ارزیابی کارایی مدل‌های دو متغیره در تعیین حساسیت‌پذیری‌ فرونشست آبخوان دشت کاشان

جغرافیا و مخاطرات محیطی

مقاله 4، دوره 11، شماره 4 - شماره پیاپی 44، بهمن 1401، صفحه 69-98  

نوع مقاله: ویژه نامه (چالش جهانی فرونشست زمین: مدیریت بحران یا بحران مدیریت)

شناسه دیجیتال (DOI): 10.22067/geoeh.2022.75050.1168

نویسندگان

نرگس سقازاده¹؛ هدی قاسمیه ²؛ ابراهیم امیدوار³؛ یاسر مقصودی⁴

¹دانش‌آموخته دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران

²دانشیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران

³دانشیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران.

⁴دانشیار گروه فتوگرامتری و سنجش‌ازدور، دانشکده مهندسی نقشه‌برداری، دانشگاه خواجه‌نصیرالدین طوسی، تهران، ایران

چکیده

فرونشست زمین یکی از مهم­ترین مشکلات ­محیط­زیستی است که بر کشاورزی و زیرساخت­های شهری تأثیر می­گذارد. لذا به‌منظور برنامه­ریزی برای کاهش خطرات ناشی از فرونشست، شناسایی مناطق پرخطر و مستعد وقوع این پدیده در دشت­های مختلف ایران ضروری است. هدف اصلی این تحقیق، حساسیت­پذیری فرونشست زمین در آبخوان کاشان با استفاده از روش­های دمپستر- شفر، وزن­دهی شواهد، آنتروپی شانون و نسبت فراوانی است. برای انجام این تحقیق از 14 عامل مؤثر بر وقوع فرونشست شامل ارتفاع، شیب، جهت شیب، انحنای سطح، فاصله از آبراهه، فاصله از گسل، فاصله از جاده، لیتولوژی، کاربری اراضی، انحنای طولی و عرضی، تغییرات سطح ایستابی، فاصله از معدن و تراکم چاه در سطح آبخوان استفاده شد. آنگاه پس از تعیین 108 موقعیت فرونشست و نیز 108 موقعیت عدم فرونشست در سطح آبخوان، این نقاط به‌صورت تصادفی و به نسبت 30 و 70 درصد به­ترتیب به‌عنوان داده­های اعتبارسنجی و داده­های آزمون طبقه­بندی شدند و برای ارزیابی هرکدام از مدل­ها از منحنی تشخیص عملکرد نسبی (ROC) استفاده شد. نتایج نشان داد که از بین روش­های مورداستفاده بر اساس منحنی ROC و میزان AUC، روش نسبت فراوانی (آموزش: 84/0 و اعتبارسنجی: 89/0) بهترین عملکرد را داشته است و به‌عنوان بهترین روش پیش­بینی مناطق دارای حساسیت فرونشست در منطقه مطالعاتی معرفی می­شود. روش­های آنتروپی شانون، دمپستر- شفر و وزن­دهی شواهد نیز به­ترتیب در رتبه­های بعدی قرار گرفتند. نتایج این تحقیق برای کاهش خسارات ناشی از وقوع فرونشست زمین و تعیین مناطق بالقوه فرونشست، قابل‌استفاده برای مدیران استانی خواهد بود.

کلیدواژه‌ها

آب زیرزمینی؛ دشت کاشان؛ روش‌های دومتغیره؛ فرونشست؛ یادگیری ماشینی

مراجع

اکبری، محمود؛ 1400. پایش فرونشست زمین تحت تأثیر عوامل زمین­شناسی و منابع آب با روش تداخل سنجی تفاضلی راداری (مطالعه موردی: شهر اراک). نشریه حفاظت منابع آب‌وخاک. دوره 10. شماره 3. 115- 131.DOI: 20.1001.1.22517480.1400.10.3.8.7

