24321

MAP2 119

كارشناسي ارشد

مهندسي نقشه برداري

مهندسي عمران و حمل و نقل

بهمن ماه 1403

85 ص.

دكتر ايمان خسروي

دكتر علي بهرامي

فرونشست زمين , تداخل‌سنجي راداري , استنتاج عصبي-فازي , دشت اصفهان-برخوار , سري زماني , تصاوير سنتينل-1.

فرونشست زمين به‌عنوان يك مخاطرۀ محيطي سبب بروز خسارت‌هاي زيادي به زيرساخت‌ها و تأسيسات و آثار و بناهاي تاريخي شده است. هرچه به مرگ آبخوان‌ها‌ كه ناشي از استفادۀ بي‌رويه از آب‌هاي زيرزميني است نزديك مي‌شويم زبانه‌هاي فرونشست نيز بيشتر مي‌شود. دشت اصفهان-برخوار نيز به دليل دارا بودن آب و هواي خشك و همچنين به لحاظ وضعيت توپوگرافي خاص با پستي و بلندي‌هاي متنوع، از اين مخاطره در امان نبوده است. تاكنون، عوامل مؤثر مختلفي همچون سطح آب زيرزميني، ارتفاع منطقه و جنس خاك بر فرونشست زمين در مطالعات گزارش شده است. با اين‌حال، مطالعات خيلي كمي به مدل‌سازي فرونشست زمين بر اساس اين عوامل پرداخته است. در چند سال اخير، استفاده از تكنيك سنجش از دور و به‌طور ويژه، روش تداخل‌سنجي راداري (InSAR) براي تخمين نرخ فرونشست زمين در ميان پژوهشگران علوم زمين رايج شده است. اين پايان‌نامه به دنبال برآورد نرخ فرونشست زمين با استفاده از روش InSAR و بررسي عوامل مختلف مؤثر بر آن است. در اين پژوهش، به كمك تكنيك تداخل‌سنجي طول خط مبناي كوتاه (SBAS) از 145 تصوير صعودي ماهوارهٔ راداري سنتينل-1، نرخ فرونشست زمين در دشت اصفهان-برخوار در بازۀ زماني سال‌هاي 2019 تا 2023 ميلادي برآورد شد. نتايج، نشان از مقدار نرخ جابجايي بيشينۀ 116.8 ميلي‌متر در سال و مقدار تجمعي 506.29 ميلي‌متر داشت. همچنين، نتايج نشان داد كه بيشترين نرخ فرونشست زمين در اين 5 سال در قسمت جنوب دشت اصفهان-برخوار رخ داده است. پس از آن، همبستگي عوامل مختلف مؤثر بر فرونشست زمين شامل وضعيت توپوگرافي (ارتفاع، شيب، جهت شيب و رطوبت توپوگرافي)، عوامل زمين‌شناسي (فاصله از گسل و جنس سنگ)، وضعيت پوشش زميني (پوشش گياهي و پوشش كاربري زميني) و سطح آب زيرزميني با فرونشست زمين بررسي شد. در ادامه، ميان اين عوامل با فرونشست زمين با دو راهكار، مدل‌سازي انجام شد. در راهكار اول، با بهره‌گيري از يك سيستم استنتاج فازي عصبي تطبيقي (ANFIS) ميان فرونشست زمين و مؤثرترين عوامل، يك مدل‌سازي فازي صورت گرفت. اين مدل نشان از پيش‌بيني با دقت بالاي نتايج حاصل از داده‌هاي آزمايشي داشت. در راهكار دوم، با استفاده از الگوريتم‌هاي يادگيري ماشين از جمله درخت تصميم (DT)، جنگل تصادفي (RF) و بوستينگ گراديان شديد (XGBoost)، نقشۀ استعداد فرونشست زمين براي منطقۀ مطالعاتي در 5 كلاس (بسيار بيشترين، بيشترين، متوسط، كمترين و بسيار كمترين احتمال فرونشست) تهيه شد. دقت كلي نقشه‌هاي حاصل از روش‌ها به ترتيب برابر با 42/75، 58/90 و 63/95 براي الگوريتم‌هاي XGBoost (ناكارآمدترين الگوريتم)، DT و RF (كارآمدترين الگوريتم) شد. همچنين، براساس رتبه‌بندي الگوريتم RF، ارتفاع، سطح آب زيرزميني، جنس سنگ و فاصله از گسل قم-زفره، مهمترين عوامل و پوشش گياهي و پوشش زميني، كم اهميت‌ترين عوامل موثر در فرونشست زمين در دشت اصفهان-برخوار بودند. علاوه بر اين، مطابق با بهترين نقشه يعني نقشۀ حاصل از الگوريتم RF، بيشترين احتمال فرونشست زمين در بخش‌هاي مركزي و شرق منطقه و كمترين احتمال فرونشست زمين در بخش‌هاي شمال غربي و غرب و همچنين قسمت‌هايي از شمال شرق دشت اصفهان-برخوار مشاهده شد.

