مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

ارزیابی پیچیدگی زمین منطقه ای بر اساس تجزیه و تحلیل مؤلفه اصلی و سیستم اطلاعات جغرافیایی: موردی از استان جیانگشی، چین

مقالات ارزیابی پیچیدگی زمین منطقه ای بر اساس تجزیه و تحلیل مؤلفه اصلی و سیستم اطلاعات جغرافیایی: موردی از استان جیانگشی، چین

خلاصه

ارزیابی پیچیدگی زمین منطقه ای (TCA) یک پایه نظری مهم برای شناسایی ویژگی های زمین شناسی، استخراج اطلاعات هیدرولوژیکی و استفاده از منابع زمین است. با این حال، مدل های قبلی TCA دارای معایب بسیاری هستند. به عنوان مثال، بررسی جامع و تجزیه و تحلیل اطلاعات افزونگی عوامل زمین وجود ندارد، و کمیت کردن شاخص پیچیدگی زمین دشوار است. برای غلبه بر این اشکالات، یک مدل TCA بر اساس تجزیه و تحلیل مؤلفه اصلی (PCA) و یک سیستم اطلاعات جغرافیایی (GIS) پیشنهاد شده است. با در نظر گرفتن استان جیانگشی چین، ابتدا ده عامل زمین با استفاده از مدل رقومی ارتفاع (DEM) در نرم افزار GIS استخراج شده است. در مرحله دوم، PCA برای تجزیه و تحلیل افزونگی اطلاعات این عوامل زمین و مقابله با فشرده سازی داده ها استفاده می شود. سپس، ارزیابی جامع عوامل زمین فشرده برای به دست آوردن شاخص های کمی پیچیدگی زمین و نقشه پیچیدگی زمین (TCM) انجام می شود. در نهایت، TCM تولید شده با روش PCA با مدل‌های خوشه‌بندی فقط شیب، ضریب تغییرات و K-means بر اساس نقشه توپوگرافی ترسیم شده توسط اداره زمین و منابع استان جیانگشی مقایسه می‌شود. در همین حال، TCM با تصاویر هوایی سه بعدی واقعی نیز تأیید می شود. نتایج نشان می‌دهد که ضرایب همبستگی بین TCM‌های تولید شده توسط PCA، مدل‌های خوشه‌بندی فقط شیب، ضریب متغیر و K-means و نقشه توپوگرافی محلی به ترتیب ۰٫۸۹۴، ۰٫۷۶۳، ۰٫۸۱۶ و ۰٫۷۸۸ است. نتیجه‌گیری می‌شود که TCM روش PCA به خوبی با ویژگی‌های زمین میدانی واقعی مطابقت دارد.

کلید واژه ها:

ارزیابی پیچیدگی زمین ; مدل دیجیتال ارتفاع ; تجزیه و تحلیل مولفه اصلی ; روش ضریب تغییرات ; K-به معنی خوشه بندی ; سیستم اطلاعات جغرافیایی

۱٫ معرفی

ارزیابی پیچیدگی زمین منطقه ای (TCA) یک پایه معنادار برای شناسایی ویژگی های زمین شناسی منطقه، تخمین سطح آب زیرزمینی و اطلاعات رودخانه و استفاده موثر از منابع زمین به منظور ارتقای توسعه اجتماعی و اقتصادی است [ ۱ ، ۲ ، ۳ ، ۴ ]. از این رو، تقویت تحقیقات TCA و تولید نقشه های پیچیدگی زمین (TCM) در مناطق دارای شکل زمین های کوهستانی و تپه ای [ ۵ ، ۶ ، ۷ ] حائز اهمیت است.
مدل‌سازی TCA شامل فرآیندهای متعددی مانند کسب منابع داده، تقسیم واحد ارزیابی، انتخاب عوامل زمین و ساخت مدل ارزیابی است. اخیراً، فناوری‌های سنجش از دور (RS) و سیستم‌های اطلاعات جغرافیایی (GIS) داده‌های دقیق و فراوانی را برای TCA منطقه‌ای فراهم می‌کنند. بنابراین، عوامل زمین مورد استفاده در این مطالعه نیز بر اساس RS و GIS به دست آمده است [ ۸ ، ۹ ، ۱۰ ، ۱۱ ]. علاوه بر این، انتخاب یک مدل مناسب برای TCA بسیار مهم است. در پاسخ به این موضوع، برخی از محققین در سال‌های اخیر مدل‌های مرتبط با TCA را پیشنهاد کرده‌اند. برخی از این مدل‌ها پیچیدگی زمین منطقه‌ای را تنها با استفاده از یک عامل زمین توصیف می‌کنند. به عنوان مثال، Tianwen، و همکاران. [۱۲ ] و Huaxing و همکاران. [ ۱۳ ] زاویه شیب را به عنوان فاکتور زمین TCA انتخاب کرد. لانگ و همکاران [ ۱۴ ] از مقدار ابعاد فراکتال برای توصیف پیچیدگی زمین استفاده کرد. Ashenfelter و Eberhard [ ۱۵ ] زاویه بین هواپیماهای فضایی را برای توصیف پیچیدگی زمین اتخاذ کردند. این مطالعات نمی توانند به طور جامع ویژگی های زمین مناطق مورد مطالعه را منعکس کنند زیرا آنها عوامل زمین محدودی را برای TCA انتخاب می کنند. از سوی دیگر، برخی از محققان از چندین نوع عامل زمین برای تعیین ویژگی های منطقه ای استفاده کردند. برای مثال، چمبرز و همکاران. [ ۱۶] اشاره کرد که قوانین تمایز منطقه ای پیچیدگی زمین را می توان با محاسبات ترکیبی عوامل زمین منعکس کرد. Huaxing، Liu و Tang [ ۱۳ ] عوامل زمین مرکب را بر اساس یک مدل ارتفاعی رقومی (DEM) بررسی کردند تا ویژگی‌های تغییر برجستگی توپوگرافی و چین‌خوردگی‌ها را به ترتیب از دیدگاه کل‌نگر و محلی منعکس کنند. روات و جوشی [ ۱۷ ] ویژگی های زمین منطقه ای را در طبقه بندی تناسب زمین مورد مطالعه قرار دادند. تامپسون و همکاران [ ۱۸ ] اثرات DEM با وضوح های فضایی مختلف بر TCA و شبیه سازی چشم انداز را تجزیه و تحلیل کرد.
در هر صورت، هنوز چندین مشکل در مدل های قبلی (روش ضریب تغییرات، روش خوشه بندی k-means و …) وجود دارد که باید حل شوند، مانند لزوم معرفی بیشتر عوامل زمین به مدل های TCA، عدم توجه. اطلاعات اضافی بین عوامل زمین و محاسبه کمی شاخص‌های پیچیدگی زمین یعنی روش قبلی نمی تواند با اطلاعات اضافی بین ده عامل زمین مقابله کند. در نتیجه، دقت TCA ممکن است کاهش یابد. علاوه بر این، محاسبه کمی شاخص‌های پیچیدگی زمین برای روش‌های قبلی دشوار است. از این رو،
در این مطالعه، یک روش آماری چند متغیره عالی و به طور گسترده تایید شده، یعنی تجزیه و تحلیل مؤلفه های اصلی (PCA)، برای کار با TCA برای غلبه بر اشکالات مدل های قبلی پیشنهاد شده است. روش PCA می تواند به طور موثر نمرات مؤلفه ها را از مؤلفه های اصلی استخراج شده محاسبه کند. به طور کلی، نمرات اجزای محاسبه شده را می توان به عنوان شاخص های کمی پیچیدگی زمین در نظر گرفت، که برای معرفی ویژگی های توپوگرافی منطقه ای به برنامه های مهندسی مفید است. سپس، نتایج ارزیابی جامع را می توان با روش PCA به دقت محاسبه کرد [ ۱۹ ]. مدل PCA با موفقیت در زمینه های مختلف تحقیقاتی استفاده شده است [ ۲۰ , ۲۱ , ۲۲ , ۲۳]. به عنوان مثال، لی و همکاران. [ ۲۴ ] PCA و تکنیک های نمایش مدل با ابعاد بالا را برای تخمین جریان توان احتمالی پیشنهاد کرد. گنگ و همکاران [ ۲۵ ] از شبکه حافظه کوتاه مدت مبتنی بر PCA برای پیش بینی سری های زمانی کوتاه مدت سرعت باد استفاده کرد. شوارتز و همکاران [ ۲۶ ] یک روش PCA قوی برای انجام تشخیص تغییر در تصاویر رادار دیافراگم مصنوعی باند فوق عریض پیشنهاد کرد. گائو و همکاران [ ۲۷ ] تشخیص نفوذ شبکه را با استفاده از ماشین یادگیری افراطی و روش‌های PCA تطبیقی ​​مورد تحقیق قرار داد. با این حال، روش PCA در زمینه TCA منطقه ای مورد توجه کمی قرار گرفته است. بنابراین، روش PCA برای مقابله با فشرده سازی عامل زمین و محاسبه کمی TCA استفاده می شود.
استان جیانگشی چین به عنوان منطقه تحقیقاتی در نظر گرفته شده است زیرا زمین استان جیانگشی بسیار پیچیده است و انواع کوه ها و تپه ها و غیره دارد. علاوه بر این، محیط های پیچیده زمین، بررسی زمین شناسی محلی و برنامه ریزی کاربری زمین را محدود می کند. از این رو، این مقاله ابتدا چندین عامل زمین را با استفاده از داده های DEM در نرم افزار GIS استخراج می کند و روش PCA را برای محاسبه شاخص های پیچیدگی زمین استان جیانگشی پیشنهاد می کند. سپس، تأثیر عوامل زمین استخراج شده بر پیچیدگی زمین بررسی می‌شود. علاوه بر این، نتایج TCA PCA با نتایج روش فقط شیب (فقط نقشه شیب را به عنوان نقشه TCA در نظر می‌گیریم)، ​​روش ضریب تغییرات و مدل خوشه‌بندی k-means برای بحث در مورد عملکرد مدل‌سازی PCA مقایسه می‌شوند.

