بازسازی‌های دیرینه‌چشم‌انداز ساحلی برای درک تکامل ریخت‌شناسی بلندمدت ناشی از تغییرات اقلیمی هزاره اول بسیار مهم هستند ^{۱ ، ۲ ، ۳٫} در مناطق ساحلی صخره‌ای، ارزیابی پاسخ‌های ریخت‌شناسی به نیروهای ناشی از آب و هوا، پیش‌بینی سناریوهای زیر آب رفتن آینده را بهبود می‌بخشد و به حفاظت ساحلی و برنامه‌ریزی جابجایی کمک می‌کند ^{۴ ، ۵ ، ۶ ، ۷} .

چنین بازسازی‌هایی به طور سنتی به بررسی‌های میدانی گسترده و نقشه‌برداری تخصصی از اشکال زمین که به عنوان مناظر باقی‌مانده تفسیر می‌شوند، متکی هستند ^{۶ ، ۸ ، ۹٫} اگرچه نقشه‌برداری دستی ضروری است، اما زمان‌بر است و کاربرد در مقیاس بزرگ را محدود می‌کند ^۱۰٫ پیشرفت‌های اخیر در زمین‌آمار و هوش مصنوعی (AI) امکان شناسایی سریع و دقیق ویژگی‌های ساحلی هدف را فراهم می‌کند ^{۱۱ ، ۱۲ ، ۱۳ ، ۱۴} ؛ این پیشرفت با افزایش دسترسی به مجموعه داده‌های با وضوح بالا از تصاویر لیدار و ماهواره‌ای تسهیل می‌شود و توسط سیاست‌های داده باز و قدرت محاسباتی افزایش‌یافته پشتیبانی می‌شود که کاربردهای یادگیری ماشین (ML) را در علوم زمین گسترش داده است ^{۱۵ ، ۱۶ ، ۱۷ ، ۱۸} .

در این زمینه، بازسازی‌های چشم‌انداز دیرینه مبتنی بر یادگیری ماشین، درک ما از تأثیرات سطح دریا، آب و هوا و تکتونیک را در مقیاس‌های زمانی هزار ساله عمیق‌تر می‌کند و پایه‌های محکمی را برای مدل‌سازی پاسخ‌های چشم‌انداز معاصر به تغییرات محیطی ارائه می‌دهد ^{۱۹ ، ۲۰ ، ۲۱٫} در اینجا، ما یک مدل یادگیری ماشین برای بازسازی چشم‌انداز ساحلی آخرین دوره بین‌یخچالی (LIG، بین ۱۳۰ تا ۱۱۵ هزار سال پیش) در امتداد ساحل تیرنین (با RSL نوسانی بین ۸ ± ۱ متر و +۲٫۵ ± ۰٫۵ متر MSL) با ادغام تجزیه و تحلیل کتابشناختی و بررسی‌های میدانی گسترده توسعه دادیم. ما بر جمع‌آوری یک مجموعه داده آموزشی قوی، متشکل از ۱۴۵۰ رکورد برچسب‌گذاری شده، از جمله مشتقات زمین، که از طریق تجزیه و تحلیل نظارت شده و همچنین از طریق کار میدانی و ادبیات طبقه‌بندی شده‌اند (به بخش “بررسی‌های میدانی و نشانگرهای دیرینه‌محیطی” مراجعه کنید) تمرکز کردیم تا مجموعه داده آموزشی برای مدل یادگیری ماشین را به دست آوریم. هدف ما ترکیب ML با نقشه‌برداری سنتی برای ایجاد ابزاری پیش‌بینی‌کننده برای بازسازی بخش‌های ساحلی شبه‌پایدار تکتونیکی ^{۲۲ ، ۲۳} دماغه Cilento است، جایی که تراس‌های LIG و رسوبات هولوسن نشان‌دهنده عدم وجود حرکات عمودی قابل توجه و تکامل ناشی از آب و هوا در طول LIG هستند، با هدف پیش‌بینی تأثیرات بالقوه تغییرات اقلیمی جاری.

منطقه مورد مطالعه، با طول تقریبی ۱۰۲ کیلومتر و عرض ۱۱ کیلومتر (شکل ۱ )، بیش از ۱۰۰۰ کیلومتر مربع را پوشش می‌دهد ^و با کل بخش ساحلی دماغه کیلنتو، جایی که چشم‌انداز آخرین دوره بین یخچالی (LIG) بازسازی شد، مطابقت دارد.

دماغه کیلنتو که در امتداد حاشیه جنوبی تیرنین واقع شده است، پایانه مورفو-ساختاری سامانه راندگی آپنین جنوبی را تشکیل می‌دهد که توسط تکتونیک فشاری از میوسن پایینی تا پلیستوسن پایینی شکل گرفته است . ^{۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ، ۲۸}

شاخص‌های ریخت‌شناسی مرتبط با توده‌های سطح دریا در دوره پلیستوسن بالایی (LIGe و LIGc) نشان‌دهنده پایداری تکتونیکی در طول ۱۲۵ هزار سال گذشته هستند . ^{۲۲ ، ۲۴ ، ۲۹ ، ۳۰.} این موضوع با افزایش ارتفاع رسوبات ساحلی هولوسن (LITHO-6) ^۳۱ که برش‌های رودخانه‌ای را تا ۲ کیلومتر در خشکی پر می‌کنند، بیشتر تأیید می‌شود ^. در این مطالعه، واحدهای سنگ‌شناسی از نقشه‌برداری زمین‌شناسی ISPRA 1:50,000 استخراج و به ده کلاس سنگ‌شناسی (LITHO-1-10) طبقه‌بندی مجدد شدند تا تجزیه و تحلیل‌های ژئومورفومتریک و استفاده از آنها در مدل یادگیری ماشین تسهیل شود. شرح کلی این کلاس‌ها در مطالب تکمیلی ۳ ارائه شده است ، در حالی که نام واحدهای زمین‌شناسی مربوطه در شکل ۱ و زیرنویس آن نشان داده شده است.

ساحل شمال غربی تحت سلطه توالی‌های توربیدایتی دریایی متعلق به واحدهای تکتونیکی آلوکتون (گروه Cilento؛ شکل ۱ ، LITHO-7) است که توسط بقایای قاره‌ای کواترنری و رسوبات دریایی-انتقالی پوشانده شده‌اند. صخره‌های دریایی فعال پونتا لیکوزا، توربیدایت‌های آرناسئوس-پلیتیک سیلیسی آواری از “ماسه سنگ پولیکا” را که قدمت آنها بین ۵٫۹۷ تا ۱۳٫۸۲ میلیون سال پیش است، نمایان ^{می‌کنند} .

به سمت جنوب، توربیدیت‌های پلیتی-آرناسی الیگوسن واحد کالابری شمالی (شکل ۱ ، LITHO-1) به خوبی بین Acciaroli و Pisciotta رخنمون دارند. در زیر این واحد، توالی تکتونیزه شده Castelnuovo Cilento شامل رس‌های رنگارنگ با میان‌لایه‌های توربیدیتی، از جمله رس‌های Genesio، مارن‌ها و کالکارنیت‌های Torrente Trenico و ماسه‌سنگ‌های Pianelli است که قدمت آنها به ائوسن تا الیگوسن پایینی ^{۲۶ ، ۲۷} می‌رسد .

در جنوب‌تر، صخره‌های دریایی توالی‌های کربناتی سنگ آهک و دولومیت (واحد بولگریا؛ شکل ۱ ، LITHO-4 و ۵) را که از تریاس بالایی تا میوسن پایینی متغیر هستند و توسط رسوبات آواری میوسن پوشانده شده‌اند، قطع می‌کنند . ^{۲۵ ، ۲۷}

نتایج مربوط به فرآیند اعتبارسنجی مدل ML و بازسازی چشم‌انداز ساحلی LIG است.

دقت مدل و امتیازات (اعتبارسنجی مدل)

با استفاده از کتابخانه‌های تحلیلی پایتون، اسکریپت‌هایی را برای بهینه‌سازی پارامترهای مدل (RandomForestClassifier) ​​توسعه دادیم. GridSearchCV با اعتبارسنجی متقابل ۵-لایه و پردازش موازی (n_jobs=−۱) ترکیبات n_estimators ، max_depth ، max_features ، min_samples_split و min_samples_leaf را برای ایجاد تعادل بین دقت و تعمیم آزمایش کرد. بهترین پارامترهای شناسایی شده از طریق این جستجوی شبکه‌ای عبارت بودند از: {‘max_depth’: 15, ‘max_features’: 2, ‘min_samples_leaf’: 1, ‘min_samples_split’: 2, ‘n_estimators’: 200}

دقت مدل بسیار بالا است، اما دقت به تنهایی می‌تواند برای کلاس‌های نامتعادل گمراه‌کننده باشد. برای کلاس ۰ (sea cliff=False)، دقت ۰٫۹۸ و یادآوری ۰٫۹۶ است که نشان‌دهنده شناسایی عالی موارد منفی است. برای کلاس ۱ (sea cliff=True)، دقت ۰٫۹۶ و یادآوری ۰٫۹۸ است که نشان‌دهنده تشخیص مثبت قوی است. امتیاز F1 برای هر دو کلاس ۰٫۹۷ است که نشان‌دهنده عملکرد متعادل است. میانگین‌های کلان و وزنی نیز ۰٫۹۷ هستند که استحکام مدل را در بین کلاس‌ها تأیید می‌کنند.

پس از ارزیابی عددی عملکرد مجموعه داده‌های آموزشی، مدل ML در مناطق Cala del Cefalo و Licosa Cape (جدول ۱ و مطالب تکمیلی ۵ ) آزمایش شد، که به دلیل وجود چندین نشانگر محیطی دیرینه انتخاب شدند (به مطالب تکمیلی ۴ مراجعه کنید ). چنین نشانگرهایی که در طول بررسی‌های خاص در محل و تحقیقات کتابشناختی جمع‌آوری شدند، با به دست آوردن نقشه موضوعی مورد استفاده برای فرآیند اعتبارسنجی، امکان نقشه‌برداری گسترده از صخره‌های دریایی دیرینه LIG را در هر دو منطقه فراهم کردند.

