عنوان پایان‌نامه
طبقه بندی کمی ناهمواری ها و تعیین سایش انحلالی و بار محلول در حوضه های کارستی (مطالعه موردی :بخشی از حوضه های استان لرستان)
- رشته تحصیلی
- زراعت - فیزیولوژی گیاهان زراعی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6949;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75355;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6949;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75355
- تاریخ دفاع
- ۲۸ تیر ۱۳۹۵
- دانشجو
- علیرضا سپه وند
- استاد راهنما
- علی اکبر نظری سامانی
- چکیده
- استفاده از شاخص های ژئومرفومتری در تفکیک ناهمواری های سطح زمین کاربرد گسترده ای طی دهه گذشته در علم ژئومورفولوژی داشته است و مطالعه ویژگی های سنگ های کارستی، شناخت خصوصیات فیزیکی و شیمیایی سنگ جایگاه خاصی دارد. با پی بردن به خصوصیات یاد شده می¬توان میزان گسترش کارست را در توده سنگ های انحلال پذیر مورد ارزیابی قرار داد. در این مطالعه اقدام به معرفی و استفاده از شاخص¬های ژئومرفومتری جهت تفکیک ناهمواری¬ها شده است. این شاخص ها با اعمال معادلات مختلف ریاضی بر روی مدل رقومی ارتفاعی حاصل می شود. مهمترین شاخص¬های ژئومرفومتری شامل درصد شیب، شاخص زبری توپوگرافی، شاخص موقعیت توپوگرافی، انحنای سطح، انحنای مقطع، انحنای متقاطع، انحنای¬طولی و ... می باشند. در ابتدا با استفاده از شاخص موقعیت توپوگرافی، ناهمواری های منطقه مطالعاتی (حوضه های خرم آباد، الشتر و بیرانشهر استان لرستان) شناسایی شدند که مطابق آن، نتایج این بخش نشان داد که به ترتیب مناطق دره های باریک و آبراهه ها و قله کوه و یال های مرتفع با میزان 58/32 و 84/29 درصد، بیشترین مساحت و مناطق یال¬های شیب میانی، تپه های کوچک موجود در دشت با میزان 4/5 درصد کمترین مساحت از سطح منطقه را به خود اختصاص داده¬اند که نتایج این طبقه¬بندی حاکی از کوهستانی بودن منطقه داشت. در بخش دیگر پژوهش از روش پرسپترون چند لایه شبکه عصبی مصنوعی برای طبقه بندی رخساره¬های کارستی استفاده شد. علاوه بر این از نمودار های جعبه ای برای تحلیل ارتباط ناهمواری های کارستی همچون دولین، هوم، دشت کارستی (پلژه)، دره کارستی و پرتگاه با شاخص های ژئومرفومتری استفاده شد. نتایج طبقه بندی نشان داد که ناهمواری‌های منطقه مورد مطالعه به¬ترتیب شامل 34، 9/6، 07/1، 5/48 و 51/9 درصد دره، دشت، دولین، پرتگاه و تپه می باشد. علاوه بر این، نتایج نشان داد که مدل بهینه شبکه عصبی مصنوعی برای طبقه بندی ناهمواری‌ها، مدل 1-9-12 با نرخ یادگیری 1/0 و ضریب تبیین 18/87 درصد بود و دقت روش ابداعی برای طبقه بندی ناهمواری های کارستی 58/90 درصد می باشد. همچنین تحلیل ها آماری بیانگر این است که تغییرات شاخص‌های ژئومرفومتری در ناهمواری‌های تپه، پرتگاه و دره کارستی بسیار نمایان بوده ولی در دشت و دولین کمی دارای همپوشانی هستند. در بخش دیگر پژوهش به بررسی تغییرات فصلی بار رسوب انحلالی و تعیین سرعت انحلال پذیری سازندهای آهکی در حوضههای خرمآباد، الشتر و بیرانشهر پرداخته شد. در این پژوهش با استفاده از دستگاه انحاللسنج سرعت انحالل پذیری سازندهای مورد مطالعه تعیین شد و در ادامه منحنی سنجه رسوب انحاللی هر حوضه و بار محلول خروجی از حوضهها تعیین شد. نتایج پژوهش نشان داد که بیشترین و 6 -کمترین میزان ثابت انحالل پذیری به ترتیب متعلق به سازند Sb-As با مقدار 10*27/1 متر بر ثانیه و سازند 6 -Omas با مقدار 10*027/1 متر بر ثانیه بود. در رابطه با منحنی سنجه رسوب مشخص شد که رابطه نمایی در هر سه حوضه مورد مطالعه دارای ضریب تبیین باال و خطای کم میباشد. عالوه بر این بیشترین و کمترین د بارانحاللی به ترتیب در حوضههای خرمآباد و بیرانشهر مشاهده شده است که میزان آن در حوضههای خرمآباد، الشتر و بیرانشهر به ترتیب برابر 73/184 ،58/120 و 79/110 هزار تن بوده است که بیشترین نرخ تخریب انحاللی متعلق به حوضه الشتر با میانگین 169/0 میلیمتر در سال (169 میلیمتر در 1000 سال بر روی سازندهای کارستی) می- باشد.
- Abstract
- Studying of karst features, understanding of their chemical and physical properties to distinguish them over the earth surface are the main targets of karst geomorphology. Nowadays, geomorphometric indices have been widely used for separating of different types of karst landforms. Geomorphometrical parameters are calculable and can be extracted using mathematical equations and the corresponding operations performed on Digital Elevation Models (DEMs). The current study was aimed to extract geomorphometrical parameters in three catchments namely Khorram Abad, Alashtar and Biran Shahr where the karstic features extend vastly over them. For the purpose of distinguishing the surface landforms, some geomorphometrical variables were used (i.e. percent of slope, plan curvature, profile curvature, cross sectional curvature, longitudinal curvature and ….) As a matter of fact, all required operations for the landform classification and in particular Topography Position Index (TPI) was applied on a DEM (10*10 m). The results indicated that among of six karstic landforms that valleys (deeply incised streams) and middle of slope ridges (small hills in plains) are cCoverage 32.58 and 5.4 % area of this mountainous watersheds respectively In this study, Multilayer Perceptron Artificial Neural Network (MPANN) was used to provide karstic landform classification. To that regard, initially, geomorphometric indicators were extracted from DEM, and used as neurons of input layer for artificial neural network. Furthermore, the box plots were applied to analyze the relationship between karstic landforms (such as dolines, hills, karstic plains, karstic valley and headland) and geomorphometric indexes. The results showed that 34, 6.9, 1.07, 48.5, 9.51 percent of the studying area are spatially covered by valleys, plains, dolines, highlands and hills respectively. It has also been found that the optimal structure of artificial neural networks for classification of landform is model No. 12-9-