۲٫ مواد و روشها

۲٫۱٫ معرفی استان جیانگشی و منابع داده

استان جیانگشی در شرق چین واقع شده است، بین ۲۴ درجه و ۲۹ دقیقه و ۱۴ اینچ شمالی ~ ۳۰ درجه و ۰۴ دقیقه و ۴۱ اینچ شمالی و ۱۱۳ درجه و ۳۴ دقیقه و ۳۶ سانتی‌متر شرقی ~ ۱۱۸ درجه و ۲۸ دقیقه و ۵۸ اینچ شرقی ، به طول ۶۲۰ کیلومتر از شمال تا جنوب و ۴۹۰ کیلومتر از شرق به غرب، با مساحت ۱۶۶۹۰۰ کیلومتر مربع ( شکل ۱)). استان جیانگشی عمدتاً تپه ای و کوهستانی است و حوضه ها و دره های وسیعی دارد. این استان در قسمت شمالی نسبتاً مسطح است و از سه طرف در قسمت های شرقی، غربی و جنوبی توسط کوه ها احاطه شده است و در قسمت میانی تپه ای است که آن را به حوضه ای عظیم متمایل به دریاچه پویانگ تبدیل کرده و به سمت شمال باز می شود. رودخانه گنجیانگ، رودخانه فوه، رودخانه سین کیانگ، رودخانه شیوهه و رودخانه راوهه پنج رودخانه اصلی هستند که از استان جیانگشی می گذرند و دریاچه پویانگ بزرگترین دریاچه آب شیرین در چین است. این استان دارای آب و هوای نیمه گرمسیری مرطوب است و میانگین بارندگی سالانه آن بین ۱۳۴۱ تا ۱۹۴۰ میلی متر است.

۲٫۲٫ شرح عوامل زمین

منابع داده مورد استفاده برای مدل سازی TCA شامل (۱) داده های توپوگرافی به دست آمده از طریق بررسی میدانی است. (۲) تصاویر هوایی گرفته شده توسط هواپیمای بدون سرنشین در ۱ فوریه ۲۰۱۸ (بارگیری رایگان از Google Earth 7.1.8.3036 (32 بیت) با وضوح فضایی ۱٫۰۹ متر). (۳) داده های DEM با وضوح ۱۰۰ متر در ۱۱ فوریه ۲۰۰۰ برای استخراج عوامل زمین (به صورت رایگان از http://www.gscloud.cn/ دانلود شده است ) [ ۲۸ ، ۲۹ ]; (۴) نقشه توپوگرافی محلی با مقیاس ۱:۲۵۰۰۰۰٫ استان جیانگشی به ۱۶۷۱۳۶۱۵ سلول شبکه با وضوح شبکه ۱۰۰ متر تقسیم شده است – این به این دلیل است که این وضوح می تواند به طور موثر ویژگی های توپوگرافی منطقه مورد مطالعه را مشخص کند و به محاسبات بیش از حد در نتیجه سلول های شبکه انبوه منجر نمی شود.۳۰ ].
در این مطالعه ده عامل زمین (شامل ارتفاع (m)، شیب (°)، انحنای پلان، انحنای پروفیل، دامنه تسکین (m)، ناهمواری سطح، عمق برش سطح (m)، تراکم آبکند (m/m2 ) ، ضریب تغییرات ارتفاعی و طول شیب (m)) از منابع داده فوق توسط تابع تحلیل فضایی نرم افزار ArcGIS 10.2 استخراج شده است. همه ده عامل زمین به ترتیب با استفاده از روش نقطه شکست طبیعی به پنج کلاس تقسیم می شوند [ ۳۱ ، ۳۲ ، ۳۳]. این به این دلیل است که روش نقطه گسست طبیعی می تواند به طور موثری ویژگی های توزیع فرکانس عوامل زمین را برای به دست آوردن بهترین طرح تقسیم طبقاتی شناسایی کند و با موفقیت در تحقیقات تقسیمات طبقاتی توسط بسیاری از محققان دیگر استفاده شده است [ ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ]. ]. هدف از تقسیم طبقاتی نمایش بهتر قوانین توزیع این عوامل زمین است ( شکل ۲ ). در واقع، نتایج استاندارد شده عوامل زمین، متغیرهای ورودی نهایی همه مدل‌های TCA هستند.
(۱) ارتفاع
ارتفاع [ ۳۶ ، ۳۸ ] منطقه مورد مطالعه از ۲ تا ۲۱۴۷ متر متغیر است. کوه های با ارتفاع زیاد عمدتاً در اطراف استان جیانگشی پراکنده شده اند، در حالی که ناحیه مرکزی استان جیانگشی دارای ارتفاع نسبتاً کم است. به طور کلی، هرچه ارتفاع در ناحیه تپه جنوبی بیشتر باشد، پیچیدگی زمین بیشتر است ( شکل ۲ a).
(۲) شیب
با توجه به استاندارد طبقه بندی شیب ها و ویژگی های شیب واقعی، شیب های منطقه مورد مطالعه به پنج طبقه شیب مسطح، شیب ملایم، شیب متوسط، شیب تند و شیب حاد تقسیم می شوند [ ۳۹ ، ۴۰ ، ۴۱ ، ۴۲ ]. منطقه با شیب ملایم حدود ۳۳٫۸۸ درصد از کل منطقه مورد مطالعه را پوشش می دهد. هر چه شیب بیشتر باشد، زمین پیچیده تر است. برای تولید TCM بر اساس مدل فقط شیب، شیب مسطح، شیب ملایم، شیب متوسط، شیب تند و شیب حاد در استان جیانگشی به ترتیب به عنوان سطوح زمین پیچیده بسیار کم، کم، متوسط، زیاد و بسیار زیاد در نظر گرفته می‌شوند.
(۳) انحنای و انحنای پروفیل را طرح ریزی کنید
انحنای پلان و انحنای پروفیل به ترتیب منعکس کننده ویژگی های تغییر زمین های مقعر و محدب از جهت افقی و جهت عمودی است [ ۴۳ ]. انحنای پلان ( شکل ۲ ب) را می توان با محاسبه جنبه شیب یک نقشه شیب تعیین کرد. در همین حال، انحنای پروفیل ( شکل ۲ ج) را می توان با دو بار محاسبه شیب بر اساس نقشه DEM [ ۴۴ ] تعیین کرد. به طور کلی، هرچه انحنای پروفیل یا انحنای پلان بیشتر باشد، پیچیدگی زمین بیشتر می شود. با این حال، در مقایسه با انحنای پروفیل، انحنای پلان همبستگی کمتری با پیچیدگی زمین دارد.
(۴) دامنه تسکین
دامنه تسکین منطقه مورد مطالعه را می توان از طریق آزمون آماری و روش حداکثر اختلاف ارتفاع به دست آورد. هر چه دامنه تسکین بیشتر باشد، پیچیدگی زمین بیشتر می شود [ ۴۵ ]. با توجه به لیو [ ۴۶ ]، منطقه مورد مطالعه را می توان به پنج درجه تقسیم کرد: منطقه دشت، دشت، تپه، کوه نورد کوچک و کوه. نتایج در شکل ۲ d نشان می دهد که انواع اصلی زمین برجسته استان جیانگشی تپه و کوه نورد کوچک است.
(۵) عمق برش سطحی
عمق برش سطحی به عنوان تفاوت بین ارتفاع متوسط ​​و حداقل ارتفاع در یک منطقه معین از یک نقطه از سطح زمین تعریف می شود [ ۴۷ ]. در این مطالعه شعاع محاسبه عمق برش سطحی ۱۲ سلول شبکه ای تنظیم شده است و نتایج محاسبه در شکل ۲ e نشان داده شده است. به طور کلی، عمق برش سطح بیشتر به معنای پیچیدگی زمین بیشتر است [ ۴۸ ].
(۶) زبری سطح

زبری سطح، که یک شاخص مهم منعکس کننده تسکین سطح و درجه فرسایش خاک است، به عنوان نسبت سطح به سطح پیش بینی شده آن در یک سلول شبکه مشخص تعریف می شود ( شکل ۲ f). زبری سطح را می توان با استفاده از ماشین حساب گرید نرم افزار ArcGIS مطابق با معادله (۱) تعیین کرد، جایی که Rou مقدار زبری سطح است، و اسمقدار شیب منطقه مورد مطالعه است. هر چه زبری سطح بیشتر باشد، پیچیدگی زمین بیشتر می شود [ ۴۹ ].

