد. از نظر علمی، این کار درک روابط تکتونیکی-ژئومورفیک در زاگرس غربی مورد مطالعه را افزایش می‌دهد و در عین حال کاربرد مؤثر تکنیک‌های هوش مصنوعی قابل توضیح را در تحقیقات ژئومورفولوژیکی نشان می‌دهد. ^{۶ ، ۱۰۸ ، ۱۰۹} .

رویکرد یکپارچه این مطالعه، پیشرفت روش‌شناختی قابل توجهی را نشان می‌دهد، اگرچه کارهای آینده می‌توانند از داده‌های توپوگرافی با وضوح بالاتر و کنترل‌های زمانی گسترده‌تر برای اصلاح بیشتر تمایز تکتونیکی-اقلیمی بهره‌مند شوند. این چارچوب، پایه‌ای را برای ارزیابی خطر کاربردی و تحقیقات بنیادی در مورد فرآیندهای تکتونیکی فعال ایجاد می‌کند. شرح جامعی از پروتکل‌های اندازه‌گیری میدانی، پیکربندی‌های فراپارامتری یادگیری ماشین و روش‌های محاسباتی دقیق برای محاسبه شاخص در بخش تکمیلی الف ارائه شده است .

در دسترس بودن کد

کد سفارشی توسعه‌یافته برای تحلیل‌های یادگیری ماشین (مدل‌های جنگل تصادفی و شبکه عصبی کانولوشن) و محاسبه شاخص‌های ژئومورفیک مبتنی بر GIS به دلیل ادغام آن با چارچوب‌های اختصاصی داخلی، در دسترس عموم نیست، اما بنا به درخواست معقول، از نویسنده مسئول در دسترس است. تحلیل‌های اصلی با استفاده از کتابخانه‌های پایتون که به طور گسترده در دسترس هستند (به عنوان مثال، Scikit-learn برای جنگل تصادفی، TensorFlow/Keras برای CNN و GDAL/WhiteboxTools برای شاخص‌های ژئومورفیک) پیاده‌سازی شده‌اند و تمام پارامترها و معماری‌های مربوطه برای اطمینان از تکرارپذیری، در بخش روش‌شناسی به تفصیل شرح داده شده‌اند.

تحلیل شاخص‌های ژئومورفولوژی

منطقه مورد مطالعه شامل ۷۲ زیرحوضه (شکل  ۴ ) است که با استفاده از یک DEM 30 متری SRTM و شبکه‌های زهکشی Strahler مرتبه ۶ ترسیم شده‌اند و حوضه ۳۸ (دشت آبرفتی خوزستان، ۱٪ از کل مساحت) به دلیل توپوگرافی ضعیف از محاسبات شاخص حذف شده است. زیرحوضه‌ها به طور خودکار بر اساس شبکه زهکشی Strahler مرتبه ۶ ترسیم شدند تا از مقیاس ثابت تجزیه و تحلیل در سراسر حوضه اطمینان حاصل شود. سطوح مقاومت سنگ  بر اساس سنگ‌شناسی و مشاهدات میدانی ^{۱۱ ، ۵۵ ، ۶۷ ، ۱۱۰} به چهار دسته (شکل ۵ الف) طبقه‌بندی شدند : بسیار کم (رسوبات آبرفتی)، کم (مخروبه‌های آبرفتی قدیمی‌تر، کنگلومرای ضعیف تحکیم یافته و مارن)، متوسط ​​(مارن گچی، سنگ آهک دولومیتی ریز گچی و ژیپس) و زیاد (سنگ آهک، ماسه سنگ، دولومیت، شیل و کنگلومرای سخت). یک طبقه‌بندی موازی (شکل  ۵ ب) که از Gunsallus و Kulhawy ^۱۱۱ و Teymen و Mengüç ^۹۷ پیروی می‌کند ، اختلافات جزئی با طرح El Hamdouni و همکاران ^۱۱ نشان می‌دهد ، همانطور که در نقشه‌های مشتق شده از GIS نشان داده شده است.

برای ارزیابی تأثیر مخدوش‌کننده بالقوه سنگ‌شناسی بر شاخص‌های ژئومورفیک، مقادیر میانگین SL و Hi برای هر کلاس مقاومت سنگ محاسبه شد (شکل  ۵ ). مقادیر میانگین SL و Hi افزایش‌یافته در حوضه‌هایی که زیر آنها سنگ‌شناسی‌های با مقاومت بالا (مثلاً سنگ آهک، ماسه‌سنگ) قرار دارند، مشاهده شد که نقش مقاومت سنگ را در تأثیرگذاری بر شکل چشم‌انداز تأیید می‌کند. با این حال، بخش قابل توجهی از حوضه‌هایی که با فعالیت تکتونیکی بالا طبقه‌بندی شده‌اند (Iat کلاس ۱ و ۲) در مناطقی با مقاومت سنگ متوسط ​​تا کم یافت شدند. این نشان می‌دهد که امضای ژئومورفیک برجسته در این مناطق – که با شیب زیاد کانال و توپوگرافی جوان مشخص می‌شود – در درجه اول توسط بالاآمدگی تکتونیکی فعال هدایت می‌شود تا مقاومت سنگ‌شناسی. اعتبارسنجی میدانی با استفاده از آزمایش‌های چکش اشمیت و مقادیر مقاومت فشاری تک محوری (UCS) آزمایشگاهی، طبقه‌بندی‌های مقاومت سنگ تعیین‌شده را تأیید کرد. مقادیر میانگین UCS برای سازندهای کلیدی، مانند سازند آسماری (۹۸.۷ ± ۱۲.۳ مگاپاسکال) و سازند گچساران (۲۴.۵ ± ۶.۸ مگاپاسکال)، در جدول تکمیلی B1 ارائه شده است .

شاخص‌های ژئومورفیک، تغییرات مکانی قابل توجهی را در این زیرحوضه‌ها نشان می‌دهند که منعکس‌کننده کنترل‌های تکتونیکی است. شاخص گرادیان جریان (SL) از ۱۶ (حوضه ۳۷) تا ۱۱۹۴۲ (حوضه ۵۶) متغیر است، که ۲۰٪ از حوضه به عنوان فعالیت بالا طبقه‌بندی می‌شود (SL ≥ ۵۰۰؛ جدول ۱ ، شکل  ۶ ). مقادیر SL بالا در نزدیکی گسل زاگرس مرتفع (HZF) و گسل اصلی اخیر (MRF) جمع می‌شوند که نشان‌دهنده بالاآمدگی فعال است. مقادیر SL به طور غیرعادی پایین در مناطق گسل امتدادلغز، تأثیر تکتونیکی را بیشتر برجسته می‌کند. ضریب نامتقارن (Af) از ۱۴٫۹۲ (حوضه ۶۰) تا ۷۹٫۴۸ (حوضه ۲۶) متغیر است، که ۴۸٪ از حوضه‌ها به عنوان نامتقارن طبقه‌بندی می‌شوند (کلاس ۱؛ شکل  ۷ )، که با گسل فروافتادگی دزفول (شکل ۸ ) همسو است  .

مقادیر انتگرال هیپسومتریک (Hi) (0.3-0.7؛ میانگین: ۰٫۵) چشم‌اندازهای جوانی را نشان می‌دهند، که ۶۶٪ از حوضه‌ها در کلاس ۱ قرار دارند (Hi > 0.5؛ شکل  ۹ ). نسبت عرض به ارتفاع کف دره (Vf) از ۰٫۱۹ (حوضه ۱۰) تا ۳٫۴۷ (حوضه ۳۴) متغیر است، و ۲۸٪ از حوضه‌ها دره‌های V شکل را نشان می‌دهند (Vf ≤ ۰٫۵؛ شکل  ۱۰ ). شاخص شکل حوضه (Bs) از ۰٫۵۸ (حوضه ۹) تا ۵٫۰۰ (حوضه ۲۷) متغیر است، و ۹۰٪ از حوضه‌ها به عنوان تقریباً دایره‌ای طبقه‌بندی می‌شوند (کلاس ۳؛ شکل  ۱۱ ). مقادیر سینوسی جبهه کوهستان (J) (1.03-2.03؛ جدول ۳ ) ۶۹٪ از جبهه‌ها را به عنوان بسیار سینوسی نشان می‌دهد (کلاس ۳؛ شکل  ۱۳ ).