ارزیابی با مقایسه نقشه پیش‌بینی مدل یادگیری ماشین با نقشه موضوعی به دست آمد. ارزیابی با اعمال یک آستانه طبقه‌بندی بر روی خروجی‌های احتمالی مدل انجام شد: پیش‌بینی‌هایی با احتمال کمتر از ۰٫۶۰ به عنوان کلاس ۰ (نادرست) و پیش‌بینی‌هایی با احتمال مساوی یا بالاتر از ۰٫۶۰ به عنوان کلاس ۱ (درست) در نظر گرفته شدند. این آستانه محافظه‌کارانه انتخاب شد زیرا بهترین تطابق را با اعتبارسنجی مبتنی بر نظر متخصص ارائه می‌داد و ضمن حفظ حساسیت بالا، موارد مثبت کاذب را کاهش می‌داد.

در Cala del Cefalo (منطقه تست A)، تجزیه و تحلیل ۱۲۵۰ نقطه تست، دقت کلی ۰.۹۰ را نشان می‌دهد که تأیید می‌کند اکثر نقاط به درستی طبقه‌بندی شده‌اند. حساسیت به ۰.۹۲ می‌رسد که نشان‌دهنده توانایی قوی مدل در تشخیص صحیح موارد مثبت است. با این حال، دقت کمتر (۰.۶۱) است که نشان‌دهنده وجود مثبت‌های کاذب است.

حساسیت بالا (۰٫۹۲) نشان می‌دهد که مدل به ندرت ویژگی‌های واقعی را از دست می‌دهد، در حالی که دقت پایین‌تر (۰٫۶۱) نشان‌دهنده‌ی پیش‌بینی بیش از حد است، یعنی ویژگی‌هایی که توسط مدل طبقه‌بندی شده‌اند اما در نگاشت تخصصی وجود ندارند. امتیاز F1 حاصل (۰٫۷۳) نشان‌دهنده‌ی یک بده‌بستان منطقی بین دقت و فراخوانی است.

در لیکوسا کیپ (منطقه تست نقطه B)، ارزیابی ۱۰۰۰ نقطه تست، دقت کلی کمی بالاتر (۰.۹۲) را در مقایسه با کالا دل سفالو نشان می‌دهد. در این مورد، حساسیت کمتر (۰.۸۲) است، به این معنی که برخی از ویژگی‌های واقعی صخره‌های دیرینه کشف نشده باقی می‌مانند. با این حال، دقت بالاتر (۰.۷۷) است که به مثبت‌های کاذب کمتر و طبقه‌بندی قابل اعتمادتر ویژگی‌های شناسایی شده اشاره دارد. این تعادل در امتیاز F1 برابر با ۰.۷۹ منعکس شده است که از منطقه A بیشتر است.

در مجموع، این مدل در هر دو منطقه آزمایشی عملکرد خوبی دارد. در Cala del Cefalo، حساسیت بالاتر (۰٫۹۲) تضمین می‌کند که تقریباً تمام صخره‌های دریایی واقعی LIG شناسایی می‌شوند، اما دقت پایین‌تر (۰٫۶۱) نشان دهنده تمایل به پیش‌بینی بیش از حد است. در Licosa Cape، مدل به دقت بالاتر (۰٫۷۷) و تعادل بهتری بین فراخوانی و دقت (امتیاز F1 = 0.79) دست می‌یابد، حتی اگر حساسیت کمتر باشد (۰٫۸۲). این نتایج نشان می‌دهد که این مدل در زمینه‌های مختلف ژئومورفولوژیکی قابل اعتماد است و پیشرفت‌های آینده به طور ایده‌آل بر کاهش نتایج مثبت کاذب و در عین حال حفظ حساسیت بالا متمرکز هستند.

^{در نهایت، ما توزیع مکانی خطاها را با استفاده از I 33} موران در هر دو منطقه اعتبارسنجی ارزیابی کردیم تا بررسی کنیم که آیا خطاهای مدل به صورت تصادفی توزیع شده‌اند یا خوشه‌بندی قابل توجهی را در فضا نشان می‌دهند. مقدار I موران به‌دست‌آمده نشان می‌دهد که طبقه‌بندی‌های نادرست به صورت تصادفی پراکنده نیستند، بلکه محدودیت‌های اعمال‌شده در طول آموزش مدل را، همانطور که در مطالب تکمیلی ۵ توضیح داده شده است، به صورت مکانی ساختار یافته‌اند. به طور خاص، مدل ML برخی از بخش‌ها/خوشه‌ها را که شرایط مورفومتریک را برآورده می‌کنند، درست پیش‌بینی می‌کند، اما به دلیل فقدان شاخص‌های دیرینه‌محیطی، مثبت کاذب در نظر گرفته می‌شوند. در عوض، خوشه‌های منفی کاذب را می‌توان با آستانه ارتفاع (<200 متر) که در طول آموزش برای جلوگیری از طبقه‌بندی نادرست دامنه‌های کوهستانی داخلی اعمال شده است، توضیح داد.

اگرچه این امر باعث کاهش موارد مثبت کاذب در داخل کشور شد، اما یک سوگیری سیستماتیک در منطقه B ایجاد کرد، جایی که صخره‌های مرتفع تا ارتفاع بالای ۲۰۰ متر امتداد دارند. بنابراین، این موارد منفی کاذب، به جای محدودیت واقعی مدل جنگل تصادفی، منعکس کننده محدودیت روش‌شناختی هستند.

تشخیص چشم‌انداز ساحلی LIG

با توجه به وسعت قابل توجه منطقه مورد مطالعه، که تقریباً شامل ۱۸ میلیون سلول است، ما نتایج خود را بر شرح دقیق تجزیه و تحلیل سه بخش نمونه متمرکز کردیم: بخش ۱ – پونتا لیکوزا، بخش ۲ – پالینور-مارینا دی کامروتا، و بخش ۳ – آچیارولی (به شکل‌های ۲ ، ۳ و ۴ مراجعه کنید ). در دو بخش اول، پیش‌بینی‌های تولید شده توسط مدل ML با ۳۴۴ نشانگر شناخته شده مقایسه شدند و امکان ایجاد همبستگی‌ها و اعتبارسنجی قوی و سازگار فراهم شد.

در هر بخش، ما دو نوع اصلی از صخره‌های دریایی را شناسایی کردیم:

• نوع ۱ (T1) – صخره‌های دریایی دیرینه LIG، که در فاصله بیش از ۱۰ متری از خط ساحلی فعلی قرار دارند و در طول LIG به طور فعال توسط دریا شکل گرفته‌اند اما امروزه دیگر تحت تأثیر فرآیندهای فعال دریایی نیستند.
• نوع ۲ (T2) – صخره‌های دریایی چند حلقه‌ای، که هنوز در معرض فرآیندهای دریایی مداوم هستند، فعالیت مداوم یا اخیر را نشان می‌دهند و ویژگی‌های مورفولوژیکی متمایزی را حفظ می‌کنند.

بخش ۱ – کیپ لیکوسا

بخش ۱ در بخش شمالی منطقه مورد مطالعه واقع شده و تقریباً ۱۵ کیلومتر، از سن مارکو تا بندر سن نیکولا آ ماره امتداد دارد (شکل ۵ الف). این منطقه عمدتاً با LITHO-10، به ویژه ماسه‌سنگ‌های پولیکا، که قدمت آنها به ۱۵.۹۷ ± ۰.۰۵ میلیون سال پیش و ۱۳.۸۲ ± ۰.۰۵ میلیون سال ^پیش می‌رسد، مشخص می‌شود .

در این چارچوب زمین‌شناسی، کاربرد مدل یادگیری ماشین، شناسایی خودکار صخره‌های دریایی LIG را در سه محدوده ارتفاع‌سنجی مختلف (شکل ۵b ) امکان‌پذیر ساخت، که نشانگرهای دیرینه‌محیطی شناسایی‌شده در محل نیز آن را تأیید کردند.

مدل ML با موفقیت (مطالب تکمیلی ۵ و شکل ۵ ) یک صخره دریایی دیرینه LIG مرتفع‌تر و توسعه‌یافته (T1) را شناسایی کرد که تقریباً ۷ کیلومتر امتداد دارد و شیب متوسط ​​آن حدود ۳۰ درجه است. با وجود اینکه دامنه کوه به طور گسترده توسط رسوبات تالوس پوشیده شده است، مدل به طور دقیق (مطالب تکمیلی ۵ ) ویژگی‌های مورفومتریک کلیدی آن را تشخیص داد. با وجود اینکه صخره‌های دریایی به طور گسترده در امتداد کل دماغه Cilento شناخته شده‌اند، تاکنون هیچ تاریخ‌گذاری مطلقی منتشر نشده است. با این حال، تحقیقات اخیر توسط De Santis و همکاران، ۲۰۲۵ ^۲۳ این شکل زمین را به سکونت مجدد در سطح دریا در طول LIG نسبت می‌دهد.

عارضه میانی شناسایی شده توسط مدل ML شامل صخره‌های دریایی T1 و ۲ است. در واقع، آنها عمدتاً بین +۱۱ و ۴٫۵ متر از سطح دریا واقع شده‌اند اما به صورت محلی به سطح فعلی دریا می‌رسند. این شکل زمین با یک سکوی موج‌شکن مستند، هم در منابع ^۳۴ و هم از طریق مشاهدات میدانی، مطابقت دارد که در آن یک حاشیه داخلی در حدود +۵ متر از سطح دریا وجود دارد. طبق گفته ایزولا و همکاران (۲۰۲۴) ^۳۴ ، در Cala Infreschi (بخش ۲، دماغه پالینور)، یک غارسنگ مربوط به MIS 6-8 چندین گمانه Lithophaga را در +۵٫۳ ± ۰٫۱۸ متر از سطح دریا پوشش می‌دهد و در نتیجه با سطح دریا LIG مرتبط است، که با تشخیص خودکار مدل مطابقت دارد.