R o u = ۱ / Cos ( S* ۳٫۱۴۱۵۹ / ۱۸۰ )
(۷) تراکم آبکند

تراکم آبکند ( شکل ۲ g) به عنوان طول کل شبکه رودخانه در یک واحد سطح تعریف می شود [ ۵۰ ، ۵۱ ]. شبکه رودخانه در یک منطقه مورد مطالعه با ابزار تحلیل هیدرولوژیکی نرم افزار ArcGIS 10.2 قابل استخراج است. سپس، همانطور که در رابطه (۲) نشان داده شده است، می توانیم چگالی آبکند را از طریق ماشین حساب شبکه محاسبه کنیم. Dاسچگالی آبکند است و Lطول شبکه های رودخانه در یک واحد مساحت است آ.

Dاس= ∑ L / A
(۸) ضریب تغییرات ارتفاع
ضریب تغییرات ارتفاع ( شکل ۲ h) را می توان به صورت نسبت انحراف استاندارد ارتفاعات به مقدار متوسط ​​آنها در یک منطقه خاص بیان کرد. این عامل زمین در تناسب مستقیم با پیچیدگی زمین است [ ۵۲ ، ۵۳ ].
(۹) طول شیب

طول شیب ( شکل ۲ i) طول پیش بینی شده حداکثر فاصله زمین را در یک صفحه افقی، از یک نقطه روی زمین تا نقطه شروع آن در جهت جریان آب نشان می دهد [ ۵۴ ، ۵۵ ]. طول شیب به طور غیرمستقیم بر پیچیدگی زمین تأثیر می گذارد و فرمول آن در رابطه (۳) بیان می شود، که در آن مترطول جریان را در سطح زمین در جهت جریان آب نشان می دهد و اسمقدار شیب سطح زمین است.

L = m × cos ( S)

۲٫۳٫ روش های مدل سازی TCA

روش های مدل سازی TCA با استفاده از روش PCA در شکل ۳ نشان داده شده است :
(۱) هر ده نوع عامل زمین با استفاده از ابزارهای تحلیل مکانی و ابزارهای مدیریت داده در نرم افزار ArcGIS 10.2 از داده های DEM استخراج و درجه بندی می شوند.
(۲) روش PCA برای انجام محاسبه کمی شاخص های پیچیدگی توپوگرافی بر اساس ماتریس کوواریانس عوامل زمین فوق استفاده می شود. مؤلفه‌های اصلی با نرخ مشارکت تجمعی بیشتر از ۹۰ درصد برای محاسبه امتیازات مولفه‌ها، که شاخص‌های پیچیدگی زمین در نظر گرفته می‌شوند، اتخاذ می‌شوند.
(۳) روش‌های خوشه‌بندی فقط شیب، ضریب تغییرات و k-means به ترتیب برای ارزیابی پیچیدگی توپوگرافی برای مقایسه استفاده می‌شوند. نتایج TCA آنها نیز به پنج سطح، یعنی پیچیدگی زمین بسیار کم، کم، متوسط، زیاد و بسیار بالا طبقه بندی می شود.
(۴) TCM های استان جیانگشی در ArcGIS 10.2 با چهار روش بالا تولید می شوند.
(۵) دقت این TCM ها با استفاده از ضرایب همبستگی بین TCM ها و نقشه توپوگرافی و همچنین از طریق تطبیق با تصاویر هوایی سه بعدی واقعی ارزیابی می شود.

۲٫۴٫ شرح روش ها

۲٫۴٫۱٫ تجزیه و تحلیل مؤلفه های اصلی

هدف روش PCA استفاده از ایده کاهش ابعاد برای تبدیل چندین عامل به چند جزء اصلی است. هر جزء اصلی می تواند بخشی از اطلاعات متغیرهای اصلی را منعکس کند [ ۵۶ ]. علاوه بر این، اطلاعات موجود در هر جزء اصلی با سایر اجزای اصلی تکرار نمی شود. PCA مجموعه معینی از متغیرهای مرتبط را از طریق تبدیل خطی به مجموعه دیگری از متغیرهای نامرتبط تبدیل می کند. سپس، این متغیرهای ناهمبسته جدید به ترتیب واریانس نزولی مرتب می شوند. در ابتدا، هنگام استفاده از روش PCA، ابعاد همه عوامل زمین باید یکسان شود. فرض کنید مجموعه داده اصلی ایکسمن ج, i = ۱ , ۲ , ⋯ ⋯ , n ; j = ۱ ، ۲ ، ⋯ ⋯ m تشکیل شده توسط nسلول های شبکه ای با مترانواع عوامل زمین، مجموعه داده ها ایکسمن جرا می توان با ستون به عنوان استاندارد کرد

ایکس∗من ج=ایکسمن ج–ایکس¯jσj, i = ۱ , ۲ , ⋯ ⋯ , n , j = ۱ , ۲ , ⋯ ⋯ , m  
σj=1n – ۱∑i = ۱n(ایکسمن ج–ایکس¯j)2—————-√

جایی که ایکس∗من جنتیجه استاندارد شده است ایکسمن ج، ایکس¯jمقدار میانگین است ایکسj، و σjانحراف معیار است ایکسj. ماتریس ضریب همبستگی از ایکس∗من جابتدا محاسبه می شود. سپس، مقادیر ویژه λو بردارهای ویژه مربوط به آنها بر اساس ماتریس ضریب همبستگی محاسبه می شود. نرخ مشارکت هر یک از مقادیر ویژه را می توان با استفاده از رابطه (۶)، که در آن کتعداد مقادیر ویژه است.

Vمن=λمن∑i = ۱کλمن

با توجه به مقدار ویژه و بردار ویژه آن، اهمیت فیزیکی اجزای اصلی توضیح داده شده است. با توجه به مقدار ضریب بار مولفه اصلی انتخاب شده در هر ضریب زمین، مقدار ضریب وزن هر عامل زمین در جزء اصلی انتخاب شده با فرمول زیر محاسبه می شود:

آمن ج=لمن ج/λمن–√

که در آن a ij و l ij به ترتیب مقدار ضریب وزن و مقدار ضریب بار j -مین عامل زمین در من-ام جزء اصلی؛ λمنمقدار ویژه مربوط به است من-امین جزء اصلی سپس ضریب جامع هر جزء اصلی را می توان به صورت محاسبه کرد

افمن=∑مترj = ۱آمن ج×ایکسj

جایی که افمنعامل جامع همه عوامل زمین است و مترتعداد عوامل زمین است. در نهایت، نمرات جامع مولفه های اصلی انتخاب شده با معادله (۹)، که در آن Vنرخ مشارکت کل اجزای اصلی انتخاب شده است. تیتعداد اجزای اصلی حفظ شده است. Vمننرخ سهم است من-امین جزء اصلی

اف=∑تیi = ۱VمنV×افمن

۲٫۴٫۲٫ روش ضریب تغییرات

ضریب تغییرات، که یک روش وزن دهی عینی است، مستقیماً از اطلاعات موجود در هر عامل برای محاسبه وزن عامل استفاده می کند [ ۵۷ ، ۵۸ ]. ایده اصلی این روش این است که در سیستم عامل ارزیابی، هر چه تفاوت مقادیر موجود در یک عامل بیشتر باشد، تأثیر یک عامل بر شی مورد ارزیابی بیشتر خواهد بود. تفاوت بین مقادیر موجود در یک عامل را می توان با استفاده از ضریب تغییرات این عامل اندازه گیری کرد

Vسیj=σjایکس¯j, j = ۱ , ۲ , ۳ , … … m

جایی که Vسیjضریب تغییرات ضریب j -ام است که به عنوان ضریب انحراف استاندارد نیز شناخته می شود. σjو ایکس¯jبه ترتیب انحراف معیار و مقادیر میانگین هستند j-ام عامل سپس وزن هر عامل به صورت محاسبه می شود

دبلیوj=Vسیj∑j = ۱مترVسیj

۲٫۴٫۳٫ مدل خوشه بندی K-Means

مدل خوشه‌بندی K-means [ ۵۹ ، ۶۰ ] ابتدا تعداد خوشه‌های K و نقطه مرکزی اولیه هر خوشه را تنظیم می‌کند و سپس نقطه مرکزی را به‌روزرسانی می‌کند و نتایج خوشه‌بندی را به روشی تکراری بهینه می‌کند. مراحل مشخص به شرح زیر است:
(۱) ما یک نمونه آموزشی تنظیم کردیم اس= {ایکس۱،ایکس۲، ⋯ ،ایکسمتر}، جایی که ایکسمتر∈آرnو مترتعداد نمونه ها را نشان می دهد. K خوشه از ( اسD1، اسD2، ⋯ ، اسDک)به عنوان خروجی تنظیم می شوند. در همین حال، نقاط مرکز خوشه بندی K انتخاب شده و به عنوان نشان داده می شوندتو۱،تو۲، ⋯ ،توک.