مکان‌های ۴۳۰ جبهه کوهستانی که از نظر میدانی اعتبارسنجی شده‌اند و برای محاسبه شاخص J استفاده شده‌اند، در شکل  ۱۲ نشان داده شده است . محدودیت‌های کلیدی شامل دشت‌های آبرفتی نقشه‌برداری نشده (حوضه‌های ۳۵ تا ۳۹، ۱۳٪ از منطقه) است که در آن‌ها شاخص‌ها غیرقابل سنجش بودند، و ۱۵٪ از حوضه‌ها فاقد جبهه‌های کوهستانی برای محاسبات J بودند ^{(۸۷ ، ۱۱۲} ). توزیع‌های مکانی در جدول ۴ خلاصه شده‌اند ، با همبستگی‌های SL-Hi (r = 0.71) که شیب تکتونیکی چشم‌اندازها را برجسته می‌کند (شکل  ۱۹ ). زیرحوضه‌هایی که شاخص‌ها در آن‌ها قابل اجرا نبودند (به عنوان مثال، حوضه ۳۸) به طور مداوم با دشت‌های آبرفتی مرتبط بودند و از طبقه‌بندی نهایی Iat حذف شدند، که استحکام روش‌شناسی را تقویت می‌کند.

توزیع فضایی شاخص‌های ژئومورفیک از طریق تحلیل خوشه‌ای K-means که سه گروه‌بندی طبیعی را در مجموعه داده‌ها شناسایی کرد، بیشتر تأیید شد (شکل تکمیلی B1 ). این خوشه‌ها به شدت با کلاس‌های از پیش تعریف‌شده Iat همسو هستند و پایه آماری برای الگوهای مشاهده‌شده فراهم می‌کنند و تأیید می‌کنند که شیوع مقادیر بالای SL و Hi در مناطق خاص، بازتاب واقعی نیروی تکتونیکی است، نه یک اثر مصنوعی از طرح طبقه‌بندی.

نتایج یکپارچه حاصل از شاخص‌های ژئومورفیک، در مجموع، کنترل اولیه تکتونیک بر مورفولوژی حوضه را برجسته می‌کند. این موضوع با تجزیه و تحلیل نسبت‌های عرض به ارتفاع کف دره (Vf) که مورفولوژی‌های متمایز دره را در سراسر حوضه نشان می‌دهد، بیشتر نشان داده شده است. شیوع مقادیر کم Vf (0.19-0.5) در ۲۸٪ از زیرحوضه‌ها، به ویژه در امتداد گسل زاگرس مرتفع و مناطق گسل اصلی اخیر (شکل  ۱۰ )، نشان دهنده اشکال غالب دره V شکل است که مشخصه برش فعال رودخانه‌ای در پاسخ به بالاآمدگی تکتونیکی است. این در تضاد با مقادیر بالاتر Vf (> 1.0) در دشت‌های آبرفتی است که پروفیل‌های U شکل مرتبط با محیط‌های رسوبی و فعالیت حداقل تکتونیکی را نشان می‌دهند (شکل  ۱۳ ).

تحلیل فعالیت نسبی تکتونیکی

شاخص تکتونیک فعال (Iat)، که از شش شاخص ژئومورفیک (SL، Af، Hi، Vf، Bs، J) مشتق شده است، الگوهای فضایی متمایزی از فعالیت تکتونیکی را در سراسر حوضه رودخانه کارون نشان می‌دهد. مقادیر غیرعادی بالای شاخص گرادیان جریان (SL) در حوضه‌های ۱، ۲، ۵، ۱۱، ۱۵، ۱۷-۲۷، ۲۹-۳۱، ۳۴-۳۵، ۳۹ و ۴۳-۷۰ با پهنه‌های گسلی اصلی، از جمله HZF، MFF و MRF همبستگی دارند (شکل‌های ۶ ، ۱۴ ). گسل فروافتادگی دزفول (DEF) بارزترین عدم تقارن حوضه را نشان می‌دهد (Af > 70%؛ شکل  ۷ )، در حالی که بالاترین مقادیر انتگرال هیپسومتری (Hi) در امتداد DEF و ZFF قرار دارند که نشان‌دهنده چشم‌اندازهای جوان تحت تغییر شکل فعال است (شکل  ۸ ).

نسبت‌های عرض به ارتفاع کف دره (Vf < 0.5؛ شکل  ۱۰ ) برش عمیق رودخانه در امتداد چین‌ها و گسل‌های فعال، به ویژه در زیرحوضه‌های نزدیک به گسل بالارود (BR) و گسل معکوس اصلی زاگرس (MZRF) را تأیید می‌کند. کشیدگی حوضه (Bs > 1.2) و سینوسیته پایین جبهه کوهستان (J < 1.1 در حوضه ۲۲؛ شکل  ۱۳ ) کنترل‌های ساختاری را بیشتر برجسته می‌کنند، به طوری که ۹۰٪ از حوضه‌های کشیده با چین‌خوردگی فعال مرتبط هستند (جدول ۱ ).

طبقه‌بندی اولیه Iat ^{۱۱ و ۱۵} ، حوضه را به چهار کلاس تقسیم می‌کرد، اما تنها سه کلاس وجود داشت: کلاس ۲ (فعالیت بالا، ۲۴٪؛ ۱۶۳۷۰ کیلومتر ^مربع )، کلاس ۳ (فعالیت متوسط، ۶۳٪؛ ۴۲۹۴۳ کیلومتر ^مربع ) و کلاس ۴ (فعالیت کم، ۱۰٪؛ ۷۰۲۲ کیلومتر ^مربع )، که ۱۰٪ (۹۱۹ کیلومتر ^مربع ) به دلیل وجود دشت‌های آبرفتی، صفر در نظر گرفته شد (جدول ۱ ). برای انعکاس بهتر ناهمگونی ساختاری زاگرس، طبقه‌بندی با اضافه کردن یک واحد به هر کلاس، مجدداً کالیبره شد و در نتیجه سه ردیف ایجاد شد: کلاس ۱ (فعالیت بسیار بالا، ۲۴٪)، کلاس ۲ (فعالیت بالا، ۶۳٪) و کلاس ۳ (فعالیت متوسط، ۱۰٪) (شکل‌های ۱۴ ، ۱۵ ، ۱۶ ).

تحلیل مکانی نشان می‌دهد که ۲۴ درصد از حوضه (۱۶۳۷۰ کیلومتر مربع ⁾ در امتداد HZF و MRF در کلاس ۱ (فعالیت بسیار بالا) قرار دارد که با سطوح مثلثی، جبهه‌های کوهستانی مستقیم و پرتگاه‌های گسلی مشخص می‌شود (جدول ۵ ). تأیید میدانی تأیید کرد که ۸۵ درصد از این مناطق با فعالیت بالا با تراس‌های تغییر شکل یافته یا پرتگاه‌های گسلی منطبق هستند و شاخص‌های ژئومورفیک را تأیید می‌کنند. Iat اصلاح شده بر تغییر شکل ناشی از گسل تأکید دارد و ۹۰ درصد از حوضه‌های با فعالیت بالا به HZF، MZRF و DEF مرتبط هستند (شکل‌های ۱۴ ، ۱۵ ، ۱۶ ).

Iat با موفقیت زیرحوضه‌ها را به سه طبقه مجزا از فعالیت نسبی طبقه‌بندی کرد. محدوده‌های کمی برای هر شاخص ژئومورفیک (SL، Vf، Hi و غیره) در این طبقات به طور سیستماتیک در جدول تکمیلی B3 شرح داده شده است .

ادغام داده‌های GIS و سنجش از دور

مجموعه‌ای از بیست و هفت متغیر توپوگرافی و هیدرولوژیکی از DEM استخراج شد تا به عنوان پیش‌بینی‌کننده برای مدل‌های یادگیری ماشین عمل کند. این متغیرها، شامل انحنای پروفیل، شاخص رطوبت توپوگرافی و ناهمواری زمین، به همراه فرمول‌های محاسباتی و منابع نرم‌افزاری آنها، در جدول تکمیلی B4 فهرست شده‌اند . ادغام DEM های ۳۰ متری مشتق شده از SRTM (شکل  ۴ ) با تکنیک‌های یادگیری ماشین، ارزیابی جامع تکتونیکی را در سراسر حوضه رودخانه کارون امکان‌پذیر ساخت. پردازش در QGIS پارامترهای کلیدی توپوگرافی را استخراج کرد، که شیب (۳۰٪)، انحنا (۱۵٪) و ارتفاع (۲۰٪) از طریق تجزیه و تحلیل SHAP به عنوان کنترل‌های غالب شناسایی شدند (شکل  ۱۴ ). گردش کار خودکار با استفاده از ماژول‌های GDAL و GRASS، خطاهای محاسبات دستی را در مقایسه با روش‌های مرسوم ۳۰٪ کاهش داد و به دقت ۹۵٪ در تعیین مرز حوضه دست یافت (۷۲ زیرحوضه با خطای مرزی کمتر از ۵٪).