بقایای این ریخت‌شناسی که به بهترین شکل حفظ شده است، در بخش مرکزی-جنوبی واقع شده و تقریباً ۵۰۰ متر در امتداد خط ساحلی امتداد دارد، با شیب متوسط ​​۱۵.۶ درجه و مقدار زبری ۶.۲۶، مقادیری که در محدوده‌های مورفومتریک آموخته شده توسط مدل در طول مرحله آموزش قرار می‌گیرند.

در نهایت، این مدل همچنین یک صخره دریایی پایین‌تر را که با گزارش‌های کتابشناختی و بررسی‌های میدانی ما سازگار است، شناسایی کرد، اگرچه به شدت فرسایش یافته و فقط در امتدادهای ناپیوسته حفظ شده است. بخش‌های پیش‌بینی‌شده از نظر مورفولوژیکی با پرتگاه‌های مجاور هم‌تراز هستند و از تفسیر آنها به عنوان بقایای این ویژگی ساحلی تخریب‌شده پشتیبانی می‌کنند. این ویژگی در پشت سکوی برش موج پایین‌تر ایجاد می‌شود و هنگامی که صرفاً با پایین‌ترین توده مطابقت دارد، حداکثر ارتفاع +۵٫۲ متر از سطح دریا را دارد و حاشیه داخلی آن بین +۱٫۵ تا +۲ متر از سطح دریا متغیر است. طبق گفته ایزولا و همکاران (۲۰۲۴) ^۳۴ ، این را می‌توان به نوسان جزئی سطح دریا در طول آخرین دوره بین یخچالی (LIG) نسبت داد.

در بسیاری از مناطق، این لندفرم‌ها تا حدی توسط رسوبات جدید پوشیده شده‌اند، که بازسازی آنها را تنها از طریق مشاهده مستقیم به طور ویژه‌ای چالش برانگیز می‌کند. بازسازی‌های ارائه شده توسط مدل یادگیری ماشینی نشان می‌دهد که صخره‌های دریایی دیرینه شناسایی شده، صخره‌های فرورونده نبودند، بلکه صخره‌های دریایی با سکوها (T2) بودند که با یک جبهه فرسایشی فعال که بر روی یک سکو موج‌شکن قرار داشت، مشخص می‌شدند.

بخش ۲ – Palinuro-Marina di Camerota

بخش ۲ تقریباً ۱۵ کیلومتر امتداد دارد.

همانطور که در شکل ۲ الف نشان داده شده است، مدل ML یک سیستم صخره دریایی تقریباً پیوسته با مقدار پیش‌بینی، که با معیارهای اعتبارسنجی ارزیابی شده است، بالاتر از ۷۰٪ در سراسر بخش شناسایی کرده است. صخره دریایی چند حلقه‌ای (T2) که در اینجا شناسایی شده است را می‌توان به صخره‌های غوطه‌ور در بخش شمالی (دماغه پالینورو) و صخره‌های دریایی با سکوها در بخش جنوبی نزدیک مارینا دی کامروتا تقسیم کرد (شکل ۲ الف).

پس از تجزیه و تحلیل دقیق داده‌های مدل ML، یک صخره در LITHO-7 در شمال این بخش، نزدیک Ficocelle شناسایی شد (شکل ۲ الف). این صخره دریایی تقریباً ۵۰۰ متر به صورت افقی امتداد دارد و ارتفاع عمودی آن بین +۲٫۴ تا +۱۹ متر از سطح دریا متغیر است.

در دماغه پالینور، یک صخره دریایی برجسته در LITHO-4 (سنگ آهک مونته کریوو) شناسایی شده است که تقریباً ۹ کیلومتر به موازات ساحل امتداد دارد. این صخره دریایی، با حداکثر ارتفاع +۱۹۰ متر، شیب‌های تند و مقادیر زبری بالا (به طور متوسط ​​حدود ۸۱)، بیش از ۱۰۰ نشانگر سطح دریا را در خود جای داده است. در این مورد، رویکرد وان حمام به ویژه مؤثر است، زیرا در زمینه صخره‌های دریایی فرو رونده با سکوهای برش موج شناسایی شده در محل، به خوبی کار می‌کند. در عوض، در جایی که رسوبات آبرفتی تا حدی این مورفولوژی و شیب آن را دفن می‌کنند، مانند دماغه مولپا، مدل یک صخره دریایی T1 پیوسته را در بخش داخلی شناسایی کرد.

از دهانه رودخانه مینگاردو تا کالا دارکونته، یک صخره دریایی چند حلقه‌ای (T2) به طول ۴.۵ کیلومتر در محدوده LITHO-4 و LITHO-5 شناسایی شده است که ۵ کیلومتر امتداد دارد. در اینجا، یک ساحل کوچک ۳ کیلومتری با ارزش طبیعی بالا، با مورفولوژی عظیم آثار باستانی، با حداکثر ارتفاع ۱۷۰ متر از سطح دریا و ۳۰۰ متر از خط ساحلی فعلی، با شیب متوسط ​​۴۰ درجه، هم‌مرز است.

مقایسه با نقشه‌های ژئومورفولوژیکی دقیق و نشانگرهای دیرینه‌محیطی ما (۲۶ غار ساحلی، ۵ گمانه Lithophaga و ۱۷ شکاف جزر و مدی) دقت بالای مدل را با مقادیر پیش‌بینی بیش از ۸۰٪ نشان می‌دهد. در طول بررسی‌های میدانی، نشانگرهای فوق‌الذکر در ارتفاعات بین ۲ تا ۱۰ متر از سطح دریا، عمدتاً بین ۵ تا ۱۰ متر، مشاهده شدند.

پیش‌بینی نشان می‌دهد که در طول LIG، این بخش با یک پرتگاه دریایی پیوسته مشخص می‌شد که در طول افت جزئی سطح دریا در LIG فعال باقی ماند.

وقتی خطوط تراز مربوط به ارتفاع RSL در طول اوج LIG را روی هم قرار می‌دهیم، واضح است که رویکرد کلاسیک وان حمام برای صخره‌های شیب‌دار به طور مؤثر کار می‌کند، اما در جایی که رسوبات رسوبی وجود دارد، به ویژه رسوبات شیب (یعنی رسوبات تالوس، مخروط‌ها و زمین لغزش‌های قابل توجه) شکست می‌خورد.

با حرکت به سمت سواحل پورتیچلو و کالا دارکونته، دقت نقشه‌برداری از دماغه‌های جداکننده خلیج‌ها مشهود است. در دره، صخره دریایی به سمت داخل خشکی ادامه می‌یابد که نشان‌دهنده پیشروی دریایی است که اکنون در زیر رسوبات مدفون شده است (کالا دارکونته در شکل ۲ الف).

بخش از Cala d’Arconte تا Marina di Camerota تحت سلطه LITHO-4 است. همانطور که صخره به سمت خلیج Calanca امتداد می‌یابد، با سکوهای موج‌شکن ^۲۳ ، در حدود +۴ تا ۷ متر از سطح دریا، هم‌مرز است. یکی از ویژگی‌های قابل توجه در امتداد خط ساحلی Camerota، یک صخره دریایی T1 (درون سنگ‌های آهکی Monte Crivo) است که در +۳۴ متر از سطح دریا بالا می‌آید. همپوشانی با نقشه‌های ژئومورفولوژیکی و سنگ‌شناسی، حجم قابل توجهی از رسوبات را در داخل دره نشان می‌دهد که به اعوجاج ظاهری ارتفاع کمک می‌کند. این نشان می‌دهد که این منطقه ممکن است در طول LIG به عنوان یک منطقه ساحلی عمل کرده باشد که اکنون در زیر رسوبات دفن شده است.

در شرق، صخره دریایی ساختاری خلیجی شکل را تشکیل می‌دهد که تا حدی با رسوبات اخیر تا عمق +۲۰ متر از سطح دریا پر شده است. این سیستم همچنان به شناسایی هر دو نوع صخره دریایی در امتداد ۴ کیلومتر (در دولومیت بالایی) ادامه می‌دهد، که به طور متناوب بین صخره‌های فرورونده (T2) و صخره‌های دارای سکو (T1) در ارتفاعات سازگار با LIG قرار دارند و به صورت محلی به درون دره نفوذ کرده‌اند، که نشان دهنده تعامل پویا بین فرآیندهای ساحلی و توپوگرافی داخلی در طول دوره LIG است.

بخش ۳ – آچیارولی

تجزیه و تحلیل نتایج در بخش ۳ به طور ویژه‌ای آموزنده بود، زیرا مدل ML مورد استفاده در درجه اول برای مناطقی که با وجود نشانگرهای دیرینه‌محیطی مشخص می‌شوند، کالیبره شده بود. بنابراین، اعمال آن به مناطقی که فاقد چنین شاخص‌هایی بودند، اعتبارسنجی مؤثری از قابلیت‌های مدل را فراهم کرد که نشان‌دهنده یک چالش روش‌شناختی است.

بخش ۳ به دلیل فقدان نشانگرهای دیرینه‌محیطی انتخاب شد. در نتیجه، نتایج شرح داده شده در زیر صرفاً بر پیش‌بینی‌های مدل ML متکی هستند. این امر با هدف تحقیقاتی بازسازی گسترده چشم‌انداز دریایی دیرینه ساحل سیلنتو، از جمله مناطقی که هیچ نشانگر دیرینه‌محیطی در دسترس نبود، همسو است. نتایج فقط به عنوان پیش‌بینی‌های احتمالی گزارش می‌شوند که توسط نوارهای ارتفاعی سازگار با LIG و پیوستگی لیتو-ژئومورفیک محدود شده‌اند. این نشان می‌دهد که چگونه این روش می‌تواند بازسازی‌ها را به مناطقی که نشانگرهای مستقل ندارند، گسترش دهد، در حالی که کالیبراسیون و اعتبارسنجی به بخش‌های غنی از شاخص متصل می‌مانند.