(۲) خوشه های K را به نوبه خود به عنوان اسDj= {} ، j = ۱ ، ۲ ، ⋯ ، k. برای هر نمونه ایکسپدر مجموعه آموزشی اسفاصله آن تا نقطه مرکزی K به ترتیب محاسبه می شود و سپس به خوشه مربوطه با کمترین فاصله تا مرکز خوشه طبقه بندی می شود. در معادلات (۱۲) و (۱۳) سیپنشان دهنده خوشه ای است که ایکسپمتعلق به

سیپ=ارگjدقیقه”ایکسپ-توj”
اسDسیپ={اسDسیپ،ایکسپ}

(۳) برای هر خوشه اسDمن، نقطه مرکزی آن μمنبا توجه به معادلات (۱۴) و (۱۵)، که در آن ستومتر_fهآتیتوrه (اسDمن)مجموع مقادیر مشخصه همه نمونه ها در خوشه است اسDمن، و ستومتر_nتومتربهr(اسDمن)تعداد نمونه ها در خوشه است اسDمن.

μمن=ستومتر-fهآتیتوrه(اسDمن)ستومتر-nتومتربهr(اسDمن)=∑پ=۱مترایکسپاسDمن،پ∑پ=۱متراسDمن،پ

اسDمن،پ={۱،سیپ=من۰،سیپ≠من

(۴) مراحل ۲ و ۳ را تا زمانی که تابع هزینه کمتر از آستانه داده شده باشد تکرار کنید. معادله (۱۶) به عنوان تابع هزینه تنظیم شده است که مجموع فواصل اقلیدسی بین تمام نمونه ها در مجموعه نمونه S و نقاط مرکزی خوشه های متناظر آنها را نشان می دهد.

جی(تو،ج)=∑پ=۱متر”ایکسپ-توسیپ”۲

۳٫ نتایج

۳٫۱٫ TCA با استفاده از تجزیه و تحلیل مؤلفه اصلی

۳٫۱٫۱٫ تحلیل عاملی زمین

فاکتورهای زمین انتخابی استاندارد شده و سپس آزمون کایزر- مایر-اولکین (KMO) و آزمون کروی بارتلت از روش PCA بر اساس داده های استاندارد شده انجام می شود. نتایج نشان می‌دهد که مقدار آزمون KMO داده‌های استاندارد شده ۰٫۷۹۰ (بیشتر از ۰٫۶) و مقدار آزمون کروی بارتلت آن کمتر از ۰٫۰۵ است، که نشان می‌دهد روش PCA برای مقابله با عوامل زمین انتخابی مناسب است. روش PCA بر روی تمام سلول های شبکه در استان جیانگشی از طریق ماتریس کوواریانس عوامل زمین انتخاب شده انجام می شود. سپس، مقادیر ویژه و نرخ مشارکت توضیحی همه اجزای اصلی، همانطور که در جدول ۱ نشان داده شده است، به دست می‌آیند .
با توجه به نتایج جدول ۱ ، مولفه های اصلی که می توانند برای توصیف عوامل زمین مورد استفاده قرار گیرند انتخاب می شوند. مطالعات مربوطه نشان می دهد که اطلاعات اصلی موجود در متغیرهای ابتدایی را می توان به طور موثر توسط مؤلفه های اصلی متناظر تفسیر کرد، زمانی که نرخ مشارکت تجمعی آنها به ۹۰٪ برسد [ ۶۱ ]. از جدول ۱ می توان دریافت که نرخ مشارکت تجمعی توضیحی پنج جزء اصلی اول افمن۱∼افمن۵می تواند به ۹۱٫۷۸٪ برسد. بنابراین، افمن۱∼افمن۵( جدول ۲ ) برای توصیف ویژگی های زمین استان جیانگشی استفاده می شود.

از جدول ۱ و جدول ۲ می توان دریافت که نرخ مشارکت توضیحی از افمن۱۵۵٫۱۷۹% است و حداکثر بار در افمن۱است اس، با ضریب بار ۰٫۹۶ و به دنبال آن آرهلو آرoتو، با ضریب بار ۰٫۹۵۶ و ۰٫۹۴۴ به ترتیب. از این رو، افمن۱عمدتاً برای توصیف شیب و دامنه تسکین منطقه مورد مطالعه استفاده می شود. نرخ مشارکت توضیحی از افمن۲۱۱٫۸۴۳٪ است Eجvحداکثر بار در است افمن۲، با ضریب بار ۰٫۸۴۰ و جیددومین بار حداکثر در است افمن۲، با ضریب بار ۰٫۴۷۷ نشان می دهد که افمن۲عمدتاً برای توصیف ضریب تغییرات ارتفاع و تراکم آبکند منطقه مورد مطالعه استفاده می شود. علاوه بر این، سهم توضیحی از افمن۳۱۰٫۰۷۲% و حداکثر بار در است افمن۳است پلج، با ضریب بار ۰٫۹۲۷ که نشان می دهد افمن۳عمدتاً برای توصیف انحنای پلان استفاده می شود. بر اساس رابطه (۸)، عوامل جامع پنج مولفه اصلی انتخاب شده است افمن۱~ افمن۵به صورت زیر محاسبه می شوند:

افمن۱=۰٫۳۳۲×E+0.409×اس-۰٫۱۰۱×پلج+۰٫۳۰۸×پrج+۰٫۴۰۷×آرهل+۰٫۳۶۶×آرoتو+۰٫۴۰۲×اسجد-۰٫۱۱۶×جید+۰٫۱۳۴×Eجv+0.353×L

افمن۲=-۰٫۴۳۸×E+0.033×اس-۰٫۰۹۹×پلج+۰٫۰۴۱×پrج+۰٫۰۵۵×آرهل-۰٫۰۱۲×آرoتو+۰٫۰۲۰×اسجد+۰٫۴۳۸×جید+۰٫۷۷۲×Eجv+0.062×L

افمن۳=۰٫۰۱۸×E-0.084×اس+۰٫۹۲۴×پلج+۰٫۲۵۰×پrج+۰٫۰۶۸×آرهل-۰٫۱۳۱×آرoتو+۰٫۰۶۳×اسجد-۰٫۱۲۶×جید+۰٫۱۸۶×Eجv+0.001×L

افمن۴=۰٫۱۹۰×E+0.070×اس+۰٫۲۰۹×پلج-۰٫۰۲۰×پrج+۰٫۰۶۶×آرهل+۰٫۱۶۸×آرoتو+۰٫۰۹۴×اسجد+۰٫۸۵۶×جید-۰٫۳۵۴×Eجv-0.124×L

افمن۵=۰٫۰۴۸×E-0.120×اس-۰٫۱۸۶×پلج+۰٫۷۰۸×پrج-۰٫۱۷۳×آرهل-۰٫۴۲۱×آرoتو-۰٫۱۹۵×اسجد+۰٫۱۷۸×جید-۰٫۱۳۷۷×Eجv+0.390×L

۳٫۱٫۲٫ ارزیابی پیچیدگی زمین

با توجه به معادله (۹) و پنج جزء اصلی افمن۱∼افمن۵، شاخص پیچیدگی زمین افهر سلول شبکه در استان جیانگشی را می توان به صورت محاسبه کرد

افمن=۰٫۶۰۱×افمن۱+۰٫۱۲۹×افمن۲+۰٫۱۱۰×افمن۳+۰٫۰۹۸×افمن۴+۰٫۰۶۲×افمن۵

نتایج TCA استان جیانگشی با استفاده از روش PCA در شکل ۴ نشان داده شده استآ. مناطق با سطوح پیچیدگی زمین بسیار بالا و بالا عمدتاً در نواحی اطراف استان جیانگشی با رشته کوه های پیوسته پراکنده شده اند که به ترتیب ۱٫۵٪ و ۶٫۰٪ از کل منطقه را تشکیل می دهند. این شاخص های پیچیدگی زمین بسیار بالا و بالا عمدتاً تحت تأثیر مقادیر زیاد شیب، ارتفاع، دامنه تسکین، عمق برش سطح، زبری سطح و انحنای پروفیل قرار دارند. در مقابل، مناطق بسیار کم و کم پیچیدگی بیشترین مساحت (به ترتیب ۳۶٫۶ و ۴۰٫۷ درصد) را به خود اختصاص داده و عمدتاً در بخش‌های مرکزی استان جیانگشی با مقادیر کمی شیب، ارتفاع، دامنه تسکین، انحنای پروفیل و خندق توزیع شده‌اند. تراکم علاوه بر این، نواحی پیچیده اراضی معتدل ۱۵٫۱ درصد از کل مساحت را به خود اختصاص داده و به طور مساوی در منطقه مورد مطالعه توزیع شده اند. پیچیدگی زمین استان جیانگشی در کل در سطح پایین و متوسط ​​است. پیچیدگی کلی زمین منطقه مورد مطالعه با ویژگی‌های توپوگرافی و ژئومورفیک آن مطابقت دارد که می‌توان آن‌ها را عمدتاً به‌عنوان کوه‌های میانی و پست تکمیل‌شده توسط مناطق تپه‌ای توصیف کرد. در همین حال، TCA تولید شده با روش فقط شیب در نشان داده شده استشکل ۴ ب برای مقایسه، نشان می دهد که قانون توزیع کلی هر دو TCM سازگار است.