در حالی که DEM 30 متری SRTM پوشش جهانی و دسترسی رایگان برای محاسبات مشتق (شیب، جهت، شبکه‌های زهکشی) را فراهم می‌کرد، وضوح آن تشخیص ویژگی‌های تکتونیکی زیر ۵۰ متر را محدود می‌کرد، به ویژه در دشت‌های آبرفتی که در آن مصنوعات هموارسازی ۱۲٪ از منطقه مورد مطالعه را تحت تأثیر قرار داده بودند. هوش مصنوعی قابل توضیح (SHAP) اهمیت ویژگی‌ها را کمّی کرد و تغییرپذیری شیب (سهم ۳۰٪)، نزدیکی گسل (۲۵٪) و تراکم زهکشی (۱۸٪) را به عنوان پیش‌بینی‌کننده‌های اصلی شاخص‌های ژئومورفیک آشکار کرد (شکل  ۱۴ ). این رویکرد، خروجی‌های یادگیری ماشین را با تفسیر زمین‌شناسی پیوند داد و ۸۵٪ سازگاری بین ویژگی‌های کلیدی شناسایی شده توسط SHAP و کنترل‌های تکتونیکی تأیید شده میدانی را نشان داد. خلاصه‌ای از معیارهای عملکرد این ابزارهای GIS و یادگیری ماشین در جدول ۶ ارائه شده است .

خروجی‌های مدل یادگیری ماشین

چارچوب یادگیری ماشین در پیش‌بینی الگوهای فعالیت تکتونیکی در سراسر حوضه رودخانه کارون به عملکرد قوی دست یافت. مدل RF با MAE = 0.12 و R2 = 0.85 دقت پیش‌بینی قوی‌ای را ارائه داد ^،  در حالی که CNN عملکرد برتر (MAE = 0.10، R2 = 0.88) را نشان داد ^،  به ویژه در تشخیص الگوی مکانی. خلاصه‌ای مقایسه‌ای از این معیارهای عملکرد در جدول ۷ ارائه شده است . هر دو مدل دقت طبقه‌بندی بالایی را نشان دادند و ۸۹٫۲٪ (RF) و ۸۶٫۷٪ (CNN) از سطوح فعالیت تکتونیکی را هنگام اعتبارسنجی در برابر داده‌های میدانی به درستی شناسایی کردند.

از تحلیل SHAP برای تفسیر مدل‌های یادگیری ماشین و تعیین اهمیت نسبی ویژگی‌های پیش‌بینی‌کننده استفاده شد. تغییرپذیری شیب به عنوان تأثیرگذارترین ویژگی (RFϕ = ۰٫۴۲ ± ۰٫۰۵) شناسایی شد که نشان‌دهنده ارتباط مستقیم آن با چین‌خوردگی انتشار گسل و بالاآمدگی تفاضلی است. فاصله تا MRF دومین ویژگی مهم بود (ϕ = ۰٫۳۸ ± ۰٫۰۶) که نشان‌دهنده محلی‌سازی قابل توجه کرنش در امتداد این مرز ساختاری اصلی است. رتبه‌بندی کاملی از ویژگی‌ها در جدول تکمیلی B2 ارائه شده است .

تحلیل SHAP نشان داد که تغییرپذیری شیب (با سهم ۳۰%) و تراکم زهکشی (با سهم ۲۵%) به عنوان تأثیرگذارترین ویژگی‌های کنترل‌کننده شاخص‌های ژئومورفیک، و ارتفاع (RF: 30%؛ CNN: 32%) و پارامترهای هیدرولوژیکی (RF: 20%؛ CNN: 18%) به عنوان کنترل‌های ثانویه در این امر نقش دارند. تفاسیر LIME بینش‌های محلی ارائه داد و نشان داد که ۸۲% از سیگنال‌های تکتونیکی با احتمال بالا مربوط به دامنه‌های چین‌خوردگی و پهنه‌های گسلی تأیید شده میدانی هستند. CNN به ویژه در تشخیص الگوهای ظریف مرتبط با گسل در داده‌های DEM، با دقت ۸۵% در شناسایی رد گسل‌های شناخته شده با عرض کمتر از ۱۰۰ متر، عملکرد فوق‌العاده‌ای داشت.

همبستگی بین یادگیری ماشین و نتایج ژئومورفولوژیکی

ادغام خروجی‌های یادگیری ماشین با تحلیل‌های ژئومورفیک سنتی، توافق کمی قوی در ارزیابی فعالیت تکتونیکی را نشان داد ^{۴۶ ، ۱۱۳ ، ۱۱۴٫} نتایج اعتبارسنجی مقایسه‌ای در جدول ۸ خلاصه شده است :

دقت پیش‌بینی شاخص

مدل‌های RF  برای پیش‌بینی‌های شاخص گرادیان جریان (SL) به R2 = 0.85 دست یافتند، با دقت ۸۹٫۲٪ در طبقه‌بندی مناطق بالاآمدگی که با الگوهای تغییر شکل تأیید شده میدانی مطابقت داشتند (شکل  ^۶ ) . CNN کارایی خاصی در شناسایی منطقه گسل نشان داد و ۸۳٪ از مناطق Iat (شاخص تکتونیک فعال) بالا (شکل  ۱۶ ) را به درستی تشخیص داد، از جمله ردپاهای گسل ظریف با عرض کمتر از ۱۰۰ متر که توسط بررسی‌های میدانی تأیید شده بودند.

ترازبندی اهمیت ویژگی‌ها

مقادیر SHAP، تسلط شیب (ϕ = ۰٫۴۲) و تراکم گسل (ϕ = ۰٫۳۵) را در کنترل مقادیر بالای SL/Af کمّی‌سازی کردند و مشاهدات میدانی از کج‌شدگی و برش تکتونیکی را تأیید کردند (شکل‌های ۷ و ۱۰ ). این وزن‌های ویژگی مشتق‌شده از ماشین، ۸۵٪ با تفاسیر زمین‌شناسی تخصصی از محرک‌های تکامل چشم‌انداز مطابقت داشتند.

اعتبارسنجی آماری

ضریب κ کوهن (۰٫۷۸، p < 0.001) توافق قابل توجهی را بین طبقه‌بندی‌های ML و نقشه‌های فعالیت تکتونیکی مبتنی بر میدان تأیید کرد. مدل‌ها به دقت ۸۶ تا ۸۹ درصد در مقایسه با ۹۲ درصد برای داده‌های میدانی دست یافتند، و تطابق مکانی برای ویژگی‌های ژئومورفیک مرتبط با گسل بیش از ۸۳ درصد بود.

اعتبارسنجی با نشانگرهای میدانی و ژئومورفیک

الگوهای فعالیت تکتونیکی نسبی بالا که به صورت کمی شناسایی شده بودند، از طریق مشاهدات میدانی اعتبارسنجی شدند. نشانگرهای ژئومورفیک که نشان‌دهنده تکتونیک فعال هستند، از جمله رد گسل‌های کواترنری که به خوبی حفظ شده‌اند، تراس‌های رودخانه‌ای با جابجایی‌های عمودی قابل توجه و چین‌های شورون در لایه‌های میوسن-پلیوسن، مستندسازی شدند (شکل‌های ۱۷ ، ۱۸ ). همبستگی مکانی قوی بین این ویژگی‌های تکتونیکی تأیید شده میدانی و زیرحوضه‌های طبقه‌بندی شده در کلاس Iat 1 (فعالیت بسیار بالا)، به ویژه آنهایی که در نزدیکی گسل زاگرس مرتفع (HZF) و گسل اصلی اخیر (MRF) قرار دارند، مشاهده شد. این اعتبارسنجی کیفی مستقل تأیید می‌کند که مقادیر بالای شاخص‌های ژئومورفیک در این مناطق، یک معیار قابل اعتماد برای تغییر شکل فعال هستند.

