بررسی پتانسیل فرونشست دشت تسوج با استفاده از تداخل‌سنجی تصاویر ماهواره‌ای Sentinel-1 ، چهار چوب DIFA و هوش مصنوعی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری هیدروژئولوژی، گروه علوم زمین، دانشگاه تبریز، تبریز، ایران

2 استاد، گروه علوم زمین، دانشگاه تبریز، تبریز، ایران

چکیده

با توجه به افزایش مصارف از منابع آب زیرمینی در پی افزایش جمعیت و فعالیت‌های کشاورزی و صنعتی، با کاهش سطح آب در آبخوان‌ها نگرانی‌ها درباره پدیده فرونشست دو چندان شده است. از این‌رو دشت تسوج نیز به‌عنوان یکی از دشت‌های حوضه دریاچه ارومیه به‌دلیل کاهش تدریجی سطح آب زیرزمینی، برآورد فرونشست و بررسی پتانسیل فرونشست برای جلوگیری از مخاطرات زیان‌‌بار آن در آینده، ضروری به نظر می رسد. بدین منظور با استفاده از چهارچوب ALPRIFT که شامل هفت لایه از پارامترهای مؤثر بر فرونشست می‌‌باشد، نقشه پتانسیل فرونشست آبخوان پهنه‌‌بندی شد. شاخص پتانسیل فرونشست در دو محدوده کم، متوسط و زیاد به‌دست آمد. جهت اصلاح ALPRIFT، برخی از پارامترهای آن متناسب با منطقه مورد مطالعه حذف و یا اضافه شد و با عنوان DIFA پتانسیل فرونشست جدیدی به اصطلاح پتانسیل فرونشست اصلاح شده ارائه شد. شاخص به‌دست آمده از DIFA در دو کلاس کم و متوسط تقسیم‌بندی شد. در مرحله بعد با استفاده از عکس‌‌های ماهواره‌‌ای Sentinel-1، فرونشست در طی سال‌های 2022-2016، به‌طور میانگین سالانه 4/3 سانتی متر برآورد گردید که همبستگی معناداری با تراز آب زیرزمینی سال آبی 2022-2016 و پتانسیل فرونشست اصلاح شده داشت. در ادامه جهت بهبود روش پتانسیل اصلاح شده و رفع نواقص و عدم قطعیت آن از روش‌های هوش‌مصنوعی منطق فازی (ساجنو و ممدانی) و شبکه عصبی‌مصنوعی استفاده شد. همبستگی به‌دست آمده از روش‌های ALPRIFT، DIFA، DIFA-SL، DIFA-ML و DIFA-ANN با نتایج حاصل از فرونشست راداری به ترتیب 17/0، 32/0، 86/0، 84/0 و 86/0 می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessing the Subsidence Potential of Tasuj Plain Using Sentinel-1 Satellite Imagery Interferometry, the DIFA Framework, and Artificial Intelligence

نویسندگان [English]

  • Soraya Nouri-Sangarab 1
  • Asghar Asghari Moghaddam 2
1 PhD. student in Hydrogeology, Department of Earth Sciences, University of Tabriz, Tabriz, Iran
2 Professor, Department of Earth Sciences, University of Tabriz, Tabriz, Iran
چکیده [English]

Given the increasing demand for groundwater resources due to population growth and agricultural and industrial activities, declining water levels in aquifers have heightened concerns about land subsidence. Consequently, the Tasuj Plain, as one of the plains in the Urmia Lake basin, is experiencing a gradual decline in groundwater levels, making it essential to assess subsidence and evaluate its potential to mitigate future hazards. To this end, the ALPRIFT framework -comprising seven layers of parameters influencing subsidence- was used to map the aquifer's subsidence potential. The subsidence potential index was classified into three categories: low, moderate, and high. To adapt ALPRIFT to the study area, some parameters were modified (removed or added), resulting in a revised subsidence potential index termed DIFA. The DIFA index was categorized into two classes: low and moderate. Subsequently, using Sentinel-1 satellite imagery, the average annual subsidence rate from 2016 to 2022 was estimated at 3.4 cm, showing a significant correlation with groundwater levels during the 2016–2022 water year and the revised subsidence potential (DIFA). To further refine the DIFA method and address its uncertainties, artificial intelligence techniques—fuzzy logic (Sugeno and Mamdani) and artificial neural networks (ANN)—were employed. The correlation coefficients between the results from ALPRIFT, DIFA, DIFA-SL (Sugeno Logic), DIFA-ML (Mamdani Logic), DIFA-ANN, and radar-derived subsidence data were 0.17, 0.32, 0.86, 0.84, and 0.86, respectively.