تیموری، مهدی.، اسدی نیلوان، امید.، 1398. پهنه­بندی حساسیت و اولویت­بندی عوامل مؤثر بروقوع زمین­لغزش با استفاده از مدل حداکثر آنتروپی (مطالعه موردی: استان لرستان). نشریه هیدروژئومورفولوژی. دوره 6. شماره 21. 155-179.DOI: 20.1001.1.23833254.1398.6.21.8.3

جانباز فوتمی، مهدیه.، خلقی، مجید.، عبده کلاهچی، عبدالنبی.، روستایی، مه­آسا.؛ 1399. بررسی فرونشست زمین ناشی از تغییرات سطح ایستابی آب زیرزمینی با استفاده از روش تداخل­سنجی تفاضلی راداری: مطالعه موردی استان قزوین. نشریه تحقیقات منابع آب ایران. دوره 16. شماره 3. 133-147.DOI: 20.1001.1.17352347.1399.16.3.10.8

ذبیحی، محسن.، پورقاسمی، حمیدرضا.، بهزادفر، مرتضی.، 1394. تهیه نقشه پتانسیل آب زیرزمینی با استفاده از مدل­های آنتروپی شانون و جنگل تصادفی در دشت بجنورد. نشریه اکوهیدرولوژی. دوره 2. شماره 2. 221-232.DOI: 10.22059/ije.2015.56242

رضوی ترمه، سیدوحید؛ شیرانی، کوروش؛ 1397. پهنه­بندی خطر وقوع زمین­لغزش با استفاده از روش­های نسبت فراوانی، آنتروپی و روش تصمیم­گیری تاپسیس (مطالعه موردی: حوزه فهلیان، فارس). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. سال 9. شماره 4. 119-138. https://girs.bushehr.iau.ir/article_663411.html

رنجبر، محسن؛ جعفری، نسرین؛ 1388. بررسی عوامل مؤثر در فرونشست زمین دشت اشتهارد. فصل­نامه علمی جغرافیا. دوره 6. شماره 18 و 19. 156-166.https://mag.iga.ir/article_253531.html

صابرچناری، کاظم.، بهره­مند، عبدالرضا.، بردی شیخ، واحد.، 1396. پهنه­بندی خطر پتانسیل وقوع فرسایش خندقی با استفاده از  ر­وش­های آماری (دمپستر- شفر، رگرسیونی، نسبت فراوانی و فاکتور خطر) در حوزه آبخیز قرناوه استان گلستان. رساله دکتری تخصصی (ph.D). دانشگاه علوم کشاورزی و منابع طبیعی گرگان. گرگان.https://ganj.irandoc.ac.ir//#/articles/84f0a8feb4d54cc1ff0f4f7332ca73af

عرفانیان، مهدی؛ فرج­الهی، هانا؛ سوری، مهشید؛ شیرزادی، عطاالله؛ 1395. مقایسه کارایی روش­های وزن­دهی شواهد، رگرسیون لجستیک و نسبت فراوانی در تهیه نقشه پتانسیل چشمه آب زیرزمینی در حوزه آبخیز چهل­گزی، استان کردستان. نشریه علوم آب و خاک. جلد 20. شماره 75. 59-72.

 DOI: 10.18869/acadpub.jstnar.20.75.59

علیخانی، حمید.، شهابی، هیمن.، محمدی، ایوب؛ 1400. شناسایی و پهنه­بندی زمین­لغزش­های جاده کوهستانی سنندج- مریوان با استفاده از داده­های راداری و الگوریتم­های پیشرفته داده­کاوی. پایان­نامه کارشناسی ارشد. دانشگاه کردستان.

https://ganj.irandoc.ac.ir/#/articles/d98bbfa2068df583c65a9356461b0ed8

فرامرزی، حسن.، حسینی، سیدمحسن.، پورقاسمی، حمیدرضا.، فرنقی، مهدی.، 1399. ارزیابی مخاطرات محیطی پارک ملی گلستان با استفاده از مدل­های عامل مبنا و تکنیک­های یادگیری ماشین. رساله دکتری تخصصی (ph.D). دانشگاه تربیت مدرس.

https://ganj.irandoc.ac.ir/#/articles/9a0a14ef1b472a2371e48267b3c99dc8

قاضی­فرد، اکبر؛ مصلحی، علی؛ صفایی، همایون؛ 1390. بررسی علل ایجاد فرونشست زمین در دشت کاشان و ارائه راه­کارهای مناسب جهت جلوگیری از آن. طرح پژوهشی دانشگاه اصفهان. کارفرما: شرکت سهامی آب منطقه­ای اصفهان. 283 ص.https://civilica.com/doc/1273992/

قره­چلو، سعید؛ اکبری قوچانی، حسام؛ گلیان، سعید؛ گنجی، کامران؛ 1400. ارزیابی میزان فرونشست زمین در ارتباط با آب­های زیرزمینی به کمک داده ماهواره­ای راداری سنتینل-1 و الوس-1 (منطقه موردمطالعه: دشت مشهد). نشریه سنجش‌ازدور و سیستم اطلاعات جغرافیایی در منابع طبیعی. دوره 12. شماره 3 (پیاپی 44). 11-14.https://girs.bushehr.iau.ir/article_680336.html

کیانی، فاطمه.، عابدینی، موسی.، احمدزاده، غلامرضا.، 1396. بررسی پتانسیل فرونشست شهرستان کرج با استفاده از روش تلفیق وزنی در محیط GIS، سومین کنگره بین­المللی علوم زمین و توسعه شهری و اولین کنفرانس هنر، معماری و مدیریت شهری، تهران. https://civilica.com/doc/688569

محبی تفرشی، غزاله.، نخعی، محمد.، لک، راضیه.، 1399. ارزیابی تأثیر خصوصیات هیدروژئولوژی دشت ورامین بر فرونشست با تکیه بر مدل­های ریاضی. رساله دکتری تخصصی (ph.D). دانشگاه خوارزمی.https://ganj.irandoc.ac.ir/#/articles/19268aee160b125f829a7e106b9ed95a

محمودی­دهشتران، سیما؛ حجت، آزاده؛ رنجبر، حجت­الله؛ کریمی نسب، سعید؛. 1395. تعیین محدوده­های در معرض نشست حاصل از وجود قنات­های پنهان در محدوده دانشگاه شهید باهنر کرمان با استفاده از سنجش‌ازدور و سامانه اطلاعات جغرافیایی. مجله زمین­شناسی کاربردی پیشرفته دانشگاه شهید چمران اهواز. دوره 6. شماره 19. 75-81..DOI: 10.22055/aag.2016.12146

مختاری، داود؛ ابراهیمی، حمید؛ سلمانی، سعید؛ 1398. مدل­سازی خطر وقوع فرونشست زمین با استفاده از الگوریتم جنگل تصادفی (مطالعه موردی: حوزه آبریز دشت تسوج). مجله سنجش‌ازدور و سامانه اطلاعات جغرافیایی. دوره 10. شماره 3. 93-105. https://girs.bushehr.iau.ir/article_668475.html

مرادی، آیدین؛ عمادالدین، حسین؛ آرخی، صالح؛ رضائی، خلیل؛ 1399. تحلیل فرونشست زمین با استفاده از تکنیک تداخل­سنجی راداری، اطلاعات چاه­های ژئوتکنیکی و پیزومتری (مطالعه موردی: منطقه شهری 18 تهران). نشریه تحلیل فضایی و مخاطرات محیطی. دوره 7. شماره 1. 153-176.DOI: 10.29252/jsaeh.7.1.11

مصلحی بهارانچی، علی؛ قاضی­فرد، اکبر؛ روستایی، مه­آسا؛ صفایی، همایون؛ 1390. بررسی علل ایجاد فرونشست زمین در دشت کاشان و ارائه راه­کارهای مناسب جهت جلوگیری از آن. پایان­نامه کارشناسی ارشد. دانشکده علوم. دانشگاه اصفهان.https://ganj.irandoc.ac.ir/#/articles/f041a3827a466e058f615c3776591df9

میرزاوند، محمد؛ قاسمیه، هدی؛ ساداتی­نژاد، سیدجواد؛ باقری، رحیم؛ کلارک، ایان­داگلاس؛ 1397. تعیین منشأ و مکانیسم شور شدن آب­های زیرزمینی دشت کاشان با استفاده از روش­های هیدروژئوشیمیایی و ایزوتوپی. رساله دکتری. رشته علوم و مهندسی آبخیزداری. دانشکده منابع طبیعی و علوم زمین. دانشگاه کاشان.https://ganj.irandoc.ac.ir/#/articles/e777f2a890e83d0882316cfb1f1e1778

نادری، کیوان؛ ندیری، عطاالله؛ اصغری مقدم، اصغر؛ کرد، مهدی؛ 1397. روشی جدید برای شناسایی و تعیین مناطق در معرض خطر فرونشست، مطالعه موردی: آبخوان دشت سلماس. فصلنامه اکوهیدرولوژی. دوره 5. شماره 1. 85-97. DOI: 10.22059/ije.2017.233252.601

 

Abdollahi, S., Pourghasemi, HR., Ghanbarian, G., Safaeian, R., 2019. Prioritization of effective factors in the occurrence of land subsidence and its susceptibility mapping using an SVM model and their different kernel functions. Bulletin of Engineering Geology and the Environment. 78(3): 4017–4034. DOI: 10.1007/s10064-018-1403-6.

Al-Abadi, A., Al-Temmeme, A., Al-Ghanimy, A., 2016. A GIS-based combining of frequency ratio and index of entropy approaches for mapping groundwater availability zones at Badra–Al Al-Gharbi–Teeb areas, Iraq, Sustain. Water Resources Management, 2(3): 265-283.  DOI:10.1007/s40899-016-0056-5.

 Ashraf, H., Cawood, F., 2015. Geospatial subsidence hazard modelling at Sterkfontein Caves. South African Journal of Geomatics. 4 (3): 273-284. DOI: 10.4314/sajg.v4i3.8.

Dehghani, M., Rastegarfar, M., Ashrafi, R., Ghazipour, N., Khorramrooz, H., 2014. Interferometric SAR and geospatial techniques used for subsidence study in the Rafsanjan plain. American Journal of Environmental Engineering. 4 (2): 32–40. DOI: 10.5923/ j.ajee. 20140402.03.

Dempster, A.P., 1967. Upper and lower probabilities induced by a multi valued mapping. The Annals of Mathematical Statistics. 38: 325–339. http://dx.doi.org/10.1214/aoms/1177698950.

Elith, J., Phillips, S.J., Hastie, T., Dudík, M., Chee, Y.E., Yates, C.J., 2011. A statistical explanation of MaxEnt for ecologists. Diversity and Distribution. 17(1): 43–57. https://doi.org/10.1111/j.1472-4642.2010.00725.x.

Galloway, D.L., Burbey, Th.J., 2011. Regional land subsidence accompanying groundwater extraction, Hydrogeology Journal, 19(8): 1459–1486. https://doi.org/10.1007/s10040-011-0775-5.

Ghorbanzadeh, O., Blaschke, T., Aryal, J., Gholaminia, K., 2018. A new GIS-based technique using an adaptive neuro-fuzzy inference system for land subsidence susceptibility mapping. Journal of Spatial Science. 65 (3): 401-418. https://doi.org/10.1080/14498596.2018.1505564.

Kaitantzian, A., Loupasakis, C., Rozos, D.E., 2014. Assessment of geo-hazards triggered by both natural events and human activities in rapidly urbanized areas. Engineering Geology for Society and Territory, 5: 675–679. DOI: 10.1007/978-3-319-09048-1_131.