Land subsidence , radar interferometry , neuro-fuzzy inference , Isfahan-Borkhar Plain , time series , Sentinel-1 images.

Estimating Land Subsidence Rate in Isfahan-Borkhar Plain Using Radar Interferometry Based on Time Series of Sentinel-1 Images and Investigating the Correlation of Influential Factors

مهندسي نقشه برداري

Land subsidence, as an environmental hazard, has caused significant damage to infrastructure, facilities, and historical monuments. As the overexploitation of groundwater leads us closer to the depletion of aquifers, the extent of subsidence increases. The Isfahan-Borkhar Plain, due to its arid climate and unique topographical features with diverse elevations, has not been immune to this hazard. Various factors, such as groundwater levels, elevation, and soil composition, have been reported in previous studies as influencing land subsidence. However, very few studies have focused on modeling land subsidence based on these factors. In recent years, the use of remote sensing techniques, particularly radar interferometry (InSAR), has become common among earth science researchers for estimating land subsidence rates. This thesis aims to estimate the land subsidence rate using the InSAR technique while analyzing its influencing factors. In this study, the land subsidence rate in the Isfahan-Borkhar Plain from 2019 to 2023 was estimated using the Small Baseline Subset (SBAS) interferometry method applied to a time series of Sentinel-1 radar images. The results indicated a maximum displacement rate of 116.8 [mm / year], with a cumulative displacement of 506.29 mm. The findings also revealed that the highest rate of subsidence during this four-year period occurred in the southern part of the Isfahan-Borkhar Plain. Subsequently, the correlation between various influencing factors and land subsidence was examined. These factors included topographical features (elevation, slope, aspect, and topographic moisture), geological parameters (distance to faults and lithology), land cover conditions (vegetation and land use/land cover), and groundwater levels. Following this, land subsidence was modeled using two approaches. A fuzzy model was developed to predict land subsidence based on the most influential factors. This model demonstrated high prediction accuracy for the test data. Machine Learning Algorithms: Using decision tree (DT), random forest (RF), and extreme gradient boosting (XGBoost) algorithms, a land subsidence susceptibility map was created for the study area, categorized into five classes: very high, high, moderate, low, and very low subsidence probability. The overall accuracy of the maps produced by these methods was 75.42% for XGBoost, 90.58% for DT, and 95.63% for RF. Additionally, based on the ranking of the RF algorithm, elevation, groundwater level, lithology and distance to Qom-Zefreh fault were the most important factors, while vegetation cover and land cover were the least significant factors influencing land subsidence in the Isfahan-Borkhar Plain. Based on the best-performing map generated by the RF algorithm, the highest probability of land subsidence was observed in the central and eastern parts of the region, while the lowest probability was identified in the northwestern and western areas, as well as parts of the northeastern Isfahan-Borkhar Plain.

5 فصل

119645