کلیدواژه‌ها [English]

  • Subsidence potential
  • DIFA
  • ALPRIFT
  • InSAR
  • Sentinel-1
  • Artificial Intelligence

مراجع

آمیغ‌پی، معصومه؛ عربی، سیاوش. )1402(. مطالعه فرونشست زمین در ایران ناشی از بهره‌برداری بیش از حد از آب‌های زیرزمینی با تهیه نقشه جامع فرونشست کشور. پژوهش‌نامه مدیریت منابع آب ایران، 19(5):145-156.
حبیبی، محمد حسن. (1392). کاربرد روش‌های هوش مصنوعی در پیش‌بینی سطح آب زیرزمینی در دشت هادیشهر، پایان‌نامه کارشناسی ارشد، دانشگاه تبریز.
خدا‌بنده، علی اکبر؛ امینی‌فصل، عباس. (1372). نقشه زمین‌شناسی چهارگوش تسوج (1:100,000)، سازمان زمین‌شناسی و اکتشافات معدنی کشور.
زندی، رحمان؛ فرزین‌کیا، ربابه؛ شفیعی، نجمه. (1398). فرونشست زمین و تداخل‌سنجی راداری، انتشارات ماهواره. 146ص .
صالحی، رضا؛ غفوری، مخمد؛ لشکری‌پور، غلامرضا؛ دهقانی مریم. (1392). بررسی فرونشست زمین در دشت مهیار جنوبی با استفاده از تداخل‌سنجی راداری، مجله علمی پژوهشی مهندسی آبیاری و آب، 3(11).
ملکی، رحمان؛ خاوریان نهزک،حسن؛ اصغری سراسکانرود, صیاد. (1402). اندازه‌‌گیری مقدار فرونشست زمین با استفاده از تکنیک تداخل سنجی راداری( مطالعه موردی: مناطق زلزله زده غرب کرمانشاه). مخاطرات محیط طبیعی، 12(38)، 23-30.
ندیری، عطاالله؛ اصغری مقدم، اصغر؛ عبقری، هیراد؛ فیجانی، الهام. (1392). توسعه مدل‌های ترکیبی هوش مصنوعی برای تخمین تراوایی آبخوان: مطالعه موردی دشت تسوج. پژوهش‌نامه مدیریت منابع آب ایران، 9(1).
نوری سنگراب، ثریا؛  اصغری مقدم ، اصغر. (1404). بررسی پتانسیل فرونشست دشت تسوج با استفاده از تداخل سنجی تصاویر ماهواره­ای ۱-Sentinel و چهارچوب ALPRIFT، نهمین کنفرانس بین­المللی توسعه فناوری مهندسی مواد، معدن و زمین­شناسی،تهران، https://civilica.com/doc/2442643    
Ahmadi Benia, F., Entezari, M., Sadeghi, A., Salehi, A. (2024). Quantifying land subsidence and its nexus with groundwater depletion in Isfahan-Borkhar plain: An integrated approach using radar interferometry and spatial bivariate relationships. Remote Sensing Applications: Society and Environment, 35, 101248. https://doi.org/10.1016/j.rsase.2024.101248.
Aller, L., Bennett, T., Lehr, J., Petty, R. (1987). DRASTIC: a standardized system for evaluating groundwater pollution using hydrogeologic settings. US EPA, Robert S. Kerr Environmental Research Laboratory, 85(2).
Bagheri, A., Sadeghfam, S., Karimzadeh, S., Nadiri, A.A. (2024). Subsidence vulnerability indexing using convolutional neural networks based on clustering and regression modeling strategies. Groundwater for Sustainable Development, 25, 101180.
Hopfield, J.J. (1982). Neutral networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sci. USA, 79, 2554-2558.
Hu, B., Zhou, J., Wang, J., Chen, Z., Dongqi, Wang. (2009). Risk assessment of land subsidence at Tianjin coaltal erea in China. Environmental Earth Sciences, 59(2):269-276.
Karimzadeh, S., Matsuoka, M. (2020). Remote Sensing X-Band SAR Data for Land Subsidence and Pavement Monitoring. Sensors, 20, 4751. doi:10.3390/s20174751
Liosis, N., Marpua, P.R., Pavlopoulosb, K., Ouardac, T.B.M.J. (2018). Ground subsidence monitoring with SAR interferometry techniques in the rural area of Al Wagan, UAE. Remote Sensing of Environment, 216, 276–288. https://doi.org/10.1016/j.rse.2018.07.001.