۳٫۲٫ TCA با استفاده از روش ضریب تغییرات

با توجه به عوامل زمین انتخابی، ضریب متغیر هر عامل زمین تعیین می شود. علاوه بر این، مقادیر وزنی همه عوامل زمین بر اساس ضرایب متغیر آنها، همانطور که در جدول ۳ نشان داده شده است، محاسبه می شود . سپس، این مقادیر وزنی در معادله (۱۱) برای محاسبه شاخص های پیچیدگی زمین استان جیانگشی قرار می گیرند. نتایج TCA تولید شده در شکل ۵ الف نشان داده شده است. از جدول ۵ مشاهده می شود که نواحی پیچیدگی بسیار کم، کم، متوسط، زیاد و بسیار زیاد به ترتیب حدود ۳۶٫۶۴، ۴۰٫۷۲، ۱۵٫۱۴، ۶٫۰۴ درصد و ۱٫۴۶ درصد از کل مساحت را تشکیل می دهند.

۳٫۳٫ TCA با استفاده از مدل خوشه‌بندی K-Means

عوامل زمین استاندارد شده انتخاب شده در مدل خوشه‌بندی k-means قرار می‌گیرند. ابتدا تعداد خوشه‌ها ۵، نقطه مرکز خوشه‌بندی به‌طور تصادفی تعیین می‌شود و تعداد تکرارها روی ۲۵ تنظیم می‌شود. سپس هر سلول شبکه با ده عامل زمین استاندارد شده در خوشه مربوطه با کمترین فاصله تا طبقه‌بندی می‌شود. نقطه مرکزی نهایی خوشه از طریق ۲۵ محاسبه تکراری. پنج نقطه مرکزی نهایی خوشه ها در جدول ۴ نشان داده شده است. در نهایت، تمام سلول های شبکه به پنج نوع از سطوح مختلف پیچیدگی زمین طبقه بندی می شوند، همانطور که در شکل ۵ ب و جدول ۵ نشان داده شده است.

۴٫ بحث

۴٫۱٫ ارزیابی دقت چهار مدل

به منظور تجزیه و تحلیل دقت TCA مدل های خوشه بندی PCA، فقط شیب، ضریب متغیر و k-means، به ترتیب ضرایب همبستگی بین TCM های تولید شده توسط چهار مدل و نقشه توپوگرافی محلی به دست آمده از بررسی های میدانی دولتی محاسبه می شود. . یک مقدار ضریب همبستگی بیشتر به این معنی است که TCM تولید شده و نقشه توپوگرافی بهتر مطابقت دارند، که بیشتر دقت TCA بالاتری را نشان می دهد.
در این مطالعه، نقشه توپوگرافی با مقیاس ۱: ۲۵۰۰۰۰، بررسی شده توسط اداره زمین و منابع استان جیانگشی در سال ۲۰۱۵، برای ارزیابی دقت TCA چهار مدل استفاده شده است. در نقشه توپوگرافی استان جیانگشی، انواع توپوگرافی به پنج دسته دشت، تپه، کوه پست، کوه میانی و کوه طبقه بندی شده است که به ترتیب مقادیر ۱، ۲، ۳، ۴، ۵ به آنها اختصاص داده شده است ( شکل ۶).). به منظور مقایسه TCM ها با نقشه توپوگرافی، TCM های تولید شده به پنج سطح پیچیدگی زمین بسیار کم، کم، متوسط، زیاد و بسیار زیاد طبقه بندی می شوند که به مقادیر ۱، ۲، ۳، ۴، ۵ نیز اختصاص داده شده است. به ترتیب. سپس، ضرایب همبستگی بین نقشه توپوگرافی و TCMهای تولید شده توسط PCA، مدل‌های خوشه‌بندی فقط شیب، ضریب متغیر و K-means به ترتیب ۸۹۴/۰، ۷۶۳/۰، ۸۱۶/۰ و ۷۸۸/۰ محاسبه می‌شوند. نتایج نشان می‌دهد که TCM تولید شده با روش PCA دارای بالاترین ضریب همبستگی با نقشه توپوگرافی در مقایسه با مدل‌های خوشه‌بندی فقط شیب، ضریب متغیر و k-means است. یعنی مدل PCA از دقت TCA بسیار بالاتری نسبت به سه مدل دیگر برخوردار است.

۴٫۲٫ TCA در مقایسه با تصاویر هوایی سه بعدی

به منظور انعکاس شهودی بیشتر سازگاری بین عملکرد TCA و ویژگی‌های واقعی زمین، TCM تولید شده با روش PCA با تصاویر هوایی سه‌بعدی منطقه مورد مطالعه مقایسه می‌شود. هشت مکان در TCM به‌طور تصادفی انتخاب شده‌اند و تصاویر هوایی سه‌بعدی این مکان‌ها ( شکل ۷ a-h) به ترتیب به دست می‌آیند. با در نظر گرفتن شکل ۷ a–e به عنوان مثال،
(۱) سطوح پیچیدگی توپوگرافی شکل ۷ a,d عمدتاً بالا و بسیار زیاد است که با تصاویر هوایی سه بعدی شکل ۷ a,d بسیار سازگار است. به طور کلی، انواع توپوگرافی شکل ۷ a,d تحت سلطه کوه ها و دره ها هستند.
(۲) سطوح پیچیدگی توپوگرافی در هر دو شکل ۷ b,c کم و تغییرات ارتفاع مربوطه کوچک است. در همین حال، ویژگی های توپوگرافی نشان داده شده در تصاویر هوایی سه بعدی شکل ۷ b,c، دشت و تپه است. از این رو، درجه تطابق بین نتیجه TCA و تصویر هوایی سه بعدی بسیار زیاد است.
(۳) مخلوطی از انواع مختلفی از سطوح پیچیدگی توپوگرافی در شکل ۷ e نشان داده شده است، که همچنین با ویژگی های توپوگرافی تپه های نورد و کوه های کم ارتفاع نشان داده شده در تصویر هوایی شکل ۷ e مطابقت دارد. تجزیه و تحلیل فوق نشان می دهد که دقت TCA روش PCA بالا است و نقشه های پیچیدگی زمین به خوبی با تصاویر هوایی سه بعدی واقعی مطابقت دارند.

۴٫۳٫ محدودیت ها و چشم انداز تحقیق

اگرچه روش PCA مورد استفاده در این مطالعه عملکرد TCA بهتری را نسبت به سه نوع روش دیگر نشان می‌دهد، اما هنوز محدودیت‌هایی در فرآیندهای مدل‌سازی PCA وجود دارد. ابتدا لازم است صحت داده های DEM اصلی را بیشتر آزمایش کنیم و بر این اساس تلاش کنیم تا داده های DEM را با دقت بالاتری بدست آوریم. ثانیا، وضوح مکانی DEM 100 متر نسبتاً خشن است. از این رو، داده‌های DEM با وضوح فضایی بالاتر به منظور پیاده‌سازی مدل‌سازی TCA در تحقیقات بیشتر مورد نیاز است. ثالثا، تنها ده نوع عامل زمین از داده های DEM در این مطالعه استخراج شده است. استخراج عوامل زمین بیشتر از داده‌های DEM، مانند خطوط یال، خطوط دره، اشکال شیب و غیره حائز اهمیت است. در مطالعه بعدی، عوامل زمین بیشتری به عنوان متغیرهای ورودی روش PCA معرفی خواهند شد. چهارم، ویژگی‌های اصلی استخراج‌شده توسط PCA، همبستگی‌های خطی بین همه این عوامل زمین است و تحقیقات بعدی ویژگی‌های غیرخطی بیشتری را در بین عوامل زمین استخراج می‌کند. بنابراین، تجزیه و تحلیل مؤلفه اصلی هسته [۶۲ ] یا سایر روش های فشرده سازی غیرخطی داده ها را می توان برای انجام این مطالعه در نظر گرفت. در نهایت، دقت ارزیابی پیچیدگی زمین باید با ترکیب آن با تحقیقات میدانی در تحقیق بعدی مورد تجزیه و تحلیل و تأیید قرار گیرد و کاربردهای مهندسی نتایج TCA در زمینه‌های مختلف باید برای افزایش اهمیت پژوهشی این مطالعه بررسی شود.
علاوه بر این، برای استفاده از روش PCA، تمام مجموعه داده ها در روش PCA برای محاسبه شاخص های پیچیدگی زمین قرار می گیرند. با این حال، عدم اعتبار آماری نتایج وجود دارد، در نتیجه، برآورد خوبی از خود مدل در این مطالعه وجود ندارد. از این رو، در مقایسه با مدل‌های بدون نظارت مورد استفاده در این مطالعه، برخی از مدل‌های ریاضی نظارت شده برای پیاده‌سازی TCA در مطالعه بعدی استفاده خواهند شد. برای مدل های ریاضی نظارت شده، برخی از مجموعه داده ها برای ایجاد یک مدل استفاده می شود و بقیه برای ارائه تخمینی از خوبی خود مدل استفاده می شود. علاوه بر این، لازم است اطمینان حاصل شود که دقت توصیف قلمرو تنها با استفاده از متغیرهای جدید در کل قلمرو همگن است. از این رو، در مطالعه بعدی،

