نوع مقاله : مقاله پژوهشی

نویسندگان

• زهرا خسروانی ¹
• محمد اخوان قالیباف ²
• مریم دهقانی ³
• ولی درهمی ⁴
• مصطفی بولکا ⁵

¹ دانشجوی دکتری بیابان‌زدایی، گروه احیاء و مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، یزد، ایران

² استادیار گروه احیاء و مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، یزد، ایران

³ دانشیار بخش مهندسی راه، ساختمان و محیط زیست، دانشکده مهندسی، دانشگاه شیراز، شیراز، ایران.

⁴ استاد بخش هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران.

⁵ استاد گروه علوم خاک، دانشکده کشاورزی، دانشگاه اژه، ازمیر، ترکیه.

چکیده

هدف از پژوهش حاضر، مدل‌سازی فرونشست دشت ابرکوه با استفاده از تکنیک تداخل‌سنجی راداری و هوش مصنوعی بود. در ابتدا با استفاده از 46 تصویر راداری Sentinel-1 بین سال‌های 2014 تا 2018 و تکنیک تداخل‌سنجی راداری نقشه فرونشست منطقه تهیه شد. در ادامه جهت مدل‌سازی فرونشست، از الگوریتم شبکه عصبی مصنوعی پیش‌رونده استفاده شد. در این الگوریتم از پنج پارامتر تغییرات سطح آب زیرزمینی (2018-2014)، سطح آب زیرزمینی، ضخامت آبخوان، ضخامت لایه رس در آبخوان و همچنین ضخامت لایه رس در محدوده تغییرات سطح آب زیرزمینی (2018-2014) به عنوان ورودی مدل و مقدار فرونشست حاصل از روش تداخل‌سنجی راداری به عنوان خروجی جهت آموزش مدل به شبکه معرفی شد. ورودی‌های مدل از مجموعه داده‌های اندازه‌گیری شده 34 چاه پیزومتری و 77 لاگ حفاری موجود در آرشیو آب منطقه‌ای استان یزد بدست آمد که پس از بررسی صحت داده‌های اخذ شده وآنالیزهای اولیه، پارامترهای پنجگانه با استفاده از میانیابی به روش کریجینگ، به کل منطقه تعمیم داده شد و لایه رستری آ‌‌‌ن‌ها تهیه گردید. نتایج روش تداخل‌سنجی راداری نشان داد که فرونشست در مناطقی از شرق، شمال شرق و شمال به ترتیب با نرخ متوسط فرونشست 6، 7/2 و 6/1 سانتی‌متر در سال بیشترین مقادیر را به خود اختصاص داده است. همچنین جهت تایید صحت مدل، از معیارهای ارزیابی نظیر ناش– ساتکلیف(NS)، جذر میانگین مربعات خطا(RMSE)، میانگین خطای مطلق(MAE) و میانگین قدر مطلق خطای نسبی(MARE) استفاده گردید که به ترتیب مقادیر9524/0، 0018/0، 0012/0 و 1545/0 بدست آمد.

کلیدواژه‌ها

• آب زیرزمینی
• تصاویر راداری سنتینل
• رسوبات ریزدانه
• شبکه عصبی مصنوعی
• فرونشست

20.1001.1.50442008.1401.75.3.7.5

عنوان مقاله [English]

Modeling of land subsidence in Abarkouh plain using Synthetic aperture radar method and artificial intelligence

نویسندگان [English]

• Zahra Khosravani ¹
• Mohammad Akhavan Ghalibaf ²
• Maryam Dehghani ³
• Vali Derhami ⁴
• Mustafa Bolca ⁵

¹ Ph.D. Student of Combat Desertification, Department of Arid Land and Desert Management, Faculty of Natural Resources and Desert Studies, Yazd University, Iran.

² Assistant Professor of Arid Land and Desert Management Department, Faculty of Natural Resources and Desert Studies, Yazd University, Iran.

³ Associated Professor of Civil and Environmental Engineering Department, School of Engineering, Shiraz University, Shiraz.

⁴ Professor of Computer Engineering Department, Faculty of Engineering, Yazd University, Iran.

⁵ Professor of Soil Science Department, Faculty of Agriculture, Ege University, Izmir, Turkey.

چکیده [English]

The aim of this study was to model the subsidence of Abarkouh plain using inSAR and artificial intelligence techniques. At first, the subsidence map was prepared using the 46 Sentinel - 1 radar images (2014 – 2018) and radar interferometry techniques. Then, the Feedforward artificial neural network (ANN) algorithm was used to model the subsidence. In this algorithm, groundwater level changes (2014-2018), groundwater level, aquifer thickness, clay thickness in the aquifer and the clay thickness in the range of groundwater level changes (2014 - 2018) were introduced as input layers and the subsidence layer obtained from the radar interferometry method was introduced as an output layer to model training. These five parameters were obtained from the measured data set of 34 piezometer wells and 77 logs available in the archive of Regional Water Company of Yazd province. After initial checking of the data accuracy, the Kriging interpolation method was used to extend the five parameters to the whole region and the raster layers were prepared. The results of inSAR showed that maximum subsidence in parts of the studied area, i.e. in east, north - east and north, were 6, 2.7 and 1.6 cm/year respectively. Also, in order to verify the accuracy of the map resulting from using a neural network model, it was compared with the map with the radar imaging method. For this purpose, model evaluation criteria such as Nash-Sutcliffe (NS), RMSE,,MAE)and MARE were used, which 0.9524, 0.0018, 0.0012 and 0.1545 were obtained respectively.

کلیدواژه‌ها [English]

• groundwater
• fine-grained sediments
• artificial neural network
• Sentinel-1 radar images
• subsidence