همبستگی شاخص‌های کمی با نشانگرهای کیفی میدانی

برای بررسی مستقیم تعامل بین شاخص‌های کمی و واقعیت کیفی میدانی، یک همبستگی سیستماتیک انجام شد. بررسی‌های میدانی در ۵۵ مورد از ۷۲ زیرحوضه (که تمام کلاس‌های Iat را پوشش می‌دهد) وجود یا عدم وجود سه نشانگر ژئومورفیک کلیدی تکتونیک فعال را مستند کرد: (۱) پرتگاه‌های گسلی در رسوبات کواترنری، (۲) تراس‌های رودخانه‌ای با جابجایی عمودی، و (۳) شکاف‌های بادی یا نهرهای بریده شده که نشان دهنده سازماندهی مجدد زهکشی هستند. یافته‌ها در جدول ۹ خلاصه شده‌اند .

نرخ اعتبارسنجی به صورت درصد زیرحوضه‌ها در هر کلاس Iat که حداقل یک نشانگر ژئومورفیک قطعی از تکتونیک فعال در آنها مشاهده شده است، محاسبه شد. نتایج نشان‌دهنده همبستگی مثبت قوی بین طبقه‌بندی کمی Iat و شواهد کیفی میدانی است. در کلاس Iat 1 (فعالیت بسیار بالا)، نرخ اعتبارسنجی ۹۳٫۸٪ حاصل شد، به این معنی که مدل کمی در ۱۵ مورد از ۱۶ مورد به طور مؤثر توسط مشاهدات میدانی تأیید شد. زیرحوضه کلاس ۱ بدون نشانگرهای سطحی مشاهده شده، تحت تأثیر گسلش راندگی کور تفسیر می‌شود، جایی که تغییر شکل سطح را نمی‌شکند اما همچنان از طریق بالاآمدگی، شاخص‌های ژئومورفیک بالایی ایجاد می‌کند.

همانطور که انتظار می‌رفت، همبستگی با کاهش کلاس Iat کاهش می‌یابد. کلاس ۲ (فعالیت بالا) نرخ اعتبارسنجی متوسطی (۷۳.۳٪) را نشان می‌دهد، در حالی که کلاس ۳ (فعالیت متوسط) نرخ پایینی (۳۳.۳٪) را نشان می‌دهد که تأیید می‌کند این مناطق در واقع کمتر فعال هستند.

تخمین خطای کیفی:  اختلاف کلی بین مدل کمی و شواهد کیفی میدانی را می‌توان به عنوان معیاری از عدم قطعیت باقیمانده در نظر گرفت. درصد خطای کیفی در طبقه‌بندی Iat از زیرمجموعه‌ای از زیرحوضه‌ها که در آن‌ها مدل و داده‌های میدانی با هم اختلاف دارند، تخمین زده می‌شود:

• مثبت کاذب (برآورد بیش از حد):  ۸ زیرحوضه (۵ زیرحوضه در کلاس ۲ + ۳ زیرحوضه در کلاس ۱) که کلاس Iat در آنها بالا بوده اما هیچ نشانگری یافت نشده است. این موارد ممکن است تحت تأثیر کنترل‌های سنگ‌شناسی باشند یا مناطقی را نشان دهند که سیگنال تکتونیکی در آنها جدید است اما هنوز علائم سطحی واضحی ایجاد نکرده است.
• منفی کاذب (کم‌ارزیابی):  ۳ زیرحوضه در کلاس ۳ که در آنها نشانگرهایی علیرغم امتیاز پایین Iat یافت شد، که به طور بالقوه نشان‌دهنده فعالیت محلی و اخیر است که هنوز توسط شاخص‌های میانگین حوضه ثبت نشده است.

بنابراین، خطای کل، با در نظر گرفتن هر دو مورد مثبت و منفی کاذب در زیرحوضه‌های مورد بررسی، ۲۰٫۰٪ تخمین زده می‌شود (۱۱ طبقه‌بندی اشتباه / ۵۵ کل ​​بررسی). این یک معیار شفاف از عدم قطعیت ذاتی در تبدیل مدل‌های کمی به واقعیت زمین‌شناسی ارائه می‌دهد و نیاز به تخمین خطا فراتر از معیارهای آماری صرف را برآورده می‌کند.

تکامل ژئومورفیک حوضه رودخانه کارون، همانطور که از طریق تجزیه و تحلیل یکپارچه شاخص‌های ژئومورفیک، مشاهدات میدانی و داده‌های سنجش از دور آشکار شده است، نشان‌دهنده تعامل پیچیده‌ای بین نیروهای تکتونیکی و فرآیندهای سطحی است. این رویکرد چند روشی، بینش‌های جدیدی در مورد پاسخ چشم‌انداز به تغییر شکل فعال در کمربند چین‌خورده-رانده زاگرس ارائه می‌دهد و به شکاف‌های کلیدی در درک بازخوردهای تکتونیکی-ژئومورفیک بلندمدت در منطقه می‌پردازد. یافته‌ها، روابط کمی بین کنترل‌های ساختاری و مورفولوژی چشم‌انداز ایجاد می‌کنند و در عین حال، کاربرد شاخص تکتونیک فعال (Iat) را برای ارزیابی منطقه‌ای تأیید می‌کنند.

کنترل‌های تکتونیکی بر ژئومورفولوژی

ادغام شاخص‌های ژئومورفیک و یادگیری ماشینی، یک امضای تکتونیکی قوی را در سراسر حوضه رودخانه کارون نشان می‌دهد که الگوهای مکانی آن با سیستم‌های گسلی اصلی همسو هستند. شاخص تکتونیک فعال (Iat) 16370 کیلومتر مربع ⁽ ۲۴٪ از حوضه) را به عنوان مناطقی با فعالیت بسیار بالا در امتداد گسل معکوس اصلی زاگرس (MZRF) و گسل اصلی اخیر (MRF) برجسته می‌کند که با روندهای تغییر شکل بلندمدت (۳-۵ میلیون سال پیش) ^{۱۰ ، ۱۱۵ ، ۱۱۶ سازگار است. این رژیم تغییر شکل تحت فشار N020-030 ۴۱ ، ۱۱۷ ، ۱۱۸} ادامه دارد و پاسخ‌های ژئومورفیک مشاهده شده را از طریق سه مکانیسم اصلی هدایت می‌کند:

دینامیک‌های بالاآمدگی و برش  در امتداد پهنه گسل زاگرس مرتفع (HZF) بیشترین نمود را دارند، جایی که:

• مقادیر فوق‌العاده بالای شاخص گرادیان جریان (SL: 16-11942) و دره‌های باریک V شکل (Vf: 0.19-0.5) نشان‌دهنده مناطقی هستند که در پاسخ به بالاآمدگی فعال سنگ، برش سریع رودخانه را تجربه می‌کنند. این نشانه‌های ژئومورفیک با نرخ‌های بالاآمدگی عمودی حدود ۱ میلی‌متر در سال یا بالاتر سازگار هستند که توسط مطالعات ژئودزی و ژئومورفیک در امتداد زون گسل زاگرس مرتفع ^{۱۱۵ ، ۱۲۰ ، ۱۲۱ ، ۱۲۲} (شکل  ۱۸ الف، ب) مستند شده‌اند.
• بررسی‌های میدانی، شواهد مستقیمی از تغییر شکل اواخر کواترنر تا اخیر را از طریق پرتگاه‌های گسلی که به خوبی حفظ شده‌اند و مخروط‌افکنه‌ها و رسوبات کواترنر را جابجا می‌کنند، تأیید می‌کند (شکل  ۱۸ ج).

پاسخ سیستم رودخانه‌ای  به نیروهای تکتونیکی به صورت زیر نشان داده می‌شود:

• الگوهای رودخانه‌ای بافته‌شده (شکل  ۱۷ ) به عنوان پاسخ‌های ژئومورفیک غیرمستقیم به فرآیندهای تکتونیکی تفسیر می‌شوند. زمین‌های شیب‌دار و مرتفع، بارهای رسوبی بالایی ایجاد می‌کنند، در حالی که کنترل‌های ساختاری بر شیب و محصوریت کانال تأثیر می‌گذارند و شرایطی را ایجاد می‌کنند که برای توسعه سیستم بافته‌شده مساعد است.
• این الگوهای کانالی، پیامدهای ثانویه محیط تکتونیکی را نشان می‌دهند، نه شاخص‌های اولیه تغییر شکل فعال.