۵٫ نتیجه گیری ها

برخی از معایب در مطالعات قبلی TCA وجود دارد، مانند عوامل کمی زمین مورد استفاده برای مدل‌سازی TCA، عدم فشرده‌سازی اطلاعات بین عوامل زمین و فرآیندهای مدل‌سازی کیفی TCA. به منظور غلبه بر این معایب، یک روش PCA برای انجام TCA در این مطالعه معرفی شده است. استان جیانگشی چین با ویژگی های پیچیده زمین به عنوان منطقه مورد مطالعه استفاده می شود. ده عامل زمین شامل ارتفاع، شیب، انحنای پلان، انحنای پروفیل، دامنه تسکین، زبری سطح، عمق برش سطح، تراکم آبکند، ضریب تغییرات ارتفاع و طول شیب به عنوان متغیرهای ورودی PCA انتخاب می‌شوند. TCM تولید شده توسط PCA با نتایج مدل‌های خوشه‌بندی فقط شیب، ضریب تغییرات و K-means مقایسه می‌شود و همچنین با تصاویر هوایی به‌دست‌آمده از بررسی میدانی تأیید می‌شود.
می توان نتیجه گرفت که روش PCA می تواند به طور دقیق و قابل اعتماد ویژگی های توزیع پیچیدگی زمین را توصیف کند. TCM تولید شده با ویژگی های زمین واقعی بسیار سازگار است. علاوه بر این، روش PCA پیشنهادی دقت قابل توجهی بالاتری نسبت به سه مدل دیگر دارد. مشارکت‌های اصلی این مطالعه شامل بررسی جامع ده عامل زمین مرتبط برای پرداختن به TCA، حذف اطلاعات اضافی در این عوامل زمین و محاسبه کمی شاخص‌های پیچیدگی زمین است. از این رو، TCM تولید شده در این مطالعه می‌تواند برای بهبود تحقیقات زمین‌شناسی محلی و استفاده از برنامه‌ریزی زمین به کار رود.

