جستجوی مقالات مرتبط با کلیدواژه « مدلسازی شیءگرا » در نشریات گروه « جغرافیا »
تکرار جستجوی کلیدواژه «مدلسازی شیءگرا» در نشریات گروه «علوم انسانی»-
مورفولوژی زمین اطلاعات زیادی برای محققان علوم محیطی فراهم می آورد. یکی از اهداف علم ژیومورفولوژی شناسایی، طبقه بندی، و آنالیز لندفرم های زمین است. در گذشته، تشخیص و شناسایی لندفرم های زمین براساس کارهای میدانی یا با استفاده از نقشه های توپوگرافیکی به صورت دستی انجام میگرفت که بسیار وقت گیر بود و البته در مواردی با مسایل زیادی روبه رو میشد. در این بخش لندفرمهای یخچالی و مجاور یخچالی شامل سیرک های یخچالی، دریاچه های یخچالی تارن، قلل، گردنه ها، خطال راسها و خطال قعرها، و مخروطهای رسوبی، با استفاده از مدل ارتفاعی به طور خودکار شناسایی شد. بدین منظور، دو رویکرد، شامل مدلسازی مفهومی و شیءگرا، مدنظر قرار گرفت. در رویکرد نخست، شرایطی برای قیاس مورفولوژی زمین با الگوی کرنل مرجع فراهم آمد. دومین رویکرد مدلسازی شیءمحور است که از شییی مرجع برای تشخیص لندفرم ها استفاده میکند. ارزیابی نتایج نشان میدهد که صحت تشخیص لندفرم های موردنظر در این پژوهش به طور متوسط 60 درصد بوده که با توجه به پیچیدگی لندفرم های موردنظر مانند سیرک های یخچالی و مخروطهای رسوبی عملکرد قابل قبولی است. صحت مدل آنالیز مفهومی الگوی کرنل 51/58درصد و مدل شیءگرا، 50/60درصد برآورد شد که به طور کلی عملکرد مدل شیءگرا بهتر از مدل مفهومی بود.
کلید واژگان: الگوی کرنل, تشخیص لندفرم, لندفرم زمین, لندفرم یخچالی و مجاور یخچالی, مدلسازی شیءگرا}Terrain morphology, provides a lot information for researchers in the field of environmental science. One of the goals in geomorphology is identification, and analyzing terrain landforms. In the past, the identification of landforms was performing field-based or using topographical maps. Manually, which was time-consuming and difficult, and in vast areas, it was facing many problems. In this article we had attempted to identify glacial and sub glacial landforms including: glacial cirque, glacial sinkhole (Tarn Lake), summit, saddle, ridgeline, drainage line, and sedimentary fans. For recognizing these landforms, two modelling approaches have followed. First is a conceptual modeling, which uses kernel pattern modeling. This modeling level, provides the condition in which, terrain morphology compares to the reference pattern. Second is an object-based modeling, which uses reference object to recognize landforms. Above mentioned landforms, considered in this research, recognizes, using both modeling approaches, and the results represents in the form of maps. Some typical landforms considered to make accuracy assessment and performance control, for each model output possible. To automate modeling procedures, Python programming language used widely. Eventually, all codes and scripts prepared in the build-in Graphical User Interface (GUI) programming environment of python (Tkinter), and the software, named: Landform Detector V.1 prepared. Accuracy assessment, shows that landform recognition process had performed with 60% in average, which respect to the landform complexity, is acceptable. Average accuracy of the considered models are equal to 51.58 % and 50.60 % for conceptual and object-based approaches, respectively. In result, object-based approach had a better performance overall.
Keywords: Kernel Pattern, landform recognition, Terrain Landform, Object-based modeling, Glacial, sub-glacial landform}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.