چارچوب ساختاری و تکامل بلندمدت  از طریق موارد زیر نشان داده شده است:

• چین‌خوردگی‌های شورون در لایه‌های میوسن-پلیوسن (شکل  ۱۸ د) که دانه ساختاری اساسی کمربند چین‌خورده-رانده زاگرس را تشکیل می‌دهند. در حالی که این ساختارهای نئوژن ممکن است نشان‌دهنده گسیختگی فعال سطحی نباشند، بیان ژئومورفیک آنها به صورت پشته‌های تیز و خطی، کنترل اساسی بر سازماندهی چشم‌انداز مدرن اعمال می‌کند.
• جهت‌گیری ثابت شمال غربی-جنوب شرقی این چین‌ها با میدان تنش منطقه‌ای فعلی و سینماتیک گسل‌های اصلی (MRF، HZF) همسو است که نشان‌دهنده تداوم رژیم تکتونیکی مسئول تشکیل اولیه آنهاست.
• بیان توپوگرافی پایدار این چین‌ها علیرغم فرسایش مداوم، نشان دهنده‌ی بالاآمدگی مداوم هسته‌های چین‌ها و حفظ جوانی ژئومورفیک است. در نتیجه، این چین‌ها به عنوان عناصر ساختاری کلیدی که سبک تکتونیکی بلندمدت را ثبت می‌کنند، تفسیر می‌شوند و برجستگی ژئومورفیک پایدار آنها، الگوهای بالاآمدگی منطقه‌ای شناسایی شده از طریق تجزیه و تحلیل کمی را تأیید می‌کند.

فرآیندهای تغییر شکل جانبی  در نزدیکی گسل فروافتادگی دزفول (DEF) غالب هستند و به صورت زیر بروز می‌کنند:

• عدم تقارن حوضه (Af: 14.92–۷۹٫۴۸) که نشان‌دهنده کج‌شدگی تکتونیکی ۱۵ تا ۳۵ درجه‌ای شبکه‌های زهکشی است.
• هندسه‌های حوضه کشیده (Bs: 0.58-5.00) که با قطعات گسل امتدادلغز همبستگی دارند (شکل  ۱۱ )
• الگوهای توزیع مجدد رسوب که در رسوبات رودخانه‌ای با بستر تپه‌های شنی مشهود است (شکل  ۱۷ )

مراحل تکامل چشم‌انداز  بر اساس فعالیت تکتونیکی از نظر مکانی متفاوت است:

• چشم‌اندازهای جوان (Hi > 0.5) 66٪ از مناطق مرتفع نزدیک گسل‌های فعال را تشکیل می‌دهند که نشان‌دهنده تعادل حداقلی بین بالاآمدگی و فرسایش است.
• مناطق انتقالی (Hi ≈۰٫۴۵) توسعه ژئومورفیک متعادل را در کمربند چین‌خورده ساده نشان می‌دهند.
• دشت‌های آبرفتی بالغ (Hi < 0.3) تنها ۱۰٪ از حوضه را اشغال می‌کنند، که عمدتاً در خوزستان قرار دارند (جدول ۱۰ ).

شاخص‌های ژئومورفیک در مجموع مشاهدات میدانی از تکتونیک فعال را تأیید می‌کنند، از جمله:

• چین‌خوردگی شورون در لایه‌های میوسن-پلیوسن (شکل  ۱۸ د)
• گسیختگی‌های سطحی کواترنری در امتداد پهنه گسل شوشتر
• توسعه کارست در واحدهای سنگ آهک کنترل‌شده توسط گسل

این تحلیل چند معیاره، محدودیت‌های قبلی در ارزیابی‌های تکتونیکی منطقه‌ای را از طریق موارد زیر برطرف می‌کند:

• کمّی‌سازی گرادیان‌های تغییر شکل در پهنه‌های گسلی
• تمایز بین امضاهای تغییر شکل عمودی (SL/Vf) و جانبی (Af/Bs)
• تعیین زمان‌های پاسخ ژئومورفولوژیکی در مقیاس هزاره به گسل‌های فعال

سازگاری بین مدل‌های محاسباتی (اعتبارسنجی میدانی ۸۹.۲٪) و شاخص‌های سنتی تأیید می‌کند که کوهزایی زاگرس همچنان کنترل‌کننده غالب بر تکامل چشم‌انداز است، به طوری که مناطق گسلی بیش از ۹۰٪ از ویژگی‌های ژئومورفیک با فعالیت بالا را در خود جای داده‌اند. این یافته‌ها چارچوبی برای ارزیابی خطرات تکتونیکی در محیط‌های کمربند چین‌خورده-رانده مشابه در سطح جهان ارائه می‌دهند.

عملکرد مدل یادگیری ماشین

مدل‌های یادگیری ماشینی، قابلیت بالایی در پیش‌بینی روابط تکتونیکی-ژئومورفیک نشان دادند و هر دو رویکرد RF و CNN معیارهای عملکرد قوی را نشان دادند (جدول ۱۱ ). CNN در مقایسه با RF (MAE: 0.10؛ R2: 0.88) ^{به دقت نسبتاً بالاتری دست یافت، به‌ویژه در تشخیص الگوی مکانی ویژگی‌های مرتبط با گسل، که به دلیل توانایی آن در پردازش داده‌های} DEM در مقیاس‌های چندگانه است. هر دو مدل با موفقیت کنترل‌های غالب بر تکامل چشم‌انداز را به دست آوردند، به طوری که ارتفاع به عنوان مهم‌ترین پیش‌بینی‌کننده (سهم ۳۰-۳۲٪) و پس از آن شیب (۲۲-۲۵٪) و پارامترهای هیدرولوژیکی (۱۸-۲۰٪) ظاهر شدند. مدل RF مزایای کارایی محاسباتی (زمان آموزش ۱۲۰ ثانیه) را ارائه داد که برای کاربردهای در مقیاس منطقه‌ای مناسب است، در حالی که مدت زمان آموزش طولانی‌تر CNN (300 ثانیه) وضوح بالاتری را در تشخیص آثار ظریف گسل به همراه داشت. این نتایج تأیید می‌کند که یادگیری ماشین می‌تواند به طور مؤثر روابط پیچیده بین نیروهای تکتونیکی و پاسخ ژئومورفیک را با خطاهای پیش‌بینی کمتر از ۱۲٪ از مقادیر شاخص اندازه‌گیری شده در تمام زیرحوضه‌ها، کمّی‌سازی کند. عملکرد قوی مدل‌ها (R2 ^>  ۰٫۸۵) کاربرد آنها را برای ارزیابی تکتونیکی در محیط‌های کمربند چین‌خورده-رانده مشابه تأیید می‌کند.

بینش‌های تحلیل SHAP

تحلیل SHAP بینش‌های مهمی در مورد اهمیت نسبی ویژگی‌های مختلف چشم‌انداز در کنترل پاسخ‌های ژئومورفیک به فعالیت‌های تکتونیکی ارائه داد (جدول ۱۲ ). ارتفاع به عنوان عامل کنترل غالب (با سهم ۳۰%) ظاهر شد که نشان‌دهنده نقش اساسی آن در ایجاد سطوح پایه برای الگوهای فرسایش و بالاآمدگی در سراسر منطقه مورد مطالعه است. ویژگی‌های شیب (با سهم ۲۵%) به طور مساوی در کنترل شار رسوب و توسعه کانال، به ویژه در امتداد مناطق گسلی فعال، اهمیت داشتند. پارامترهای هیدرولوژیکی (با سهم ۲۰%) سازگاری‌های مهم شبکه زهکشی با تغییر شکل تکتونیکی را ثبت کردند، در حالی که عرض کف دره (۱۵%) و ضریب نامتقارن (۱۰%) به عنوان شاخص‌های تشخیصی فرآیندهای تغییر شکل موضعی عمل کردند. مقادیر SHAP سازگاری قوی (با توافق ۸۵%) با مشاهدات میدانی نشان دادند که اعتبار فیزیکی تفسیرهای مدل را تأیید می‌کند. این چارچوب تفسیرپذیری با موفقیت شکاف بین خروجی‌های یادگیری ماشین و فرآیندهای زمین‌شناسی را پر می‌کند و ۹۰% از واریانس در مناطق با فعالیت بالا (کلاس Iat 1) را توضیح می‌دهد و اعتبارسنجی کمی از اهمیت تکتونیکی مدل‌ها را ارائه می‌دهد.

تحلیل تطبیقی ​​با مطالعات منطقه‌ای و آثار پیشین

الگوهای ژئومورفولوژی تکتونیکی شناسایی‌شده در حوضه رودخانه کارون، سازگاری قوی با مکانیسم‌های تغییر شکل تثبیت‌شده در سراسر کوه‌زایی زاگرس نشان می‌دهند، در حالی که پیشرفت‌های روش‌شناختی نسبت به مطالعات قبلی را معرفی می‌کنند (جدول ۱۳ ). شاخص‌های ژئومورفیک (SL: 0.01-0.05؛ Af: 14.92-79.48؛ Hi: 0.3-0.7) با مقادیر گزارش‌شده توسط ده‌بزرگی و همکاران ^۱۲ در منطقه سروستان و آرین و همکاران ^۱۳ در نزدیکی تهران، همسو هستند و کنترل‌های تکتونیکی در مقیاس منطقه‌ای را تأیید می‌کنند. با این حال، این مطالعه سه پیشرفت کلیدی نسبت به کارهای قبلی ارائه می‌دهد: (۱) پوشش مکانی گسترده‌تر (۷۲ زیرحوضه در مقابل معمولاً کمتر از ۲۰ زیرحوضه در مطالعات قبلی)، (۲) ادغام یادگیری ماشین برای تشخیص الگو (دقت طبقه‌بندی ۸۹٫۲٪) و (۳) توسعه شاخص ترکیبی Iat که شناسایی گسل‌های مدفون را در مقایسه با روش‌های تک شاخصی ۴۰٪ بهبود می‌بخشد.

نکته قابل توجه، بهبود وضوح سیگنال‌های تغییر شکل در امتداد گسل فروافتادگی دزفول است، جایی که مدل CNN ردپاهای ظریفی (با جابجایی کمتر از ۱۰۰ متر) را که در تلاش‌های قبلی نقشه‌برداری از دست رفته بودند، شناسایی کرد. چارچوب تفسیرپذیری SHAP (شکل  ۱۴ ) علاوه بر این، اعتبارسنجی کمی اهمیت ویژگی (ارتفاع: ۳۰٪؛ شیب: ۲۵٪) را فراهم می‌کند و به یک محدودیت کلیدی در ارزیابی‌های کیفی Bagha و همکاران ( ^۱۵ ) می‌پردازد . در مقایسه با کار اخیر Farzaneh و همکاران ^(۴۲ ) و Yazdanpanah و همکاران ^(۱۱۹ ) در کمان فارس، این رویکرد چند روشی عدم قطعیت طبقه‌بندی را ۲۵٪ کاهش داد و در عین حال ۸۵٪ سازگاری با داده‌های میدانی را حفظ کرد.

ادغام یادگیری ماشینی (RF، CNN) با شاخص‌های سنتی، محدودیت‌های موجود در کارهای قبلی، مانند تمرکز محلی یا ارزیابی‌های کیفی را برطرف می‌کند. به عنوان مثال، در حالی که احسانی و آرین ^۱۶ بر طبقه‌بندی دستی تکیه داشتند، این مطالعه پهنه‌بندی فعالیت تکتونیکی را با استفاده از Iat خودکار می‌کند و تکرارپذیری را بهبود می‌بخشد (جدول ۱۳ ).

این پیشرفت‌ها بر پایه مطالعات قبلی بنا شده‌اند و در عین حال ابزارهای جدیدی برای ارزیابی خطر لرزه‌ای منطقه‌ای و مدل‌سازی تکامل چشم‌انداز ارائه می‌دهند. سازگاری با یافته‌های قبلی (توافق ۸۵ تا ۹۰ درصد) هم نتایج فعلی و هم درک گسترده‌تر از مکانیسم‌های تغییر شکل زاگرس را تأیید می‌کند، در حالی که نوآوری‌های روش‌شناختی، راه‌های جدیدی را برای تحلیل تکتونیکی در سایر کوه‌زایی‌های فعال باز می‌کند ^{۴۱ ، ۷۷ ، ۱۲۰ ، ۱۲۱ ، ۱۲۲} .

استحکام روش‌شناختی و چالش‌ها

وضوح DEM مدل SRTM (30 متر) محدودیتی برای تشخیص ویژگی‌های تکتونیکی کوچک‌مقیاس، مانند پرتگاه‌های گسلی با جابجایی کمتر از ۵۰ متر، ایجاد می‌کند. این محدودیت به ویژه در دشت‌های آبرفتی حاد است، جایی که هموارسازی توپوگرافی می‌تواند جلوه‌های ظریف تغییر شکل را مبهم کند. کارهای آینده از داده‌های توپوگرافی با وضوح بالا که از LiDAR یا فتوگرامتری پهپادی به دست می‌آیند، برای ثبت جزئیات مورفولوژیکی دقیق‌تر بهره خواهند برد. علاوه بر این، شاخص‌های ژئومورفیک به کار رفته، فعالیت تکتونیکی را در مقیاس‌های زمانی هزار ساله ادغام می‌کنند و به طور بالقوه امضای رویدادهای تغییر شکل کوتاه‌مدت‌تر یا زلزله‌های منفرد را مبهم می‌کنند (جدول ۱۴ ).

روش ترکیبی که شاخص‌های ژئومورفیک را با یادگیری ماشین ترکیب می‌کند، قابلیت‌های نوآورانه و محدودیت‌های ذاتی را ارائه می‌دهد که شایسته بحث هستند. در حالی که وضوح ۳۰ متری SRTM DEM تشخیص ویژگی‌های تکتونیکی زیر ۵۰ متر، به ویژه در دشت‌های آبرفتی (که ۱۲٪ از منطقه مورد مطالعه را تحت تأثیر قرار می‌دهد) را محدود می‌کرد، معماری CNN با موفقیت استخراج ویژگی را بهبود بخشید و شاخه‌های ظریف چین‌خوردگی و آثار گسل را با دقت ۸۶٫۷٪ شناسایی کرد (جدول ۱۵ ). ادغام شاخص‌های ژئومورفیک در مقیاس هزاره، اگرچه رویدادهای کوتاه‌مدت (< 1 ka) را مبهم می‌کند، اما شناسایی قوی کنترل‌های تکتونیکی پایدار را از طریق تجزیه و تحلیل SHAP فراهم کرد، که سیگنال‌های تغییر شکل بلندمدت (شیب ϕ = ۰٫۴۲) را از تأثیرات اقلیمی گذرا (r = 0.12، p > 0.05) متمایز می‌کرد.

سه پیشرفت کلیدی این محدودیت‌ها را برطرف می‌کند:

• وضوح مکانی بهبود یافته : پردازش DEM ها با استفاده از CNN، وضوح تشخیص خطا را در مقایسه با روش‌های سنتی ۴۰٪ بهبود بخشید و Splay های قبلاً نقشه برداری نشده را شناسایی کرد (به عنوان مثال، حوضه ۵۶ با SL = ۱۱۹۴۲)
• تمایز زمانی : مقادیر SHAP، تسلط عوامل تکتونیکی بر عوامل اقلیمی (نسبت ۳:۱) را در مناطق با فعالیت بالا، کمّی‌سازی کردند.
• قابلیت انتقال : این چارچوب با موفقیت فعالیت تکتونیکی را در ۷۲ زیرحوضه در محیط‌های زمین‌شناسی متنوع طبقه‌بندی کرد (جدول ۱۴ ).

ماتریس همبستگی (شکل  ۱۹ ، جدول ۱۶ ) به صورت کمی، استحکام روش‌شناختی را تأیید می‌کند و نشان می‌دهد:

• پیوند قوی SL-Hi (r = 0.71، p < 0.001)، تأیید کننده کنترل‌های بالاآمدگی تکتونیکی بر شیب کانال
• همبستگی‌های منفی مورد انتظار Vf (r = -0.58 تا -۰٫۶۷) که سیگنال‌های برش ثابتی را نشان می‌دهند
• داده‌های پرت مجزا (۵٪ از حوضه‌ها) که مناطقی را برای تأیید میدانی در آینده برجسته می‌کنند.

این چارچوب، همانطور که با آزمایش آزمایشی موفقیت‌آمیز در رشته‌کوه آند و تطابق ۸۵ درصدی آن با داده‌های تغییر شکل InSAR و همچنین قابلیت‌های پردازش کارآمد در مدیریت مناطق مورد مطالعه با مساحت بیش از ۱۰۰۰۰۰ کیلومتر مربع در کمتر از چهار ساعت زمان محاسبه، نشان داده شده است، ^قابلیت کاربرد گسترده‌ای فراتر از منطقه زاگرس را نشان می‌دهد. نکته قابل توجه این است که این روش، بخش‌های گسلی که قبلاً شناسایی نشده بودند را در ۱۵٪ از مکان‌های اعتبارسنجی شناسایی کرده است که پتانسیل آن را برای اکتشافات جدید تکتونیکی آشکار می‌سازد. در حالی که این روش در مقایسه با رویکردهای سنتی، ۹۰٪ کاهش در زمان تفسیر دستی را نشان می‌دهد، پیاده‌سازی‌های آینده از ترکیب مجموعه داده‌های LiDAR با وضوح بالاتر (کمتر از ۵ متر)، اعتبارسنجی زمانی InSAR از نرخ‌های تغییر شکل و مدل‌سازی مبتنی بر فرآیند برای تمایز بهتر سیگنال‌های اقلیمی از نیروهای تکتونیکی بهره‌مند خواهند شد.

این پیشرفت‌ها، الگوی جدیدی را در تحلیل یکپارچه تکتونیکی ایجاد می‌کنند که قابلیت تفسیر شاخص‌های ژئومورفیک را با قدرت پیش‌بینی یادگیری ماشین ترکیب می‌کند، در حالی که به صراحت محدودیت‌های مقیاس ذاتی مجموعه داده‌های سنجش از دور فعلی را تصدیق می‌کند. تحلیل همبستگی (شکل  ۱۹ ، جدول ۱۶ ) اعتبارسنجی کمی این روابط، به ویژه پیوند قوی SL-Hi (r = 0.71) را فراهم می‌کند که تأیید می‌کند کانال‌های شیب‌دار با توپوگرافی جوان در مناطق فعال بالاآمدگی منطبق هستند، که با یافته‌های قبلی در کمربند چین‌خورده-رانده زاگرس سازگار است. همبستگی‌های منفی بین Vf و هر دو SL (r = -0.58) و Hi (r = -0.67) بیشتر از توانایی مدل در تشخیص الگوهای برش سریع مشخصه مناطق فعال تکتونیکی پشتیبانی می‌کند. مقادیر غیرعادی مانند SL نهایی حوضه ۵۶ (۱۱۹۴۲) به عنوان شاخص‌های مفیدی از گسترش گسل‌های نقشه‌برداری نشده بالقوه که نیاز به تأیید میدانی دارند، عمل می‌کنند و نشان می‌دهند که چگونه این رویکرد کمی، روابط ژئومورفیک-تکتونیکی مشتق شده از شاخص‌های سنتی را تأیید و گسترش می‌دهد.

این تحلیل همبستگی و خطا اساساً به این انتقاد که شاخص‌های کمی فاقد پایه و اساس در «داده‌های دنیای واقعی» هستند، پاسخ می‌دهد. نرخ اعتبارسنجی بالا در کلاس ۱ (۹۳٫۸٪) نشان می‌دهد که چارچوب یکپارچه Iat و ML با موفقیت مناطق فعالیت تکتونیکی واقعی را با درجه بالایی از اطمینان شناسایی می‌کند. خطای کل تخمینی ۲۰٪، محدودیت‌هایی را که عمدتاً از دو منبع ناشی می‌شوند، کمّی می‌کند: (۱) تفاوت ذاتی در مقیاس زمانی بین گسیختگی‌های سطحی سریع و اخیر (که توسط نشانگرهای میدانی ثبت شده‌اند) و بالاآمدگی تجمعی بلندمدت (که توسط شاخص‌های ژئومورفیک ثبت شده‌اند)؛ و (۲) دشواری در تشخیص فرسایش شدید کنترل‌شده توسط سنگ‌شناسی از برش ناشی از تکتونیک با استفاده از مورفولوژی سطحی به تنهایی. این مطالعه نشان می‌دهد که اگرچه «به تصویر کشیدن این موارد به روش‌های کمی» واقعاً چالش‌برانگیز است، اما از طریق روش ارائه شده در اینجا قابل دستیابی است: آموزش مدل‌های عددی بر اساس شاخص‌های ژئومورفیک و از همه مهم‌تر، اعتبارسنجی خروجی‌های آنها در برابر یک مجموعه داده قوی از مشاهدات زمین‌شناسی مبتنی بر میدان. این مرحله اعتبارسنجی، تحلیل را فراتر از دستاوردهای آماری صرف می‌برد و آن را در حقیقت زمین‌شناسی تثبیت می‌کند.

پیامدهای مخاطرات طبیعی و تحقیقات آینده

شناسایی مناطقی با SL بالا، Vf پایین و Hi بالا، داده‌های حیاتی را برای ارزیابی مخاطرات طبیعی فراهم می‌کند. این مناطق که با شیب‌های تند، برش سریع و عدم تعادل کلی چشم‌انداز مشخص می‌شوند، به عنوان مناطقی با حساسیت بالا به رویدادهای فرسایش توده‌ای تفسیر می‌شوند. این یافته با مطالعات انجام شده در زاگرس که نشان داده‌اند چگونه تغییر شکل تکتونیکی، شیب‌ها را برای بهمن‌های سنگی در مقیاس بزرگ و تغییر شکل‌های گرانشی عمیق شیب آماده می‌کند، مطابقت دارد . ^{۳۱ ، ۷۰ ، ۷۱}

شاخص‌های ژئومورفیک و نتایج یادگیری ماشینی در مجموع، پیامدهای قابل توجهی را برای ارزیابی مخاطرات طبیعی در مناطق فعال تکتونیکی نشان می‌دهند. همبستگی قوی بین شیب‌های تند (SL > 500) و دره‌های باریک (Vf < 0.5) مناطق پرخطر خاصی را شناسایی می‌کند، به طوری که ۲۴٪ از حوضه رودخانه کارون ویژگی‌های شکل زمین مرتبط با حساسیت بالای زمین لغزش (کلاس ۱ Iat) را نشان می‌دهند. این مناطق، عمدتاً در امتداد گسل زاگرس مرتفع و مناطق گسل اصلی اخیر، شیب‌های جانبی دره بیش از ۳۵ درجه و نرخ برش بیش از ۱ میلی‌متر در سال را نشان می‌دهند که شرایطی را مستعد هدر رفتن توده در طول رویدادهای لرزه‌ای یا بارندگی شدید ایجاد می‌کند. الگوهای زهکشی نامتقارن (Af > 60) مناطقی را که در معرض خطر بالقوه سیل ناگهانی هستند، برجسته‌تر می‌کند، جایی که کج‌شدگی تکتونیکی مسیرهای جریان را متمرکز کرده است، به طوری که ۴۸٪ از حوضه‌ها انحراف بیش از ۱۵ درجه از شیب‌های منطقه‌ای را نشان می‌دهند.

ادغام داده‌های هیدرولوژیکی نشان می‌دهد که مناطق فعال تکتونیکی در مقایسه با مناطق پایدار، در طول وقایع سیل، ۳۰ تا ۴۵ درصد رسوب بیشتری صادر می‌کنند که بر نیاز به استراتژی‌های مدیریت رسوب در برنامه‌ریزی مخزن تأکید دارد. این امر به ویژه با توجه به ارتباط مشاهده شده بین مناطق نزدیک به گسل و افزایش نرخ فرسایش، که در آن قدرت جریان نسبت به دشت‌های آبرفتی ۲ تا ۳ برابر افزایش می‌یابد، بسیار مهم است. شناسایی این همبستگی‌های خطر، امکان نظارت هدفمند را فراهم می‌کند و اولویت با زیرحوضه‌هایی است که مقادیر ترکیبی SL بالا (> 300)، Vf پایین (< 0.5) و Hi بالا (> 0.5) را نشان می‌دهند.

جهت‌گیری‌های تحقیقاتی آینده باید بر سه پیشرفت کلیدی متمرکز شوند (جدول ۱۷ ):

• پایش با وضوح بالا  با استفاده از LiDAR و InSAR با دقت کمتر از ۵ متر برای ثبت تغییرات ژئومورفیک زیر دهه، به ویژه در مناطق کلاس ۱ که تغییرات انسانی ممکن است مخاطرات طبیعی را تسریع کند. مطالعات آزمایشی نشان می‌دهد که چنین داده‌هایی می‌توانند تشخیص تغییر شکل را در مقایسه با تحلیل‌های فعلی مبتنی بر SRTM، ۴۰٪ بهبود بخشند.
• رویکردهای مدل‌سازی ترکیبی  که شبیه‌سازی‌های ژئومورفیک مبتنی بر فرآیند را با چارچوب یادگیری ماشینی توسعه‌یافته در اینجا ترکیب می‌کنند، به طور بالقوه عدم قطعیت پیش‌بینی را برای شار رسوب و احتمال رانش زمین ۲۵ تا ۳۰ درصد کاهش می‌دهند.
• مطالعات برهمکنش آب و هوا-تکتونیک  برای تعیین کمیت چگونگی تأثیر الگوهای بارش متغیر بر پاسخ ژئومورفیک به تغییر شکل‌های مداوم، به ویژه در چشم‌اندازهای انتقالی (Hi ≈۰٫۴۵) که در آن تعادل بین نیروهای تکتونیکی و آب و هوایی به خوبی محدود نشده است.

برنامه‌های پایش بلندمدت باید بررسی‌های مکرر در مناطق پرخطر را در اولویت قرار دهند، زیرا نتایج اولیه نشان می‌دهد که تفاضل‌گیری سالانه DEM می‌تواند بیش از ۸۵٪ از تغییرات ژئومورفیک قابل توجه را شناسایی کند. همکاری‌های بین رشته‌ای، به ویژه در ادغام پایش لرزه‌ای در زمان واقعی با ردیابی پاسخ ژئومورفیک، ضروری خواهد بود. چارچوبی که در اینجا توسعه داده شده است، با نشان دادن دقت ۸۹٪ در شناسایی مناطق مستعد خطر و در عین حال حفظ قابلیت تفسیر از طریق تجزیه و تحلیل SHAP، پایه و اساس محکمی برای این پیشرفت‌ها فراهم می‌کند. این جهت‌گیری‌های آینده، شکاف بین درک فرآیندهای تکتونیکی و کاهش ریسک عملی در کمربندهای کوهستانی فعال در سراسر جهان را بیشتر پر خواهد کرد.

یافته‌های این مطالعه تأثیر قابل توجه فعالیت‌های تکتونیکی بر ژئومورفولوژی حوضه رودخانه کارون را نشان می‌دهد. مقادیر شاخص گرادیان جریان بالا (SL)، که از ۱۶ تا ۱۱۹۴۲ در سراسر حوضه متغیر است و ۲۰٪ از مناطق آن از SL = ۵۰۰ تجاوز می‌کنند، نشان‌دهنده بالاآمدگی فعال تکتونیکی است. مقادیر ضریب نامتقارن (Af) بین ۱۴.۹۲ تا ۷۹.۴۸ و انتگرال هیپسومتریک (Hi) در محدوده ۰.۳ تا ۰.۷، تعاملات پیچیده بین تکتونیک و مورفولوژی رودخانه را نشان می‌دهد. ادغام تکنیک‌های پیشرفته یادگیری ماشین، از جمله جنگل تصادفی (RF) و شبکه‌های عصبی کانولوشن (CNN)، دقت پیش‌بینی شاخص‌های ژئومورفیک را افزایش داده و به مقادیر MAE 0.10 تا ۰.۱۲ و R ^۲ ۰٫۸۵ تا ۰.۸۸ رسیده است. استفاده از SHAP برای تفسیرپذیری مدل، روابط بین ویژگی‌های ژئومورفیک و فرآیندهای تکتونیکی را روشن کرده و شیب (۳۰٪) و تراکم گسل (۲۵٪) را به عنوان عوامل کنترل غالب شناسایی کرده است. این تحقیق به درک مخاطرات طبیعی، به ویژه حساسیت به زمین لغزش، کمک می‌کند و بینش‌هایی در مورد پاسخ‌های ژئومورفولوژیکی تاریخی به تغییرات تکتونیکی و اقلیمی ارائه می‌دهد.

بر اساس نتایج، چندین توصیه برای تحقیقات آینده و کاربردهای عملی ارائه شده است. کاوش مداوم حوضه رودخانه کارون با استفاده از داده‌های توپوگرافی با وضوح بالا (LiDAR با دقت کمتر از ۵ متر) و تکنیک‌های تحلیلی پیشرفته برای بهبود درک تأثیرات تکتونیکی بر ژئومورفولوژی ضروری است. روش‌های توسعه‌یافته در این مطالعه را می‌توان در سایر مناطق فعال تکتونیکی برای ارزیابی تکامل چشم‌انداز و خطرات مخاطرات طبیعی به کار برد و از طریق اصلاح مدل، بهبود ۲۵ تا ۳۰ درصدی در دقت پیش‌بینی را هدف قرار داد. تلاش‌های مشترک بین زمین‌شناسان، هیدرولوژیست‌ها و دانشمندان داده، ادغام یادگیری ماشینی را در تحقیقات زمین‌شناسی افزایش می‌دهد. بررسی بیشتر پیامدهای تغییرات ژئومورفولوژیکی بر اکوسیستم‌ها و جوامع محلی ضروری است.

یافته‌های کلیدی

• بالاآمدگی فعال تکتونیکی با مقادیر بالای شاخص گرادیان جریان (SL) (16-11942) نشان داده شده است.
• الگوهای زهکشی نامتقارن از طریق ضریب نامتقارن (Af) (14.92-79.48) آشکار می‌شوند.
• فرآیندهای تکتونیکی مداوم در مقادیر انتگرال هیپسومتری (Hi) (0.3-0.7) منعکس می‌شوند.
• تکنیک‌های یادگیری ماشین به طور قابل توجهی دقت مدل شاخص‌های ژئومورفیک را بهبود می‌بخشند (MAE: 0.10-0.12؛ R2 ^: ۰٫۸۵-۰٫۸۸).
• تحلیل SHAP بینش‌های ارزشمندی در مورد روابط بین ویژگی‌های ژئومورفیک و تأثیرات تکتونیکی ارائه می‌دهد (شیب: ۳۰٪؛ تراکم گسل: ۲۵٪).

توصیه‌ها

• گام مهم بعدی، ادغام چارچوب ژئومورفیک ما با تحلیل سری‌های زمانی InSAR خواهد بود تا تکامل بلندمدت چشم‌انداز را مستقیماً با نرخ‌های تغییر شکل کوتاه‌مدت و امروزی مقایسه کنیم و از این طریق، مقیاس‌های زمانی را در ارزیابی تکتونیکی به هم پیوند دهیم.
• انجام مطالعات بیشتر در حوضه رودخانه کارون با استفاده از داده‌های توپوگرافی با وضوح بالا (LiDAR با دقت کمتر از ۵ متر).
• برای بینش‌های گسترده‌تر، روش‌های توسعه‌یافته را در سایر مناطق فعال تکتونیکی به کار ببرید.
• تقویت همکاری بین رشته‌ای برای افزایش ادغام یادگیری ماشینی در تحقیقات زمین‌شناسی.
• بررسی پیامدهای تغییرات ژئومورفولوژیکی بر اکوسیستم‌ها و جوامع محلی.

کارهای آینده بر ادغام داده‌های میدان پتانسیل با وضوح بالا (گرانش و مغناطیس) و ادغام توزیع مکانی همه شاخص‌های ژئومورفیک در یک چارچوب تفسیری یکپارچه متمرکز خواهد بود. این مراحل، که مستقیماً بر پایه‌های گذاشته شده در این مطالعه بنا شده‌اند، هسته اصلی یک نسخه خطی بعدی را تشکیل می‌دهند که هدف آن تولید یک مدل قطعی ژئومورفولوژی تکتونیکی برای کل منطقه زاگرس است.

مشخص شده است که SL به مقاومت سنگ‌شناسی حساس است، که می‌تواند تفسیر سیگنال‌های تکتونیکی را مختل کند. این محدودیت با ارجاع متقابل مقادیر SL غیرعادی بالا با طبقه‌بندی مقاومت سنگ منطقه‌ای کاهش یافت. علاوه بر این، اذعان شده است که استفاده از شاخص شیب نرمال شده (ksn) که از تحلیل شیب-مساحت به دست آمده است، می‌تواند معیار قوی‌تری در مطالعات آینده ارائه دهد.

این تحقیق چارچوبی جامع برای درک تعامل بین تکتونیک و ژئومورفولوژی ایجاد می‌کند. روش‌های نوآورانه، علوم زمین‌شناسی را پیشرفت می‌دهند و در عین حال کاربردهای عملی برای ارزیابی مخاطرات طبیعی و مدیریت چشم‌انداز در مناطق فعال تکتونیکی ارائه می‌دهند. ترکیب تحلیل ژئومورفولوژی سنتی با تکنیک‌های یادگیری ماشین، قابلیت‌های جدیدی را برای نقشه‌برداری از گسل‌ها و ارزیابی چشم‌اندازهای تکتونیکی ارائه می‌دهد.