منابع

  1. هوانگ، سی. یانگ، جی. جیانگ، پی. ارزیابی تأثیرات فرم شهری بر ساختار منظر فضاهای سبز شهری در چین با استفاده از تصاویر Landsat بر اساس موتور google earth. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۵۶۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. لوین، ای. Shults، R. حبیبی، ر. آن، ز. رولاند، W. واقعیت مجازی جغرافیایی برای یادگیری سایبری در زمینه نقشه برداری توپوگرافی: حرکت به سمت یک راه حل موبایل مقرون به صرفه. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۴۳۳٫ [ Google Scholar ] [ CrossRef ]
  3. لی، اس. ژانگ، اس. لی، تی. گائو، ی. چن، کیو. Zhang, X. مدلسازی خط پایه بهینه برای یک سیستم sar bistatic فضایی برای تولید دم. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۱۰۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. جالجولی، آر. ون اوستروم، پی. Dalyot، S. ساختار داده های فضایی و قابلیت های اجرای سیستم مدیریت زمین سه بعدی: مطالعه موردی اسرائیل. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۱۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. ها، ت. چوی، جی. یو، جی. چون، آی. Shim, J. تبدیل سونامی هواشناسی در مقیاس کوچک به دلیل پیچیدگی زمین در سواحل غربی کره. جی. ساحل. Res. ۲۰۱۴ ، ۷۰ ، ۲۸۴-۲۸۹٫ [ Google Scholar ] [ CrossRef ]
  6. فارماکیس-سربریاکوا، م. Hurni, L. مقایسه تکنیک های سایه افکنی به کار رفته در لندفرم ها. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۲۵۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. یانگ، ایکس. تانگ، جی. منگ، ایکس. روش مبتنی بر موقعیت Xiong، L. Saddle برای استخراج فرورفتگی‌ها در مناطق فنگ کنگ با استفاده از مدل‌های ارتفاعی دیجیتال. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۱۳۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  8. Aguilar، FJ; آگوئرا، اف. Aguilar، MA; Carvajal, F. اثرات مورفولوژی زمین، تراکم نمونه‌برداری و روش‌های درونیابی بر دقت دم شبکه. فتوگرام مهندس Remote Sens. ۲۰۰۵ ، ۷۱ ، ۸۰۵-۸۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. لیو، YB; Smedt، FD; هافمن، ال. Pfister، L. ارزیابی اثرات کاربری زمین بر فرآیندهای سیل در زمین های پیچیده با استفاده از روش gis و مدل سازی. محیط زیست مدل. ارزیابی کنید. ۲۰۰۵ ، ۹ ، ۲۲۷-۲۳۵٫ [ Google Scholar ] [ CrossRef ]
  10. هوانگ، اف. چن، ال. یین، ک. هوانگ، جی. Gui، L. تشخیص تغییر شی گرا و ارزیابی آسیب با استفاده از تصاویر سنجش از دور با وضوح بالا، زمین لغزش تانجیائو، مخزن سه دره، چین. محیط زیست علوم زمین ۲۰۱۸ ، ۷۷ ، ۱۸۳٫ [ Google Scholar ] [ CrossRef ]
  11. پراساناکومار، وی. ویجیت، اچ. Geetha، N. ارزیابی زمین از طریق ارزیابی پارامترهای ژئومورفومتریک با استفاده از DEM و GIS: مطالعه موردی دو زیرحوضه اصلی در آتاپادی، جنوب هند. عرب جی. ژئوشی. ۲۰۱۳ ، ۶ ، ۱۱۴۱-۱۱۵۱٫ [ Google Scholar ] [ CrossRef ]
  12. Tianwen، LI; لیو، ایکس. تانگ، جی. تأثیر پیچیدگی زمین بر شیب و جنبه. J. Mt. Res. ۲۰۰۴ ، ۲۲ ، ۲۷۲-۲۷۷٫ [ Google Scholar ]
  13. Huaxing، LU; لیو، ایکس. تانگ، جی. ارزیابی پیچیدگی زمین بر اساس تحلیل چند متغیره. J. Mt. Sci. ۲۰۱۲ ، ۳۰ ، ۶۱۶-۶۲۱٫ [ Google Scholar ]
  14. لانگ، ی. ژو، تی. تانگ، جی. لیو، ایکس. تحقیق در مورد پیچیدگی زمین چندین منطقه معمولی شکل زمین لس بر اساس روش فراکتال. J. Mt. Sci. ۲۰۰۷ ، ۲۵ ، ۳۸۵-۳۹۲٫ [ Google Scholar ]
  15. Ashenfelter، KT; ابرهارد، KM اثرات پیچیدگی فعل بر خطاهای گفتاری. مم شناخت. ۲۰۰۷ ، ۳۵ ، ۱۵۲۷-۱۵۴۱٫ [ Google Scholar ] [ CrossRef ]
  16. چمبرز، TC; Drinnan، AN; Mcloughlin, S. برخی از ویژگی های مورفولوژیکی کاج وولمی (wollemia nobilis: Araucariaceae) و مقایسه آنها با فسیل های گیاهی کرتاسه. بین المللی جی. پلانت. علمی ۱۹۹۸ ، ۱۵۹ ، ۱۶۰-۱۷۱٫ [ Google Scholar ] [ CrossRef ]
  17. راوات، JS; Joshi، RC سنجش از دور و پهنه بندی حساسیت زمین لغزش مبتنی بر gis با استفاده از روش شاخص زمین لغزش در حوضه رودخانه ایگو، هیمالای شرقی، هند. بین المللی J. Remote Sens. ۲۰۱۲ ، ۳۳ ، ۳۷۵۱-۳۷۶۷٫ [ Google Scholar ] [ CrossRef ]
  18. تامپسون، جی. بل، جی سی. باتلر، CA وضوح مدل ارتفاعی دیجیتال: اثرات بر محاسبه ویژگی زمین و مدل‌سازی کمی خاک-منظر. ژئودرما ۲۰۱۵ ، ۱۰۰ ، ۶۷-۸۹٫ [ Google Scholar ] [ CrossRef ]
  19. بارتلت، ام اس؛ Movellan, JR; Sejnowski، TJ تشخیص چهره با تجزیه و تحلیل مؤلفه های مستقل. IEEE Trans. شبکه عصبی ۲۰۰۲ ، ۱۳ ، ۱۴۵۰-۱۴۶۴٫ [ Google Scholar ] [ CrossRef ]
  20. قاسمی، ع. گومز، سی. زواری، ح. ماس، آ. Ducrot، D. Pca و svm به عنوان روش های ژئومحاسباتی برای نقشه برداری زمین شناسی در جنوب تونس، با استفاده از مجموعه داده های سنجش از دور aster. عرب جی. ژئوشی. ۲۰۱۶ ، ۹ ، ۷۵۳٫ [ Google Scholar ] [ CrossRef ]
  21. لان، ال. لی، سی اف. لی، YM; یین، جی. Zhao, JJ استخراج ویژگی برای تصویر سنجش از دور فراطیفی با استفاده از pca-ica وزن‌دار. عرب جی. ژئوشی. ۲۰۱۷ ، ۱۰ ، ۳۰۷٫ [ Google Scholar ]
  22. ژائو، ایکس. وانگ، دبلیو. چو، ایکس. لی، سی. Kimuli، D. تشخیص زودهنگام عفونت آسپرژیلوس پارازیتیکوس در دانه ذرت با استفاده از تصویربرداری فراطیفی مادون قرمز نزدیک و تجزیه و تحلیل داده‌های چند متغیره. Appl. علمی ۲۰۱۷ ، ۷ ، ۹۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. مارکتی، ام. آفروی، ام. عبادت، ف. برانچو، پ. بورسون، پی. جوبارد، سی. دورمونت، J.-F. Casteran، G. نظارت به کمک شیمی سنجی در طیف سنجی رامان برای فرآیند تجزیه زیستی یک پلی فلوروآلکیل اتر آبی از یک فوم آتش نشانی در یک ماتریس محیطی. Environments ۲۰۲۰ ، ۷ ، ۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. لی، اچ. ژانگ، ز. یین، X. یک الگوریتم جدید احتمالی جریان توان مبتنی بر تجزیه و تحلیل مؤلفه های اصلی و تکنیک های نمایش مدل با ابعاد بالا. Energies ۲۰۲۰ , ۱۳ , ۳۵۲۰٫ [ Google Scholar ] [ CrossRef ]
  25. گنگ، دی. ژانگ، اچ. Wu, H. پیش‌بینی کوتاه‌مدت سرعت باد بر اساس تحلیل مؤلفه‌های اصلی و lstm. Appl. علمی ۲۰۲۰ ، ۱۰ ، ۴۴۱۶٫ [ Google Scholar ] [ CrossRef ]
  26. شوارتز، سی. راموس، LP; Duarte، LT; پینیو، MdS; پترسون، MI; Vu، VT؛ Machado، R. تشخیص تغییر در تصاویر uwb sar بر اساس تجزیه و تحلیل مؤلفه اصلی قوی. Remote Sens. ۲۰۲۰ ، ۱۲ ، ۱۹۱۶٫ [ Google Scholar ] [ CrossRef ]
  27. گائو، جی. چای، اس. ژانگ، بی. Xia, Y. تحقیق در مورد تشخیص نفوذ شبکه بر اساس ماشین یادگیری افراطی افزایشی و تجزیه و تحلیل اجزای اصلی تطبیقی. Energies ۲۰۱۹ ، ۱۲ ، ۱۲۲۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. سامسونوف، TE ترکیب خودکار مدل ارتفاعی رقومی با خطوط هیدروگرافی مرجع. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۳۴٫ [ Google Scholar ] [ CrossRef ]
  29. هوانگ، اف. کائو، ز. جیانگ، S.-H. ژو، سی. هوانگ، جی. Guo, Z. پیش بینی حساسیت زمین لغزش بر اساس یک مدل پرسپترون چند لایه نیمه نظارت شده. رانش زمین ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
  30. فام، بی تی؛ Bui، DT; پراکاش، آی. Dholakia، MB ترکیبی از شبکه های عصبی پرسپترون چند لایه و مجموعه های یادگیری ماشین برای ارزیابی حساسیت زمین لغزش در منطقه هیمالیا (هند) با استفاده از gis. Catena ۲۰۱۷ ، ۱۴۹ ، ۵۲-۶۳٫ [ Google Scholar ] [ CrossRef ]
  31. هوانگ، اف. یین، ک. هوانگ، جی. لی، جی. پنگ، دبلیو. نقشه‌برداری حساسیت زمین لغزش بر اساس شبکه نقشه خود سازمان‌دهی و ماشین یادگیری افراطی. مهندس جئول ۲۰۱۷ ، ۲۲۳ ، ۱۱-۲۲٫ [ Google Scholar ] [ CrossRef ]
  32. زو، ال. هوانگ، ال. فن، ال. هوانگ، جی. هوانگ، اف. چن، جی. ژانگ، ز. Wang, Y. مدل‌سازی پیش‌بینی حساسیت زمین لغزش بر اساس سنجش از دور و یک الگوریتم یادگیری عمیق جدید یک شبکه عصبی بازگشتی موازی آبشاری. Sensors ۲۰۲۰ , ۲۰ , ۱۵۷۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  33. لی، دی. هوانگ، اف. یان، ال. کائو، ز. چن، جی. Ye, Z. پیش‌بینی حساسیت زمین لغزش با استفاده از پرسپترون چند لایه بهینه‌شده ازدحام ذرات: مقایسه با مدل‌های فقط پرسپترون چندلایه، شبکه عصبی bp و ارزش اطلاعات. Appl. علمی ۲۰۱۹ ، ۹ ، ۳۶۶۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. چانگ، ز. دو، ز. ژانگ، اف. هوانگ، اف. چن، جی. لی، دبلیو. Guo, Z. پیش‌بینی حساسیت زمین لغزش بر اساس تصاویر سنجش از راه دور و سیستم اطلاعات جغرافیایی: مقایسه مدل‌های یادگیری ماشینی تحت نظارت و بدون نظارت. Remote Sens. ۲۰۲۰ , ۱۲ , ۵۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. هوانگ، اف. کائو، ز. گوا، جی. جیانگ، S.-H. لی، اس. Guo, Z. مقایسه مدل‌های اکتشافی، آماری عمومی و یادگیری ماشینی برای پیش‌بینی و نقشه‌برداری حساسیت زمین لغزش. CATENA ۲۰۲۰ ، ۱۹۱ ، ۱۰۴۵۸۰٫ [ Google Scholar ] [ CrossRef ]
