مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه زمین شناسی ایران 1735-7128 16 63 2022 6 6 A suitable algorithm for identifying changes in micro-landforms using UAV images. Case study: Barg-e- Jahan area in Jajrud region (2015-2016) الگوریتم مناسب برای شناسایی تغییرات میکرو لندفرمها با استفاده از تصاویر پهپاد (مطالعه موردی: ناحیه برگ جهان در پهنه جاجرود 1397-1396) 109 120 fa محمدحسن توکل دانشگاه شهید بهشتی منیژه قهرودی تالی دانشگاه شهید بهشتی سید حسن صدق دانشگاه شهید بهشتی خدیجه علی نوری دانشگاه شهید بهشتی 2022 4 9 One of the main and most important topics of geomorphology is the identification and evaluation of microlandform changes. Their recognition and spatial distribution in order to understand and evaluate changes, stability studies and regional planning is one of the basic needs of applied geomorphology. Barg-e- Jahan area is located in Jajroud catchment area affected by many environmental changes. In this study, based on micro-scale geomorphological approach, using UAV images along with field survey in the Barg-e- Jahan area, microlandforms changes were investigated. UAV images with a spatial resolution of 2.5 cm were obtained from the Ministry of Energy between 2015 and 2016. These images were corrected using ENVI 5.1 and Arc Map 10.3 software, and then the desired algorithms were implemented via coding in Python. Changes were investigated with machine learning algorithms and random forest models, SVM with RBF kernel, random forest with features extracted from CNN networks, and SVM with linear kernel with features extracted from deep neural networks. Results showed that the SVM-RBF model is less accurate than other models with 88% accuracy, so the separation between the classes was limited. In the random forest, 92% of the classes were distinguishable with linear boundaries. The near-ideal model in the random forest algorithm with deep learning was observed with an accuracy of 96%. Investigations showed that most of the changes in microlandforms in this model were related to the change of vegetation cover to soil by 45.03%, and in the next place, the change of sheet wash erosion by 22.05%. According to the obtained results and field observations in 2017, it was determined that the flood of 2017 in Barg-e-Jahan area has caused major changes in the area. Its greatest impact was on the vegetation and the diagram shows at the highest degree of disturbance. In this period, the surface flow and gully formation in the area increased and it shows the high level of erosion and great changes of microlandforms in the study area. یکی از اصلی‌ترین و مهم‌ترین مباحث ژئومورفولوژی شناسایی و ارزیابی تغییرات میکرولندفرمهاست. شناخت و نحوه پراکنش فضایی آن‌ها به‌منظور درک و ارزیابی تحولات، مطالعات پایداری و برنامه‌ریزی ناحیهای، از نیازهای اساسی علم ژئومورفولوژی کاربردی است. ناحیه برگ جهان در حوضه آبریز جاجرود متأثر از تغییرات محیطی زیادی قرار دارد. در این مطالعه، بر اساس رویکرد ژئومورفولوژیکی ریزمقیاس با استفاده از تصاویر پهپاد به همراه بررسی میدانی در برگ جهان، تحولات میکرولندفرمها بررسی شد. تصاویر پهپاد با رزولوشن مکانی 5/2 سانتیمتر در بازه زمانی 1396 تا 1397 از وزارت نیرو تهیه شد. این تصاویر با استفاده از نرم‌افزارهای ENVI 5.1 و10.3 Arc Map تصحیح شد و سپس با استفاده کد نویسی در Python الگوریتمهای موردنظر اجرا شد. با الگوریتمهای یادگیری ماشین و مدلهای جنگل تصادفی، SVM با کرنل RBF، جنگل تصادفی با ویژگی‌های استخراجی از شبکه‌های CNN و SVM با کرنل خطی با ویژگی‌های استخراجی از شبکه‌های عصبی عمیق تغییرات بررسی شد. نتایج نشان داد مدل- RBF SVM با 88درصد نسبت به مدلهای دیگر دقت کمتری دارد به‌طوری‌که تفکیک بین طبقه‌ها محدود بود. در جنگل تصادفی با 92درصد طبقهها با مرزهای خطی تا حدی قابل‌تفکیک بودند. مدل نزدیک به ایده آل در الگوریتم جنگل تصادفی با یادگیری عمیق به میزان دقت 96درصد مشاهده شد. بررسیها نشان داد بیشترین تغییرات میکرولندفرمها در این مدل، مربوط به تغییر پوشش گیاهی به خاک به میزان 03/45 و در رتبه بعدی تغییر آبکند به فرسایش ورقه‌ای به میزان 05/22 بود. با توجه به نتایج به‌دست‌آمده و مشاهدات میدانی در سال 1397 مشخص شد، سیل سال 1397 در ناحیه برگ جهان سبب تغییرات عمده‌ای در ناحیه شده است. بیشترین تأثیر آن بر روی پوشش گیاهی بوده است و نمودار، آن را در بالاترین حد آشفتگی نشان میدهد. در این بازه جریان سطحی وخندق در ناحیه بیشتر شده و میزان بالای فرسایش و تغییرات بسیار زیاد میکرولندفرمها در پهنه مطالعاتی را نشان میدهد. الگوریتم یادگیری عمیق، جنگل تصادفی، میکرولندفرم، SVM ،RBF http://geology.saminatech.ir/fa/Article/Download/40161