بخش ۳ از کاپیتلو تا مارینا دی کازال ولینو امتداد دارد و طولی تقریباً ۱۳ کیلومتر را پوشش می‌دهد (شکل ۳ ). با تجزیه و تحلیل نتایج به‌دست‌آمده از مدل ML در رابطه با منابع موجود و تصاویر ماهواره‌ای دقیق، اثربخشی آن ارزیابی شد. مدل ML یک صخره دریایی LIG نسبتاً پیوسته را تقریباً در کل بخش شناسایی می‌کند، با مقدار پیش‌بینی خوب بین ۷۹٪ تا ۹۰٪. صخره دریایی LIG حدود ۱۱ کیلومتر امتداد دارد، با ارتفاعاتی از +۱۰ تا +۱۱۷ متر از سطح دریا و حداکثر شیب ۵۵ درجه.

اطلاعات سنگ‌شناسی موجود در مجموعه داده‌ها، وجود LITHO-1 (توربیدیت‌های سازند ساراسنو، مربوط به ۳۳٫۹ و ۲۳٫۰۴ میلیون سال پیش) و LITHO-7 (مارن‌ها و کالکارنیت‌های ترینیکو، مربوط به ۲۳ و ۲۰٫۴۵ میلیون سال پیش) را در داده‌های ^{پیش‌بینی‌شده نشان می‌دهد} .

در شمال آچیارولی (شکل ۳ )، صخره دریایی پالئو تقریباً در ۳۰۰ متری خط ساحلی فعلی، با شیب حدود ۱۵ درجه واقع شده است. این صخره در ابتدا با یک ساحل بزرگ (Spiaggia Grande di Acciaroli) و متعاقباً با یک تالوس و یک منطقه آنتروپیزه ساحلی هم‌مرز است.

مدل ML به طور دقیق ویژگی ژئومورفولوژیکی هدف را پیش‌بینی کرد و پایه شکل زمین را در حدود ۲۵ متر و با فاصله متوسط ​​۳۰۰ متر از خط ساحلی شناسایی کرد.

شیب ناشناخته این ریخت‌شناسی احتمالاً توسط ائولینیت‌ها و رسوبات شیب (احتمالاً روی یک سکوی موج‌شکن) در طول LIG دفن شده است.

در جنوب بندر آچیارولی، صخره دریایی در اواخر هولوسن دوباره فعال شد، زمانی که یک سکوی موج‌شکن (به محل آن در شکل ۳ مراجعه کنید ) شکل گرفت و بعداً توسط رسوبات شن و بلوک‌های جدید پوشیده ^شد .

در این مورد، تحلیلی نیز بر روی مقادیر سلولی مربوط به دو نوع (صخره‌های دریایی پالئو-دریایی LIG و صخره‌های دریایی چند حلقه‌ای، به مطالب تکمیلی ۱ ، شکل‌های S1 ، شکل‌های S2 و شکل‌های S3 مراجعه کنید) انجام شد ، بدون اینکه هیچ عدم تقارن قابل توجهی مشاهده شود.

بر اساس بازسازی‌های یادگیری ماشینی ما، چشم‌انداز LIG بخش ساحلی Cilento عمدتاً با صخره‌های فرورونده بسیار بلند که در سازندهای سنگ آهک مقاوم حک شده‌اند (به عنوان مثال، LITHO-4 و ۵) مشخص می‌شود، که با صخره‌های دریایی کوتاه‌تر که گهگاه توسط سکوهایی که در سنگ‌شناسی‌های فرسایش‌پذیرتر مانند ماسه‌سنگ و گل‌سنگ حک شده‌اند، محدود شده‌اند (LITHO-1، ۷ و ۱۰) در هم آمیخته‌اند.

این تضاد ریخت‌شناسی، همراه با تمایزات ریخت‌سنجی متعاقب بین صخره‌های دریایی پالئو (T1) و صخره‌های دریایی چند حلقه‌ای (T2)، نقش مهم سنگ‌شناسی زیرین را هم در توسعه و هم در حفظ طولانی‌مدت لندفرم‌های ساحلی شکل‌گرفته در طول LIG برجسته می‌کند. در شکل ۶ ، چشم‌انداز ساحلی LIG بازسازی شد تا تأکید شود که رویکرد کلاسیک وان حمام با خط ساحلی در +۵٫۳ ± ۰٫۱۸ متر MSL ^۳۴ فقط برای صخره‌های دریایی T2 مؤثر است، اما در جایی که رسوبات رسوبی، شیب پای صخره‌های دریایی T1 را دفن می‌کنند (یعنی رسوبات تالوس، مخروط‌ها و رانش‌های قابل توجه زمین)، شکست می‌خورد.

علاوه بر این، تجزیه و تحلیل ما امکان ارزیابی تأثیر آب و هوایی بر سنگ‌شناسی‌های مختلف را فراهم کرد که بر تفاوت‌های مورفولوژیکی بین صخره‌های دریایی پالئو-دریایی T1، که در طول LIG فعال و اکنون غیرفعال هستند، و صخره‌های دریایی چند حلقه‌ای T2، که در حال حاضر در معرض فرسایش دریایی هستند و جبهه ساحلی فعال را نشان می‌دهند، تأکید می‌کند. به طور خاص، زبری در صخره‌های دریایی فعال T2 (به عنوان مثال، میانه ~۱۵٫۵ در توربیدیت‌ها، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید ) در مقایسه با اشکال تثبیت‌شده T1 (~11.9) مقادیر و تنوع بالاتری را نشان می‌دهد که نشان‌دهنده بی‌نظمی‌های سطحی موضعی و فرسایش بیشتر است. توزیع شیب نیز به طور مشابه متفاوت است، به طوری که صخره‌های دریایی T2 شیب‌های میانه تندتری (~۲۵٫۵ درجه، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید ) نسبت به T1 (~22.7 درجه، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید ) نشان می‌دهند که با بی‌ثباتی دینامیکی سازگار است. نسبت مساحت سطح (SAR) در صخره‌های توربیدیتیک از T2 (~111) به T1 (~108.4) به طور متوسط ​​کاهش می‌یابد، که نشان دهنده مسطح شدن ظریف سطوح در مقیاس‌های مکانی وسیع‌تر است (به مطالب تکمیلی ۳ مراجعه کنید ). اگرچه SAR همبستگی متوسطی با زبری (r پیرسون ~۰٫۷۲) و شیب (~۰٫۷۹) دارد، اما پیچیدگی مورفولوژیکی را در مناطق بزرگتر نسبت به معیار زبری، که به تغییرات میکروتوپوگرافی حساس است، نشان می‌دهد. به طور کلی، داده‌ها تفاوت‌های سیستماتیک بین T1 و T2 را برجسته می‌کنند که با درجه متفاوت فعالیت مورفوژنتیکی آنها سازگار است (به مطالب تکمیلی ۱ و مطالب تکمیلی ۲ مراجعه کنید ):

• T2 فعال‌تر، شکسته‌تر و ناهموارتر است که مشخصه دامنه‌های ساحلی در فرسایش فعال است.
• T1 سطوح پایدارتری را با پیچیدگی مورفولوژیکی کمتر نشان می‌دهد که با فرم باقی‌مانده و غیرفعال سازگار است.

در مدل ما، زبری و شیب به عنوان تأثیرگذارترین پیش‌بینی‌کننده‌ها ظاهر می‌شوند، و زبری بالاترین اهمیت متغیر را نشان می‌دهد، که با حساسیت آن به ناهمگنی در مقیاس ریز در صخره‌های فعال در حال فرسایش سازگار است. SAR، اگرچه اهمیت کمتری دارد، اما اطلاعات منحصر به فردی در مورد پیچیدگی سطح در مقیاس مزو ارائه می‌دهد و گنجاندن آن را علیرغم همبستگی با زبری و شیب توجیه می‌کند. همبستگی بالای بین زبری و شیب (r = 0.91) نشان‌دهنده‌ی نوعی افزونگی است. با این حال، ترکیب آنها با توصیف مشترک کنترل‌های بافت و گرادیان بر فرسایش، استحکام طبقه‌بندی را بهبود می‌بخشد. همبستگی پایین‌تر SAR با این پارامترها، توانایی آن را در ثبت الگوهای مکانی متمایز از تشریح سطح نشان می‌دهد و اطلاعات مورفومتریک مکمل را در مقیاس متفاوت ارائه می‌دهد.

به طور خلاصه، استفاده ترکیبی از شیب، زبری و SAR در چارچوب طبقه‌بندی نظارت‌شده، به طور مؤثر از مقیاس‌های مکمل و اهمیت مورفوژنتیکی آنها بهره می‌برد و تمایز بین صخره‌های دریایی پالئو-دریایی T1 و صخره‌های دریایی فعال T2 را در بین سنگ‌شناسی‌های متنوع و حالت‌های فرسایشی افزایش می‌دهد. با این حال، تجزیه و تحلیل ما نه تنها امکان ارزیابی اثرات نیروهای اقلیمی آخرین چرخه بین یخچالی بر روی دو نوع مختلف صخره‌های دریایی پالئو-دریایی را فراهم کرد، بلکه تشخیص داد که کدام سنگ‌شناسی‌ها از مدل‌های یادگیری ماشین برای طبقه‌بندی خودکار بهتر پشتیبانی می‌کنند. با در نظر گرفتن تفاوت‌های بین دو نوع‌شناسی برای هر سنگ‌شناسی، می‌توانیم بیشتر مشاهده کنیم که توربیدیت‌های فعال (T2) به وضوح نشانه‌هایی از فرسایش دریایی را با تنوع مورفومتریک بالا نشان می‌دهند. نکته قابل توجه این است که T1 ناهموارتر و پیچیده‌تر است. این ممکن است نشان‌دهنده مقاومت سنگ‌شناسی باشد، زیرا این سنگ‌ها کمتر مستعد فرسایش هستند. در مورد سنگ‌شناسی دولومیتی، هر دو نوع‌شناسی از نظر مورفومتریک پایدار هستند. این ممکن است نشان‌دهنده یک مورد پرت در طبقه‌بندی باشد. در عوض، کالکارنیت، مانند ماسه‌سنگ، الگوی معکوسی را نشان می‌دهد. این نشان دهنده مقاومت بالاتر در برابر فرسایش یا “حافظه مورفولوژیکی” در T1 است. مارن تفاوت‌های کمی بین T1 و T2 دارد و آن را به سنگی با قدرت تمایز کم برای اهداف طبقه‌بندی تبدیل می‌کند. به طور خلاصه، توربیدایت مؤثرترین سنگ‌شناسی برای تمایز T1 و T2 با تفاوت‌های قابل توجه در تمام پارامترها است. از سوی دیگر، ماسه‌سنگ و کالکارنیت الگوهای معکوس نشان می‌دهند: صخره‌های دریایی دیرینه پیچیده‌تر از صخره‌های دریایی فعال هستند، احتمالاً به دلایل ژئومکانیکی یا تاریخی. در نهایت، دولومیت و مارن مقادیر بسیار مشابهی دارند و اگرچه ممکن است به طور جدی در طبقه‌بندی نقش نداشته باشند، اما حساسیت کم آب و هوایی این سنگ‌ها را در طول زمان تأیید می‌کنند.