  36. هوانگ، اف. چن، جی. دو، ز. یائو، سی. هوانگ، جی. جیانگ، کیو. چانگ، ز. Li, S. پیش بینی حساسیت زمین لغزش با در نظر گرفتن فرسایش خاک منطقه ای بر اساس مدل های یادگیری ماشینی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۷۷٫ [ Google Scholar ] [ CrossRef ]
  37. هونگ، اچ. ایلیا، آی. سانگاراتوس، پ. چن، دبلیو. Xu، C. یک روش وزن فازی ترکیبی شواهد در تجزیه و تحلیل حساسیت زمین لغزش در منطقه wuyuan، چین. ژئومورفولوژی ۲۰۱۷ ، ۲۹۰ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
  38. هوانگ، اف. یائو، سی. لیو، دبلیو. لی، ی. لیو، ایکس. ارزیابی حساسیت زمین لغزش در منطقه نانتین چین: مقایسه مدل نسبت فرکانس و ماشین بردار پشتیبان. Geomat. نات. خطر خطرات ۲۰۱۸ ، ۹ ، ۹۱۹-۹۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. هان، XY; کیان، جی. وانگ، ال. لیو، اف. Mao, ZQ پیشرفت در مطالعه فرآیند چند مقیاسی فرسایش خاک (فرسایش آبی) و حفظ خاک در فلات لس. جی. گلاسیول. ژئوکریول. ۲۰۱۲ ، ۳۴ ، ۱۴۸۷-۱۴۹۸٫ [ Google Scholar ]
  40. لیو، دبلیو. وان، اس. هوانگ، اف. لو، ایکس. Fu, M. مطالعه تجربی فرسایش زیرسطحی در گرانیت تحت شرایط زوایای مختلف ستون خاک و دبی‌های جریان. گاو نر مهندس جئول محیط زیست ۲۰۱۹ ، ۷۸ ، ۵۸۷۷–۵۸۸۸٫ [ Google Scholar ] [ CrossRef ]
  41. لی، ی. هوانگ، جی. جیانگ، S.-H. هوانگ، اف. Chang، Z. یک سیستم GPS مبتنی بر وب برای نظارت بر جابجایی و تجزیه و تحلیل مکانیسم شکست زمین لغزش مخزن. علمی ۲۰۱۷ ، ۷ ، ۱۷۱۷۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. هوانگ، اف. یین، ک. ژانگ، جی. ژو، سی. Zhang, J. پیش‌بینی سری زمانی سطح آب زیرزمینی زمین لغزش بر اساس بازسازی فضای فاز و تحلیل موجک-ماشین بردار پشتیبانی بهینه‌سازی شده توسط الگوریتم pso. علوم زمین دانشگاه جی چین Geosci. ۲۰۱۵ ، ۴۰ ، ۱۲۵۴-۱۲۶۵٫ [ Google Scholar ]
  43. هوانگ، اف. ژانگ، جی. ژو، سی. وانگ، ی. هوانگ، جی. Zhu, L. یک الگوریتم یادگیری عمیق با استفاده از یک شبکه عصبی رمزگذار خودکار پراکنده کاملاً متصل برای پیش‌بینی حساسیت زمین لغزش. رانش زمین ۲۰۲۰ ، ۱۷ ، ۲۱۷-۲۲۹ . [ Google Scholar ] [ CrossRef ]
  44. لین، جی اف؛ چانگ، ام جی. هوانگ، YC; Ho، JY ارزیابی حساسیت به زمین لغزش های ناشی از بارندگی با استفاده از نقشه خروجی خطی خود سازماندهی بهبود یافته، ماشین بردار پشتیبان و رگرسیون لجستیک. مهندس جئول ۲۰۱۷ ، ۲۲۴ ، ۶۲-۷۴٫ [ Google Scholar ] [ CrossRef ]
  45. Szymura، TH; شیمورا، ام. Pietrzak، M. تأثیر امداد زمین و ویژگی‌های خاک بر ساختار توده جنگل‌های بلوط بیش از حد رشد کرده با منشاء شاخه‌ای با sorbus torminalis. Dendrobiology ۲۰۱۴ ، ۷۱ ، ۴۹-۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. لیو، L. فراز و نشیب های آمریکای شمالی: ارزیابی نقش توپوگرافی پویا گوشته از زمان مزوزوئیک. کشیش ژئوفیس. ۲۰۱۵ ، ۵۳ ، ۱۰۲۲-۱۰۴۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. ژانگ، اف. چن، LI; منگ، بی. ژائو، اچ. Liu, Z. بررسی مشخصه تغییر شکل سطح و مکانیسم حذف برای شیشه k9 بر اساس نانو خراش با عمق برش متفاوت. جی. مکانیک. مهندس ۲۰۱۶ ، ۵۲ ، ۶۵-۷۱٫ [ Google Scholar ] [ CrossRef ]
  48. پرهاد، پ. لیخیته، ع. بهات، جی. پیشوه، دی. تأثیر سرعت برش و عمق برش بر زبری سطح در حین ماشینکاری چدن داکتیل آستمپر شده. ترانس. موسسه هندی ملاقات کرد. ۲۰۱۵ ، ۶۸ ، ۹۹-۱۰۸٫ [ Google Scholar ] [ CrossRef ]
  49. رابینسون، میله های برش کریستال IK و زبری سطح. فیزیک کشیش B Condens. Matter ۱۹۸۶ , ۳۳ , ۳۸۳۰٫ [ Google Scholar ] [ CrossRef ]
  50. ژائو، جی. Vanmaercke، M. چن، ال. Govers، G. پوشش گیاهی و توپوگرافی به جای اختلالات انسانی، تراکم خندق و تولید رسوب را در فلات لس چین کنترل می کند. ژئومورفولوژی ۲۰۱۶ ، ۲۷۴ ، ۹۲-۱۰۵٫ [ Google Scholar ] [ CrossRef ]
  51. گوا، ز. یین، ک. گی، ال. لیو، کیو. هوانگ، اف. Wang, T. سیستم هشدار بارندگی منطقه ای برای رانش زمین با تغییر شکل خزشی در سه دره با استفاده از مدل جعبه سیاه آماری. علمی جمهوری ۲۰۱۹ ، ۹ ، ۸۹۶۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  52. کانتا، م. میایی، ن. یاماموتو، ام. اوکا، م. اوتسومی، م. شیبا، م. Arita, M. 3d.08: سفتی شریانی و عملکرد عصبی خودمختار بر افزایش فشار خون ارتواستاتیک در بیماران مبتلا به فشار خون بالا. جی هیپرتنز. ۲۰۱۵ ، ۳۳ (ضمیمه ۱)، e42. [ Google Scholar ] [ CrossRef ]
  53. توبارو، ام. سیاحباسی، ع. ریچی، آر. سیاوللا، م. دی، سی دی; بیسکونتی، سی. فرائولو، جی. دل، PM؛ منونی، م. مونتی، اف. استراتژی تهاجمی اولیه در مقابل استراتژی محافظه کارانه اولیه در سندرم کرونری حاد بدون ارتفاع: یک مطالعه پژوهشی نتیجه. یورو قلب J. قلب حاد. Care ۲۰۱۷ , ۷۶ , ۵۱۱-۵۲۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. لیو، BY; نزدیک شدن، MA; شی، پی جی. جیا، ZW اثرات طول شیب بر از دست دادن خاک برای شیب های تند. علم خاک Soc. صبح. J. ۲۰۰۰ , ۶۴ , ۱۷۵۹-۱۷۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. هوانگ، اف. چن، جی. یائو، سی. چانگ، ز. جیانگ، کیو. لی، اس. Guo, Z. Susle: مدل rusle مبتنی بر شیب و بارش فصلی برای پیش‌بینی کمی منطقه‌ای فرسایش خاک. گاو نر مهندس جئول محیط زیست ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
  56. ملحی، ع. طرح انتخاب ویژگی مبتنی بر گائو، RX Pca برای طبقه بندی نقص ماشین. IEEE Trans. ساز. Meas. ۲۰۰۴ ، ۵۳ ، ۱۵۱۷-۱۵۲۵٫ [ Google Scholar ] [ CrossRef ]
  57. الدریج، اس ام. اشبی، دی. Kerry, S. حجم نمونه برای کارآزمایی های تصادفی خوشه ای: تأثیر ضریب تغییرات اندازه خوشه و روش تجزیه و تحلیل. بین المللی J. Epidemiol. ۲۰۰۶ ، ۳۵ ، ۱۲۹۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  58. ویس، ای. Milich, L. خطاها در یک روش استاندارد برای تولید تصاویر بین سالانه ndvi ضریب تغییرات (cov). بین المللی J. Remote Sens. ۱۹۹۷ , ۱۸ , ۳۷۴۳-۳۷۴۸٫ [ Google Scholar ] [ CrossRef ]
  59. Çoşkun، G. مقیاس خطر ایمنی لغزش جدید سنگ‌های طبیعی با تحلیل خوشه‌بندی آماری k-means. عرب جی. ژئوشی. ۲۰۱۸ ، ۱۱ ، ۷۹۹٫ [ Google Scholar ] [ CrossRef ]
  60. مقیمی، ع. خزایی، س. محمدزاده، الف. یک روش تنظیم سطح سریع بهبودیافته با ترکیبی از خوشه‌بندی k-means و آستانه otsu برای تشخیص تغییر بدون نظارت از تصاویر sar مقداردهی اولیه شده است. عرب جی. ژئوشی. ۲۰۱۷ ، ۱۰ ، ۲۹۳٫ [ Google Scholar ] [ CrossRef ]
  61. انعام دادن، من. Bishop، CM مخلوطی از تحلیلگرهای مولفه اصلی احتمالی. محاسبات عصبی ۲۰۱۴ ، ۱۱ ، ۴۴۳-۴۸۲٫ [ Google Scholar ] [ CrossRef ]
  62. ژائو، YN; نیو، RQ; لی، جی. پنگ، ال. Wang, Y. پیش بینی جابجایی زمین لغزش بر اساس تجزیه و تحلیل اجزای اصلی هسته و شبکه عصبی- زنجیره مارکوف. در تحقیقات مواد پیشرفته ; Trans Tech Publ.: Freienbach, Switzerland, 2013; صص ۱۵۱۲-۱۵۲۰٫ [ Google Scholar ]
Ijgi 09 00539 g001 550
شکل ۱٫ تصاویر هوایی استان جیانگشی.
Ijgi 09 00539 g002 550
شکل ۲٫ عوامل زمین: ارتفاع ( a )، انحنای پلان ( b )، انحنای پروفیل ( c )، دامنه تسکین ( d )، ناهمواری سطح ( e )، عمق برش سطح ( f )، تراکم آبکند ( g )، تغییرات ارتفاع ضریب ( h )، طول شیب ( i ).
Ijgi 09 00539 g003 550
شکل ۳٫ نمودار جریان روش تحلیل مولفه اصلی برای ارزیابی پیچیدگی زمین.
Ijgi 09 00539 g004 550
شکل ۴٫ TCM های تولید شده با روش PCA ( a ) و فقط شیب ( b ).
Ijgi 09 00539 g005 550
شکل ۵٫ TCMs تولید شده با روش ضریب تغییرات ( a ) و مدل خوشه‌بندی K-means ( b ).
Ijgi 09 00539 g006 550
شکل ۶٫ نقشه منظر با مقیاس ۱:۲۵۰۰۰۰ در استان جیانگشی.
Ijgi 09 00539 g007 550
شکل ۷٫ نقشه پیچیدگی توپوگرافی و تصاویر هوایی سه بعدی مربوط به آن.

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما