پيش‌بيني فرونشست زمين در آبخوان اصفهان: الگوريتم نوين يادگيري ماشين در برابر روش كلاسيك

در دهه‌هاي اخير، آبخوان اصفهان - برخوار با برداشت زياد و ناپايدار آب زيرزميني مواجه بوده كه منجر به افت قابل‌توجه سطح آب، تراكم لايه‌هاي رسي و سيلتي، و درنتيجه فرونشست سطح زمين شده است. اين پديده با تهديد زيرساخت‌هاي شهري و كشاورزي منطقه، اهميت ضرورت پايش دقيق و پيش‌بيني الگوي مكاني - زماني آن را بيشتر كرده است. در اين پژوهش، با استفاده از سري زماني ده‌ساله (1393-1402) تصاوير Sentinel-1 پردازش‌شده با روش SBAS در قالب زنجيره LiCSAR/LiCSBAS ، داده‌هاي ماهانه چاه‌هاي پيزومتري، متغيرهاي اقليمي ERA5-Land و 13 لايه استاتيك هيدروژئولوژيكي و ژئومورفولوژيكي، يك مجموعه‌داده براي 939 نقطه نمونه در آبخوان ايجاد شد. در ادامه براي پيش‌بيني مكاني و سري زماني فرونشست، سه مدل يادگيري ماشين شامل جنگل تصادفي، XGBoost و شبكه عميق تركيبي Conv1D-BiLSTM-Attention توسعه يافتند و نتايج عملكرد آن‌ها با مشاهدات مرجع InSAR/SBAS مقايسه شد. مدل عميق تركيبي با آزمون بر روي يك مجموعه 14ماهه، R²=0.9886 و RMSE=7.67 mm نشان داده كه اين نتايج توانايي بالايي مدل را در بازسازي نوسانات فصلي و پديده تأخير زماني تحكيم لايه‌هاي رسي نشان مي‌دهد. مدل‌هاي جنگل تصادفي و XGBoost در ارزيابي مكاني فرونشست با R²‎>0.999، توانايي بالاي خود را در توزيع مكاني فرونشست تجمعي بادقت بالايي نشان دادند. درنتيجه تحليل SHAP در هر دو مدل درختي، قابليت انتقال (Transmissivity) از مهم‌ترين عوامل پيش‌بيني‌كننده مكاني فرونشست است كه اين يافته با مباني هيدروژئولوژيكي تحكيم نيز سازگار است. بررسي توزيع خطا در مدل عميق نشان داد كه بيشترين سوگيري آن در ماه‌هاي فصل‌هاي تابستان و پاييز، هم‌زمان با اوج برداشت آب زيرزميني براي مصارف كشاورزي بوده و در نقاط موجود در بخش‌هاي مركزي و جنوبي (با فرونشست تجمعي بيش از 200 ميلي‌متر) قابل‌مشاهده است. اين نتايج نشان مي‌دهد كه با تلفيق داده‌هاي تداخل‌سنجي راداري و الگوريتم‌هاي عميق حافظه‌دار، مي‌توان يك چارچوب كارآمد براي هشدار زودهنگام و مديريت پيشگيرانه منابع آب زيرزميني در آبخوان‌هاي آبرفتي فراهم شود كه دقت آن را مي‌توان با تقويت و افزايش شبكه پيزومتري و استفاده از داده‌هاي ژئوتكنيكي تكميلي، افزايش داد.

Land subsidence , Isfahan aquifer , InSAR/SBAS , Random Forest , XGBoost , Conv1D-BiLSTM-Attention

Prediction land subsidence in the Isfahan aquifer: Machine learning algorithm versus the Classical method

زمين شناسي

In recent decades, the Isfahan–Borkhar aquifer has been subjected to excessive an‎d unsustainable groundwater extraction, leading to significant water table decline, compaction of clay an‎d silt layers, an‎d consequent lan‎d subsidence. This phenomenon poses a serious threat to the regionʹs urban an‎d agricultural infrastructure, underscoring the critical need for accurate monitoring an‎d prediction of its spatiotemporal patterns. In this study, a ten-year time series (2014–2023) of Sentinel-1 images processed using the SBAS method within the LiCSAR/LiCSBAS chain was combined with monthly piezometric well data, ERA5-Lan‎d climate variables, an‎d 13 static hydrogeological an‎d geomorphological layers to construct a comprehensive database for 939 sample points distributed across the aquifer. Three machine learning models, namely Ran‎dom Forest, XGBoost, an‎d a hybrid deep Conv1D-BiLSTM-Attention network, were subsequently developed for the spatial an‎d temporal prediction of lan‎d subsidence, an‎d their performance was benchmarked against a classical reference method(InSAR/SBAS observations). The hybrid deep model, eva‎luated on a 14-month independent test set, achieved R² = 0.9886 an‎d RMSE = 7.67 mm, demonstrating a strong capability for reconstructing seasonal fluctuations an‎d capturing the time-lag phenomenon associated with clay layer consolidation. The Ran‎dom Forest an‎d XGBoost models exhibited exceptional performance in spatial subsidence assessment, achieving R² ‎> 0.999, reflecting their high accuracy in mapping the spatial distribution of cumulative subsidence. SHAP analysis of both tree-based models identified transmissivity as the most influential spatial predictor of lan‎d subsidence(a finding that is physically consistent with the hydrogeological principles governing consolidation). Analysis of the error distribution in the deep model revealed that the greatest prediction bias occurs during summer an‎d autumn months, coinciding with peak groundwater extraction for agricultural use, an‎d is most pronounced at points located in the central an‎d southern portions of the aquifer where cumulative subsidence exceeds 200 mm. These findings demonstrate that by integrating radar interferometric data with deep memory-based algorithms, an effective framework can be established for early warning an‎d preventive management of groundwater resources in alluvial aquifers. The accuracy of this framework can be further enhanced through expansion of the piezometric monitoring network an‎d the incorporation of supplementary geotechnical data.

6

169167