از نظر سنگ‌شناسی، برای توالی‌های توربیدی (LITHO-1، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید ) که در منطقه شمالی غالب هستند، صخره‌های T2 شیب‌های متوسط ​​(میانگین ۲۵٫۵ درجه)، زبری بالا (میانگین ~۱۵٫۵) و شکافت قابل توجه (~۰٫۴۹) را نشان می‌دهند که نشان‌دهنده بی‌ثباتی مورفولوژیکی فعال ناشی از فرسایش دریایی و شکست‌های مکرر شیب است. صخره‌های دریایی پالئو مربوط به T1 شیب‌های ملایم‌تری (~۲۲٫۷ درجه)، زبری کمتر (~۱۱٫۹) و شکافت مشابه (~۰٫۴۶) را نشان می‌دهند که با سطوح صاف شده توسط هوازدگی زیرسطحی و رسوبات کوه‌رفتی سازگار است. مقادیر مساحت سطح از T2 (~111) به T1 (~108.4) کمی کاهش می‌یابد که نشان‌دهنده مسطح شدن ظریف اما مداوم است. برای این سنگ‌شناسی، میانگین زبری به طور قابل توجهی از میانه فراتر می‌رود، به خصوص در T2 (میانگین ~۲۰٫۴ در مقابل میانه ~۱۵٫۵)، که نشان‌دهنده بی‌نظمی‌های سطحی موضعی و مناطق فرسایشی تشدید شده است. توزیع زبری یک دنباله بلند به سمت راست را نشان می‌دهد که نشان‌دهنده مورفولوژی ناهمگن است. توزیع شیب‌ها به طور مشابه با دنباله راست به دلیل بخش‌های بسیار شیب‌دار، دارای چولگی مثبت است، همانطور که با حداکثر مقادیر شیب بالای ۶۰ درجه تأیید شده است. برش در T2 دارای چولگی کمی مثبت است، با تغییرپذیری بیشتر نسبت به T1، که با تکه‌تکه شدن فعال سطح سازگار است. انحرافات استاندارد، وجود تغییرپذیری قابل توجه در همه پارامترها را تقویت می‌کند، که در T2 برجسته‌تر است، که نشان‌دهنده یک چشم‌انداز در حال تکامل پویا است.

برعکس، در مناطق ماسه‌سنگی با سیمان خوب (LITHO-10، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید )، مانند بخش‌هایی از مرکز Cilento، شیب‌ها نسبتاً یکنواخت هستند (~۲۴٫۹° برای T1 و ~۲۳٫۲° برای T2). صخره‌های دریایی دیرینه T1 در مقایسه با T2 (~12.3 و ~۰٫۴۲)، زبری (~۱۴٫۵) و برش (~۰٫۴۴-۰٫۴۶) بالاتری دارند، که احتمالاً به دلیل هموارسازی اخیر ناشی از پوشش رسوبی یا عقب‌نشینی افتراقی در امتداد صفحات لایه‌بندی است. مساحت سطح پایدار باقی می‌ماند (~۱۱۰-۱۱۱)، که نشان دهنده حفظ پیچیدگی ناهمواری‌ها با وجود تفاوت‌های جزئی در شیب است. توزیع آماری این پارامترها با میانگین‌های نزدیک به میانه‌ها و انحراف معیار متوسط، متقارن‌تر است (به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید )، که نشان دهنده دینامیک فرسایشی یکنواخت‌تر و رفتار مواد است و از تفسیر شرایط فرسایشی پایدار و حالت پایدار پشتیبانی می‌کند. با این حال، از دیدگاه آماری، صخره‌های دریایی کربناته بالاترین چولگی مثبت را در توزیع ناهمواری در بین تمام سنگ‌شناسی‌ها نشان می‌دهند، با میانگین (۴۵.۳ برای T1 و ۵۶.۴ برای T2) که به دلیل داده‌های پرت شدید (حداکثر بیش از ۱۰۰۰) به طور قابل توجهی بالاتر از میانه‌ها است. این نشان می‌دهد که در حالی که بخش عمده‌ای از صخره دریایی ناهموار است، برخی از بخش‌های محلی دارای پیچیدگی مورفولوژیکی استثنایی هستند که احتمالاً ناشی از کنترل‌های ساختاری مانند درزه‌ها است. شیب‌ها نیز چولگی مثبت را نشان می‌دهند، با حداکثر مقادیر نزدیک به ۷۸ درجه، که نشان‌دهنده سطوح شیب‌دار یا حتی برآمده است. توزیع‌های تشریح، چولگی مثبت متوسط ​​و تنوع بالایی را نشان می‌دهند که با تکه‌تکه شدن سطح قابل توجه سازگار است. انحراف معیار برای زبری و شیب به طور قابل توجهی بالا است که ماهیت ناهمگن این صخره‌های دریایی را تقویت می‌کند.

صخره‌های دریایی کالکارنیت (LITHO-6، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید )، شیب‌های متوسط ​​(~۱۹٫۱° در T2، ~۲۰٫۱° در T1)، زبری متوسط ​​(~۸٫۲ برای T2 و ~۹٫۰ برای T1) و برش کم تا متوسط ​​(~۰٫۴۰ در T2، ~۰٫۴۶ در T1) را نشان می‌دهند. مساحت سطح متوسط ​​(~۱۰۶) پیچیدگی عمودی محدودی را نشان می‌دهد که با شیب‌های ملایم و پوشش گیاهی جزئی سازگار است. این صخره‌های دریایی توزیع‌های نسبتاً متقارنی را با میانگین‌ها و میانه‌های نزدیک به هم در پارامترهای شیب و برش نشان می‌دهند. زبری، چولگی مثبت خفیفی را به ویژه در T2 (میانگین ۱۵٫۶ در مقابل میانه ۸٫۱۶) با برخی از داده‌های پرت متوسط ​​(حداکثر ~۸۶) نشان می‌دهد، که نشان می‌دهد در حالی که بیشتر زمین نسبتاً صاف است، برخی از بی‌نظمی‌های سطحی موضعی رخ می‌دهد. انحراف معیار متوسط ​​است و از همگنی کلی با برخی پیچیدگی‌های تکه‌ای پشتیبانی می‌کند.

در نهایت، سنگ‌شناسی‌های مارنی (LITHO-7، به مطالب تکمیلی ۳ ، جدول S1 مراجعه کنید )، علیرغم ضعف مکانیکی، معیارهای مشابه غیرمنتظره‌ای را بین اشکال T1 و T2 نشان می‌دهند. شیب‌های میانه در حدود ۲۲٫۵-۲۲٫۷ درجه، مقادیر زبری بین ~۱۱٫۶ و ۱۱٫۹ و برش نزدیک به ۰٫۴۴-۰٫۴۵، با مساحت سطح قابل مقایسه (~۱۰۸٫۵) باقی می‌مانند. این نشان می‌دهد که تکامل مورفولوژیکی پس از LIG احتمالاً به تعادل نسبی رسیده است، و تخریب قبلی سطوح پالئو را هموار کرده است. تجزیه و تحلیل آماری این تعادل را تأیید می‌کند: میانگین‌ها و میانه‌ها در تمام پارامترها نزدیک به هم هستند، با چولگی محدود و فقط گاهی اوقات داده‌های پرت، عمدتاً در زبری برای T2. این نشان دهنده شرایط مورفولوژیکی پایدار با فرآیندهای فرسایش و اصلاح سطح متعادل در طول زمان است (به مطالب تکمیلی ۳ مراجعه کنید ).

تا جایی که به وضوح مکانی مجموعه داده‌های ما مربوط می‌شود، تشخیص دقیق این ویژگی‌ها مبتنی بر یادگیری ماشین به دلیل وضوح DTM پیچیده است: شبکه‌های درشت‌تر می‌توانند نشانه‌های مورفولوژیکی ظریف را نادیده بگیرند، در حالی که وضوح‌های ظریف‌تر ممکن است نویز را تقویت کنند. در این مطالعه ما به یک DTM با وضوح ۱۰ متر تکیه کردیم. با این حال، ما معتقدیم که استفاده از یک چارچوب DEM با وضوح چندگانه، در صورت وجود، می‌تواند در آینده، علیرغم کمبود معمول مجموعه داده‌های توپوگرافی با کیفیت بالا، استحکام طبقه‌بندی شکل زمین را افزایش دهد.

به طور خلاصه، ادغام اطلاعات مورفولوژیکی و سنگ‌شناسی (به مطالب تکمیلی ۳ مراجعه کنید ) در یک مدل ML به ما این امکان را داد که نه تنها چشم‌انداز ساحلی LIG را حتی زمانی که تا حدی توسط رسوبات جدیدتر پوشیده شده یا توسط فرآیندهای بعدی تغییر یافته است، بازسازی کنیم و بر محدودیت‌های رویکرد کلاسیک وان حمام غلبه کنیم، بلکه ارزیابی کنیم که چگونه نیروهای اقلیمی از زمان LIG به طور متفاوت بر سنگ‌شناسی‌های مختلف تأثیر گذاشته و پاسخ مورفولوژیکی آنها را مشروط کرده است. سازگاری نتیجه ما با اعتبارسنجی واقعیت زمینی (به مطالب تکمیلی ۵ مراجعه کنید ) از برون‌یابی این بازسازی چشم‌انداز به آن مناطق ساحلی بدون هیچ مدرک سطح دریا LIG شناسایی شده پشتیبانی می‌کند. به نوبه خود، این شناسایی‌ها اطلاعات مورفومتریک دقیقی در مورد نیروهای اقلیمی متوالی که بر تکامل چشم‌انداز ساحلی در طول آخرین چرخه بین یخچالی تأثیر گذاشته‌اند، ارائه دادند.