Naderi, K., Nadiri, A.A., Asghari Moghaddam, A., Kurd, M. (2018). A new method to identify and determine areas at risk of subsidence (case study: Selmas plain aquifer). Ecohydrology, 1(5):85-97.
Nadiri, A., Asghari Moghaddam, A., Abghari, H., Fijani, E. (2013). Development of Hybrid Artificial Intelligence Models for Estimating Aquifer Transmissivity: A Case Study of the Tasuj Plain. Iran Water Resources Research, 9(1). [In Persian]
Nadiri, A.A., Gharekhan, M., Khatib, R., Sadeghfam, S., Asghari Moghaddam, A. (2017)a. Groundwater vulnerability indices conditioned by Supervised Intelligence Committee Machine (SICM). Science of the Total Environment, 574, 691–706.
Nadiri, A.A., Gharekhani, M., Khatibi, R., Asghari Moghaddam, A. (2017)b. Assessment of groundwater vulnerability using supervised committee to combine fuzzy logic models. Environmental Science and Pollution Research, 24(9), 8562-8577.
Nadiri, A.A., Habibi, I., Gharekhani, M., Sadeghfam, S., Barzegar, R. (2022). Introducing dynamic land subsidence index based on the ALPRIFT framework using artificial intelligence techniques. Earth Science Informatics, https://doi.org/10.1007/s12145-021-00760-w
Nadiri, A.A., Sedghi, Z., Khatibi, R., Gharekhani, M. (2017) c. Mapping vulnerability of multiple aquifers using multiple models and fuzzy logic to objectively derive model structures. Science of the Total Environment, 593-594, 75-90.
Nadiri, A.A., Khatibi, R., Khalifi, P., Feizizadeh, B. (2020) A study of subsidence hotspots by mapping vulnerability indices through innovatory ‘ALPRIFT’ using artificial intelligence at two levels. Bulletin of Engineering Geology and the Environment, 79(8):3989–4003.
Nadiri, A.A., Taheri, Z., Khatibi, R., Barzegari, G., Dideban, K. (2018). Introducing a new framework for mapping subsidence vulnerability indices (SVIs). Sci Total Environ, 628:1043–1057.
Piscopo, G. (2001). Groundwater vulnerability map, explanatory notes, Castlereagh Catchment, NSW, Department of Land and Water Conservation, Australia.
Poland, J.F. (1984). Guidebook to Studies of Land Subsidence Due to Groundwater Withdrawal, United Nations Educational, Scientific and Cultural Organization, UNESCO.
Sugeno, M. (1985). An introductory survey of fuzzy control. Information Sciences, Elsevier Science Inc. 36 (1-2), 59-83.
Tayfur, G., Nadiri, A.A., Asghari Moghadam, A. (2014). Supervised Intelligent Committee Machine method for hydraulic conductivity estimation. Water Resources Management. 28:1173–1184. doi:10.1007/s11269-014-0553-y.
Zadeh LA (1965). Fuzzy sets. Information and Control. 8:338-353.
مخاطرات محیط طبیعی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 21 مرداد 1405

فایل ها

سابقه مقاله

  • تاریخ دریافت: 24 بهمن 1404
  • تاریخ بازنگری: 25 تیر 1405
  • تاریخ پذیرش: 21 مرداد 1405
  • تاریخ اولین انتشار: 21 مرداد 1405
  • تاریخ انتشار: 21 مرداد 1405

هم رسانی

ارجاع به این مقاله

آمار