فراتر از بینش‌های ژئومورفولوژیکی، این مطالعه همچنین به پیامدهای روش‌شناختی اعمال یادگیری ماشینی در مناظر ساحلی پیچیده می‌پردازد ^۳۵٫ یکی از مزایای کلیدی جنگل تصادفی (RF) در قابلیت توضیح و تفسیر آن نهفته است که بینش‌های روشنی در مورد چگونگی تأثیر پیش‌بینی‌کننده‌ها (شکل ۷ را ببینید ) بر نتایج طبقه‌بندی ارائه می‌دهد.

طبقه‌بندی‌کننده جنگل تصادفی (RandomForestClassifier) ​​ابزاری قوی و مؤثر برای تشخیص خودکار صخره‌های ساحلی و صخره‌های دیرینه (paleo-cliffs) بود و به دقت کلی بالایی در هر دو حوزه آموزش و اعتبارسنجی دست یافت. با این حال، تجزیه و تحلیل ما از الگوهای خطا، برخی از جنبه‌های مربوط به خوشه‌بندی منفی کاذب را به دلیل محدودیت ارتفاع‌سنجی اعمال شده در مجموعه داده‌های آموزشی و اختلاف بین رویکرد نقشه‌برداری «انسانی» و محاسبات مورفومتریک بر اساس سلول به سلول، برجسته کرد.

مطالعه ما نشان می‌دهد که اگرچه یادگیری ماشینی راه‌حل‌های تکرارپذیر، مقیاس‌پذیر و بسیار دقیقی برای نقشه‌برداری ژئومورفولوژیکی ساحلی ارائه می‌دهد، تفسیر نتایج باید همیشه هم انتخاب‌های طراحی آموزشی و هم تفاوت‌های ذاتی بین ادراک انسانی و الگوریتمی از ساختارهای چشم‌انداز را در نظر بگیرد. کارهای آینده باید با هدف ادغام این دو دیدگاه، عینیت مدل‌های مورفومتریک را با دانش زمینه‌ای متخصص محور ترکیب کنند تا هم دقت و هم قابلیت تفسیر بهبود یابد.

در نتیجه، این مطالعه یک روش جدید و مؤثر نه تنها برای بازسازی چشم‌انداز دیرینه در مقیاس منطقه‌ای تا قاره‌ای، بلکه برای ارزیابی آماری اثرات اقلیمی بر تکامل هزاره آن نیز ارائه می‌دهد. کاربرد چنین رویکردی در سطح جهانی می‌تواند از برنامه‌ریزی استراتژی‌های سازگاری با اثرات مورد انتظار تغییرات اقلیمی جاری پشتیبانی کند.

روش پیشنهادی به شناسایی صخره‌های دریایی دیرینه LIG در کل منطقه مورد مطالعه از طریق یک روش مبتنی بر یادگیری ماشینی که بر روی یک مجموعه داده زمین‌شناسی-ژئومورفولوژیکی ۱۰×۱۰ متر با بیش از ۱۸،۰۰۰،۰۰۰ نقطه به دست آمده از تجزیه و تحلیل مورفومتریک منابع دسترسی آزاد اعمال می‌شود، اشاره دارد (به بخش ” تشخیص چشم‌انداز ساحلی LIG ” مراجعه کنید). از یک الگوریتم طبقه‌بندی‌کننده جنگل تصادفی (RandomForestClassifier) ​​برای ایجاد یک سیستم طبقه‌بندی شکل زمین استفاده شد که قادر به شناسایی صخره دریایی دیرینه درگیر در نوسانات سطح دریا که در طول LIG رخ داده است، می‌باشد.

فردیت‌یابی و استخراج ویژگی

این روش شامل دو مرحله است: مرحله اول (شکل ۴ الف) مبتنی بر ایجاد مجموعه داده‌های مورفومتریک از کل منطقه مورد مطالعه و استخراج/ایجاد مجموعه داده‌های آموزشی است؛ مرحله دوم (شکل ۴ ب) بر ایجاد مدل یادگیری ماشین و کاربردهای مرتبط تمرکز دارد.

این گردش کار، تجزیه و تحلیل مورفومتریک، طبقه‌بندی یادگیری ماشین و یک فرآیند اعتبارسنجی دو سطحی را ادغام می‌کند. پیش‌پردازش اولیه داده‌ها شامل استخراج مشتقات توپوگرافی (شیب، زبری و سایر موارد) از یک DTM با وضوح ۱۰ متر بود. این مجموعه داده شامل حدود ۱۸ میلیون نقطه با مجموعه داده‌ای که از پایگاه داده ژئودیتابیس SEA-PROXY استخراج شده بود، تطبیق داده شد. ادغام حاصل، یک مجموعه داده آموزشی برای طبقه‌بندی‌کننده جنگل تصادفی (RandomForestClassifier) ​​فراهم کرد که معیار طراحی را که در آن هر دو شرط (صخره دریایی بله/صخره دریایی خیر) در نظر گرفته شده است، برآورده می‌کند (مرحله استخراج در شکل ۷ الف).

پس از اعتبارسنجی مدل، کل مجموعه داده‌های به‌دست‌آمده از تحلیل DTM توسط طبقه‌بندی‌کننده جنگل تصادفی پردازش شد تا پیش‌بینی در یک منطقه وسیع‌تر به دست آید (شکل ۷ ب).

طبقه‌بندی نهایی، بازسازی چشم‌اندازهای ساحلی LIG و ترسیم فضایی ویژگی‌های ژئومورفیک مربوط به توده‌های مرتفع سطح دریا را پشتیبانی کرد.

تحلیل مورفومتریک با محاسبه مجموعه‌ای از مشتقات زمین (به بخش مواد تکمیلی ۲ ، ارتفاع DEM، شیب، ناهمواری، مساحت سطح، تشریح، سنگ‌شناسی، فاصله از ساحل مراجعه کنید) بر روی یک DTM ^{۳۶ با وضوح ۱۰ متر اعمال شد، که عمدتاً به لطف جعبه ابزار ژئومورفومتری و گرادیان‌متریک ۳۷} انجام شد. سپس پارامترهای مورفومتریک با داده‌های سنگ‌شناسی به‌دست‌آمده از پورتال OneGeology ^۳۸ ، یک ابتکار بین‌المللی از سازمان‌های زمین‌شناسی جهانی و سایر سازمان‌های بین‌المللی و منطقه‌ای علوم زمین ( https://portal.onegeology.org/OnegeologyGlobal/ )، که در این منطقه بر اساس نقشه زمین‌شناسی CARG مونتی و همکاران (۲۰۱۴) ^۲۵ است، ترکیب شدند .

این مجموعه داده‌های مورفومتریک و سنگ‌شناسی با اطلاعات سطح کارشناسی (یعنی مجموعه داده‌های مستقل گردآوری‌شده از منابع مختلف برای محدود کردن حضور و توزیع ویژگی‌های LIG) از جمله پایگاه داده جغرافیایی SEA-PROXY ^۳۹ که با داده‌های منابع کتابشناختی و بررسی‌های میدانی (شکل ۴c را ببینید ) و همچنین نتایج تجزیه و تحلیل تصاویر ماهواره‌ای پر شده است، همپوشانی شد. برای هر نقطه پروکسی، نقاط اطراف را که با ویژگی‌های مورفومتریک یک صخره دریایی دیرینه مطابقت دارند، استخراج کردیم و از هم‌ترازی مکانی اطمینان حاصل کردیم. نتیجه این ادغام به ما امکان داد تا مجموعه‌ای از داده‌ها متشکل از ۱۴۵۰ ویژگی (استخراج ویژگی) سازگار با ویژگی‌های هدف (صخره‌های دریایی LIG) را شناسایی کنیم.

رکوردهای این مجموعه داده، شامل مشتقات مربوط به زمین، از طریق یک تحلیل نظارت‌شده، طبق رویکرد یادگیری ماشین، طبقه‌بندی شدند و مقادیر پیش‌بینی (برچسب‌گذاری)، هم نادرست (مقدار پیش‌بینی ۰) و هم درست (مقدار پیش‌بینی ۱) به آنها اختصاص داده شد تا مجموعه داده آموزشی خام برای مدل یادگیری ماشین به دست آید (شکل ۴ ب).

در نهایت، مدل یادگیری ماشین آموزش‌دیده بر روی کل مجموعه داده‌های واقعی شامل حدود ۱۸ میلیون سلول (داده‌هایی که توسط الگوریتم شناخته نشده‌اند) اعمال شد تا تشخیص صخره‌های دریایی LIG در کل منطقه مورد مطالعه به دست آید.

داده‌ها

این مجموعه داده‌ها از سه زیر مجموعه اصلی تشکیل شده است. زیر مجموعه اول، همانطور که در بالا توضیح داده شد، از DTM استخراج شده و با مشتقات زمینی غنی شده است. زیر مجموعه دوم شامل شاخص‌های سطح دریا است که از نشانگرهای زمین‌شناسی، ژئومورفولوژیکی، دیرینه‌محیطی و دیرینه‌شناسی گرفته شده‌اند و در درجه اول از پایگاه داده جغرافیایی SEA-PROXY ^{۴۰ ، ۴۱} ، یک پلتفرم دسترسی آزاد که پروکسی‌های سطح دریا را طبق دستورالعمل‌های بین‌المللی اخیر گردآوری می‌کند، تهیه شده‌اند . ^{۴۲ ، ۴۳٫} این داده‌ها با تحقیقات گسترده کتابشناختی ^{۲۳ ، ۲۴ ، ۲۵ ، ۲۹ ، ۳۲ ، ۳۴ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷ ، ۴۸ ، ۴۹ ، ۵۰ ، ۵۱} و تجزیه و تحلیل تصاویر ماهواره‌ای (۱۹۸۴-۲۰۲۳) از Google Earth ^۵۲ تکمیل شده‌اند . زیرمجموعۀ سوم شامل ۱۸۶ رکورد جدید به‌دست‌آمده از بررسی‌های ساحلی در محل است که با هدف شناسایی نشانگرهای محیطی دیرینه‌ی بیشتر، در تحلیل قضاوت کارشناسی گنجانده شده‌اند.

با روی هم قرار دادن این سه زیرمجموعه داده، مجموعه داده آموزشی نهایی ساخته شد که شامل ۱۴۵۰ رکورد است. کل مجموعه داده‌ها در یک پروژه GIS اختصاصی مدیریت شد و امکان تجزیه و تحلیل‌های مکانی که در مطالب تکمیلی ۲ به تفصیل شرح داده شده است را فراهم کرد. توزیع مکانی مجموعه داده‌های آموزشی تصادفی است. در نتیجه، در جایی که شکاف‌های مکانی وجود دارد – یعنی هیچ پوشش شاخصی (بدون نقاط نقشه‌برداری شده توسط متخصص یا شاخص‌های سطح دریا) وجود ندارد، ما آنها را پر نمی‌کنیم. در عوض، پس از اعتبارسنجی، مدل آموزش دیده را برای پیش‌بینی ویژگی‌های هدف در آن مناطق کشف نشده اعمال می‌کنیم (به بخش ۳ مراجعه کنید).

روش‌شناسی یادگیری ماشین

روش یادگیری ماشینی نظارت‌شده با داده‌های آموزشی با طبقه‌بندی شناخته‌شده‌ای از متغیر هدف، یعنی واحد ژئومورفولوژیکی متناظر یا غیرمطابق با گونه‌شناسی‌های صخره‌های دریایی دیرینه، مشخص می‌شود.

توسعه مدل شامل یک روش آموزشی با تقسیم مجموعه داده‌های ۱۴۵۰ نمونه‌ای به دو بخش بود: ۷۰٪ برای مجموعه آموزشی و ۳۰٪ برای مجموعه آزمایشی.

برای توسعه، آموزش و اعتبارسنجی مدل یادگیری ماشین، از پایتون به همراه کتابخانه Scikit-Learn RandomForestClassifier استفاده شد که یک رابط کاربرپسند برای ایجاد و آموزش یک مدل یادگیری ماشین فراهم می‌کند.

RandomForestClassifier یک الگوریتم یادگیری نظارت‌شده است که چندین درخت را برای ایجاد یک مدل واحد ترکیب می‌کند. هر درخت در جنگل تصادفی بر روی زیرمجموعه متفاوتی از داده‌ها ساخته شده است و تخمین خود را به طور مستقل انجام می‌دهد. پیش‌بینی نهایی بر اساس میانگین یا میانگین وزنی پیش‌بینی‌ها از تمام درختان منفرد بود.

الگوریتم RandomForestClassifier به کار گرفته شده دو نوع خروجی ارائه می‌دهد: یک حالت طبقه‌بندی دودویی (predict)، که در آن یک کلاس دودویی گسسته (معمولاً ۰/۱ یا True/False) پیش‌بینی می‌کند، و یک حالت پیش‌بینی احتمالی (predict_proba)، که در آن احتمال عضویت کلاس را به صورت درصد (بین ۰ و ۱) تخمین می‌زند، که نشان دهنده درصدی است که سلول به متغیر هدف تعلق دارد. در این مقاله، ما هر دو روش را پیاده‌سازی کردیم.

مجموعه داده‌های آموزشی

پس از استخراج مجموعه داده‌های آموزشی با استفاده از روش‌شناسی شرح داده شده در بالا، مراحل آموزش، آزمایش و اعتبارسنجی را ادامه دادیم.

در طول ترکیب مجموعه داده‌ها، متعادل‌سازی ویژگی‌ها و ارزیابی تأثیر آنها بر پیش‌بینی‌ها بسیار مهم است. بنابراین، ما تأثیرگذارترین متغیرهای مستقل (پیش‌بینی‌کننده‌ها) را که خروجی‌های مدل را هدایت می‌کنند، شناسایی کردیم، ضمن اینکه موارد اضافی یا کم‌تأثیر را نیز تشخیص دادیم. این فرآیند، انتخاب فیلدهای مجموعه داده‌ها را ساده می‌کند.

این مرحله از طریق اسکریپت‌های پایتون و با همکاری کتابخانه‌هایی مانند NumPy، Pandas، Seaborn، Matplotlib و همچنین ماژول‌های متعدد Scikit-learn توسعه داده شد.

شکل ۷ الف نمودار اهمیت ویژگی‌ها را نشان می‌دهد، یک هیستوگرام میله‌ای که پیش‌بینی‌کننده‌ها را بر اساس تأثیرشان بر پیش‌بینی رتبه‌بندی می‌کند ^۵۳٫ این تحلیل کلید متعادل کردن مجموعه ویژگی‌ها، برجسته کردن تأثیرگذارترین پیش‌بینی‌کننده‌ها و آشکار کردن متغیرهای اضافی یا کم‌تأثیر است. نمودار به وضوح نشان می‌دهد که زبری، همراه با شیب و مساحت سطح، بیشترین وزن را در فرآیند یادگیری ماشین دارد – سازگار با ماهیت فیزیکی، کوه‌نگاری و توپوگرافی متغیر هدف.

پس از شناسایی مقیاس تأثیر پیش‌بینی‌کننده‌های مختلف در مدل، برای به دست آوردن دید واضح‌تری از تعاملات بین ویژگی‌ها و پیش‌بینی نهایی، یک ماتریس همبستگی (با استفاده از method=’Pearson’) ایجاد شد (شکل ۷b ). این ماتریس به وضوح همبستگی قوی بین پیش‌بینی‌کننده‌های شیب و زبری (بزرگتر از ۰٫۹۰) و همچنین بین مساحت سطح، شیب و زبری را برجسته می‌کند (شکل ۷b را ببینید ).

همبستگی‌های مشاهده‌شده در ماتریس همبستگی از طریق تحلیل SHAP (توضیحات افزایشی SHApley) ^{۵۴ ، ۵۵ ، ۵۶ ، ۵۷} ، که تفسیر دقیقی از سهم ویژگی‌ها و تعاملات آنها با نتیجه پیش‌بینی ارائه می‌دهد، همانطور که در ادامه مورد بحث قرار گرفته است، بیشتر روشن می‌شوند.

SHAP یک تکنیک تفسیرپذیری قدرتمند است که ریشه در نظریه بازی‌ها دارد و سهم عادلانه هر متغیر ورودی را از طریق مقادیر Shapley به پیش‌بینی مدل نهایی اختصاص می‌دهد . ^۵۴٫ در مدل‌سازی ژئومورفولوژیکی، SHAP خروجی‌های پیچیده – مانند تغییر چشم‌انداز، عقب‌نشینی ساحلی یا تخریب پوشش گیاهی – را به سهم‌های افزایشی از ویژگی‌های مورفومتریک یا محیطی تجزیه می‌کند. این امر چگونگی تأثیر ویژگی‌های زمین یا متغیرهای اقلیمی بر پیش‌بینی‌ها را کمّی می‌کند و بینش‌های شفاف و قابل تفسیری را ارائه می‌دهد. ^{۵۴ ، ۵۵٫} قابلیت توضیح دلیل اصلی انتخاب جنگل تصادفی به عنوان روش یادگیری ماشین بود.

یکی از مزایای اصلی SHAP، ماهیت مستقل از مدل آن است که در بسیاری از الگوریتم‌ها، از درخت‌های تصمیم‌گیری گرفته تا مجموعه‌ها، قابل اجرا است. این انعطاف‌پذیری برای فرآیندهای غیرخطی و تعاملات پیچیده ویژگی‌ها که معمولاً در علوم سیستم زمین وجود دارد، مناسب است. SHAP در ترکیب با دانش تخصصی کارتوگرافی و نشانگرهای دیرینه‌محیطی، قابلیت تفسیر مدل را تقویت می‌کند و پیش‌بینی‌های محاسباتی را با شواهد معتبر میدانی پیوند می‌دهد ^{۵۴ ، ۵۵ ، ۵۶ ، ۵۷} .

مقدار SHAP (شکل ۷ الف) تأثیر هر متغیر را بر پیش‌بینی متغیر هدف، چه مثبت و چه منفی، نشان می‌دهد. تجزیه و تحلیل نشان می‌دهد که زبری و شیب، متغیرهایی هستند که بیشترین تأثیر را بر مدل دارند؛ سلول‌هایی با مقادیر شیب و زبری بالا، تمایل دارند سلول مورد بررسی را به طور مثبت به عنوان هدف طبقه‌بندی کنند. متغیرهای مساحت سطح و تشریح نیز تأثیر قابل توجهی، البته کمتر، بر پیش‌بینی نهایی دارند. در نهایت، فاصله، DTM_elevat و سنگ‌شناسی تأثیر محدودتری دارند. در مورد فاصله، مقادیر بسیار بالا به طور منفی بر پیش‌بینی تأثیر می‌گذارند، زیرا مجموعه داده‌های آموزشی طوری پیکربندی شده است که پیش‌بینی مثبت اشکال ژئومورفولوژیکی که بسیار دور از ساحل هستند را تضعیف کند. توزیع نقاط در اطراف صفر نشان می‌دهد که مدل نسبتاً متعادل است.

شکل ۷b نمودار وابستگی SHAP را نشان می‌دهد که دو ویژگی را با استفاده از تکنیک SHAP مقایسه می‌کند. ویژگی‌های نشان داده شده شیب و زبری هستند که همبستگی قوی آنها را برجسته می‌کنند، همانطور که در ماتریس همبستگی شکل ۷b نیز مشهود است . روند نشان می‌دهد که با مقادیر زبری کم (بین ۰ تا ۱۰)، مقادیر SHAP منفی یا نزدیک به صفر هستند، به خصوص برای شیب‌های کم (آبی تیره). این امر تأکید می‌کند که مقادیر زبری کم، همراه با مقادیر شیب کم، به طور منفی بر احتمال کلاس هدف تأثیر می‌گذارند (ارزیابی سلول‌های مورد بررسی به عنوان مناطقی که برای هدف مدل اهمیت کمی دارند).

این روند در یک آستانه نسبتاً دقیق تغییر می‌کند؛ در اطراف مقادیر زبری ≈۱۰-۱۵، مقادیر SHAP مثبت می‌شوند، به خصوص زمانی که مقادیر شیب بالا باشند (رنگ‌ها به سمت قرمز گرایش دارند). نمودار همچنین یک اثر ثابت را نشان می‌دهد: پس از مقدار زبری ۳۰، تأثیر SHAP بین ۰.۱ و ۰.۲ تثبیت می‌شود. حتی در صورت وجود شیب‌های بالاتر (قرمز)، تأثیر زبری مثبت باقی می‌ماند اما بیشتر افزایش نمی‌یابد. در نتیجه، متغیر زبری یک پیش‌بینی‌کننده قوی است، اما فقط فراتر از یک آستانه مشخص (≈۱۰). پس از شناسایی و تجزیه و تحلیل تأثیر هر ویژگی بر نتیجه و همبستگی‌های موجود بین آنها، یک روش اعتبارسنجی عددی از مدل ML اعمال شد.

عملکرد و اعتبارسنجی مدل

روش اعتبارسنجی در دو بلوک مجزا ساختار یافته است. بلوک اول بهترین الگوریتم مدل‌سازی ممکن را از طریق مجموعه‌ای از آزمایش‌ها با ارزیابی‌های ریاضی/آماری شناسایی می‌کند، در حالی که بلوک دوم، سازگاری پیش‌بینی‌ها را روی یک مجموعه داده نقطه آزمایشی بر اساس داده‌های واقعی از مناطقی که برای مدل ناشناخته هستند (Ground Truth) تأیید می‌کند.

معیارهای ارزیابی آماری/ریاضی – برای ارزیابی مدل آموزشی، از معیارهایی مانند دقت، ماتریس درهم‌ریختگی، AUC، دقت، فراخوانی و امتیاز F1 استفاده شد. به طور خاص، امتیاز F1 (معادله ۱ ) معیاری است که دقت و فراخوانی را در یک مقدار واحد ترکیب می‌کند، که برای ارزیابی مدل‌های طبقه‌بندی، به ویژه هنگامی که داده‌ها نامتوازن هستند، مفید است.

کجا:

P دقت است، یعنی نسبت نمونه‌هایی که به عنوان مثبت طبقه‌بندی شده‌اند و مثبت هستند.

R معادل Recall است، یعنی نسبت نمونه‌های مثبتی که به درستی شناسایی شده‌اند.

کمی‌سازی عملکرد مدل (مجموعه داده‌های واقعی) – برای بلوک دوم، روشی مبتنی بر اعمال مدل یادگیری ماشین بر داده‌های واقعی که برای خود مدل ناشناخته بودند، توسعه داده شد. برای این منظور، یک منطقه آزمایشی (شکل ۲ را ببینید ) در کالا دل سفالو (منطقه نقطه آزمایشی A – کالا دل سفالو)، واقع در شرق دهانه رودخانه مینگاردو، با طول تقریبی ۴۱۰۰ متر و عرض حدود ۱۰۰۰ متر ایجاد شد. این منطقه با یک صخره دریایی دیرینه با ارتفاع بیش از ۱۰۰ متر مشخص می‌شود که عمدتاً با یک ساحل شنی با تپه‌های شنی که شیب دامنه را پوشانده‌اند، هم‌مرز است.

در این زمینه، مدل یادگیری ماشین با استفاده از پنج شبکه مختلف (شکل ۶ را ببینید) که هر کدام از ۲۵۰ نقطه تصادفی (با استفاده از ابزارهای QGIS، نقاط تصادفی درون چندضلعی) تشکیل شده بودند، با قضاوت کارشناسی و نتایج پیش‌بینی مربوطه (درست و غلط) مقایسه شد.

در نهایت، ما یک تحلیل همبستگی مکانی برای شناسایی الگوهای احتمالی انجام دادیم. ارزیابی آماری با استفاده از شاخص جهانی موران (معادله ۲ ) ^۳۳ انجام شد که درجه خودهمبستگی مکانی بین مکان و مقدار مرتبط با هر نقطه آزمایشی را کمّی می‌کند.

برای ارزیابی اینکه آیا خطاها از نظر مکانی تصادفی بوده‌اند یا خوشه‌بندی را نشان داده‌اند، ما از یک اسکریپت پایتون با استفاده از مجموعه داده نقطه آزمون و کتابخانه PySAL، به ویژه ماژول‌های esda و libpysal استفاده کردیم (به مطالب تکمیلی ۵ مراجعه کنید ).

بررسی‌های میدانی و نشانگرهای دیرینه‌محیطی (Ground Truth)

تحقیقات ژئومورفولوژیکی که از ابزارهای تحلیل محاسباتی مانند یادگیری ماشین استفاده می‌کنند، برای اعتبارسنجی قوی، به مجموعه‌ای از مشاهدات میدانی نیاز دارند (شکل ۴c را ببینید ). این مرحله روش‌شناختی معمولاً به عنوان حقیقت‌یابی زمینی شناخته می‌شود.

«حقیقت زمینی» را می‌توان به عنوان چارچوب مفهومی مربوط به تأیید یک پدیده معین از طریق مشاهده مستقیم درک کرد. در مورد ما، ویژگی‌های ژئومورفولوژیکی شناسایی شده از طریق مدل‌های یادگیری ماشین را با مقایسه آنها با داده‌های میدانی تجربی ارزیابی کردیم. این مقایسه بخشی از یک فرآیند تکراری را تشکیل می‌دهد که در آن از بازخورد حاصل از هم‌ترازی (یا ناهم‌ترازی) بین خروجی‌های مدل و مشاهدات زمینی برای اصلاح و کالیبراسیون الگوریتم‌های یادگیری ماشین استفاده می‌شود.

بررسی‌های میدانی گسترده‌ای در محل در سراسر منطقه مورد مطالعه انجام شد، از روش‌های مستقیم و غیرمستقیم برای شناسایی ویژگی‌های ژئومورفولوژیکی خاص پروژه و نشانگرهای دیرینه‌محیطی استفاده شد.

نقشه‌برداری‌های توپوگرافی با استفاده از یک سیستم RTK GNSS با دقت بالا (Emlid Reach M2) که بر روی یک تیرک ۲ متری نصب شده بود، انجام شد تا دریافت سیگنال ماهواره‌ای بهینه و دقت موقعیت‌یابی تضمین شود. داده‌ها در حالت استاتیک و با ثابت ماندن گیرنده به مدت حداقل ۲ دقیقه در هر نقطه، جمع‌آوری شدند که امکان افزایش قابلیت اطمینان اندازه‌گیری را تحت راهکار RTK ثابت فراهم می‌کند.

علاوه بر این، پهپاد Autel Evo II RTK Series V2 در طول بررسی‌های غیرمستقیم برای به دست آوردن اطلاعات دقیق در مورد ویژگی‌های Cala del Cefalo مورد استفاده قرار گرفت.

ادغام داده‌های جدید بررسی میدانی با اطلاعات از پیش موجود، امکان توسعه نقشه‌های ژئومورفولوژیکی با وضوح بالا از بخش‌های خاص در منطقه مورد مطالعه را فراهم کرد. این نقشه‌ها هم به عنوان یک مبنای مقایسه‌ای و هم به عنوان یک مجموعه داده اعتبارسنجی برای ارزیابی و اصلاح مدل‌های یادگیری ماشین به کار رفته در مطالعه عمل کردند.

نشانگرهای دیرینه‌محیطی مورد استفاده برای پر کردن مجموعه داده‌های آموزشی ما و اعتبارسنجی مدل، از نشانگرهای فرسایشی و رسوبی سطح دریا ( sensu Mattei و همکاران ، ۲۰۲۲ ^۴۰ ) مشتق شده‌اند که از نظر ارتفاع‌سنجی با LIG (یعنی +۸ ± ۱، +۵٫۳ ± ۰٫۱۸، +۴ ± ۰٫۵، +۲٫۵ ± ۰٫۵ متر MSL ^{۲۳ ، ۲۹ ، ۳۴ ، ۵۸ ، ۵۹ ، ۶۰} ) همبستگی دارند. به طور خاص، ویژگی‌های فرسایشی شامل گمانه‌های Lithophaga ، شکاف‌های جزر و مدی، کف پایه غارهای ساحلی، تراس‌های دریایی و حاشیه‌های داخلی مرتبط ^{۲۹ ، ۴۴ ، ۴۵ ، ۴۶ ، ۶۱} است . ویژگی‌های رسوبی شامل رسوبات ساحلی و پشت ساحلی با پوسته‌های فسیلی ^{۳۲ ، ۵۸ است} .

معنی شاخص، سطح آب مرجع و طبقه‌بندی این نشانگرها در زیر خلاصه شده است:

• گمانه لیتوفاگا
• • نوع نشانگر: SLIP
• • IR: MLW به MHW
• • RWL: (MHW – MLW)/2
• بریدگی جزر و مدی
• • نوع نشانگر: SLIP
• • IR: MLW به MHW
• • RWL: (MHW – MLW)/2
• کف غار ساحلی
• • نوع نشانگر: SLIP
• • IR: MHW به MHHW
• • RWL: نقطه میانی برد
• حاشیه داخلی تراس دریایی
• • نوع نشانگر: SLIP
• • IR: MHHW به [وابسته به متن]
• • RWL: ارزیابی چینه‌شناسی یا ژئومورفولوژی
• سپرده شورفیس
• • نوع نشانگر: SLIP
• • IR: MLW به MHW
• • RWL: (MHW – MLW)/2
• سپرده گذاری در ساحل
• • نوع نشانگر: TLP
• • IR: بالاتر از MSL
• • RWL: بدون ارجاع به قوانین دریایی

نشانگرهای ارتفاعی تأیید شده میدانی از طریق یک تحلیل همپوشانی مبتنی بر GIS با خروجی‌های ML به صورت متقابل ارجاع داده شدند که امکان همبستگی مکانی و هم‌ترازی ارتفاع‌سنجی را فراهم می‌کرد.