Kumar, H., HassanSyed, T., Amelung, F., Agrawal, R.,  Venkate, A.S., 2020. Space-time evolution of land subsidence in the National Capital Region of India using ALOS-1 and Sentinel-1 SAR data: Evidence for groundwater overexploitation. Journal of Hydrology. 605: 127329. https://doi.org/10.1016/j.jhydrol.2021.127329.

Lee, S., 2007. Application and verification of fuzzy algebraic operators’ landslide susceptibility mapping. Environmental Geology. 52(4): 615-623. DOI: 10.1007/s00254-006-0491-y.

Liang, Y., Gu, K., Shi, B., Liu, S., Wu, J., Lu, Y., Inyang, H., 2022. Estimation of land subsidence potential via distributed fiber optic sensing. Engineering Geology. 298: 106540. https://doi.org/10.1016/j.enggeo.2022.106540.

Mohammady, M., Pourghasemi, H.R., Amiri, M., 2019. Land subsidence susceptibility assessment using random forest machine learning algorithm. Environment Earth Science. 78 (16): 503. DOI: 10.1007/s12665-019-8518-3.

Naghibi, S.A., Pourghasemi, H.R., Pourtaghie, Z.S., Rezaei, A., 2014. Groundwater qanat potential mapping using frequency ratio and Shannon’s entropy models in the Moghan watershed, Iran. Journal of Earth Sciences. 8(1): 171-186. DOI: 10.1007/s12145-014-0145-7.

Nguyen, M., Lin, Y.N., Tran, Q.C., Ni, Ch., Chan, Y., Tseng, K., Chang, Ch., 2022. Assessment of long-term ground subsidence and groundwater depletion in Hanoi, Vietnam. Engineering Geology. 299: 106555. DOI:10.1016/j.enggeo.2022.106555.

Ozdemir, A., Altural, T., 2013. A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey. Journal of Asian Earth Sciences. 64: 180-197. https://doi.org/10.1016/ j.jseaes. 2012.12.014.

Park, NW., 2010. Application of Dempster-Shafer theory of evidence to GIS-based landslide susceptibility analysis. Environmental Earth Science. 62(2): 367-376. DOI: 10.1007/s12665-010-0531-5

Phillips, S.J., Anderson, R.P., Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions. Ecological Modeling. 190(3-4): 231-259. https:// doi.org/ 10.1016/ j.ecolmodel.2005.03.026.

Pourghasemi, H.R., Mohammady, M., Pradhan, B., 2012. Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena. 97: 71-84. https://doi.org/10.1016/j.catena.2012.05.005.

Pradhan P, Abokharima, M.H.  Jebur, M.N. Shafapour Tehrany, M. 2014. Land subsidence susceptibility mapping at Kinta valley (Malaysia) using the Evidential Belief Function Model in GIS. Natural Hazards, 73 (2): 1019-1042. DOI:10.1007/s11069-014-1128-1.

Pradhan, B., Lee, S., 2010. Landslide susceptibility assessment and factor effect analysis: back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling. Environmental Modelling & Software. 25(6): 747–759. https://doi.org/10.1016/j.envsoft.2009.10.016.

Rahmati, O., Falah, F., Naghibi, S.A., Biggs, T., Soltani, M., Deo, R.C., Cerda, A., Mohammadi, F., Tien Bui, D., 2019a. Land subsidence modelling using tree-based machine learning algorithms. Science of the Total Environment. 672: 239–252. https:// doi.org/ 10.1016/ j.scitotenv.2019.03.496.

Rahmati, O., Golkarian, A., Biggs, T., Keesstra, S., Mohammadi, F., Daliakopoulos, I.N., 2019b. Land subsidence hazard modeling: Machine learning to identify predictors and the role of human activities. Journal of Environmental Management. 236: 466–480. https:// doi.org/ 10.1016/j.jenvman.2019.02.020.

Shafapour Tehrany, M., Shabani, F., Neamah Jebur, M., Hong, H., Chen, W., Xie, X., 2017. GIS-based spatial prediction of flood prone areas using standalone frequency ratio, logistic regression, weight of evidence and their ensemble techniques. Geomatics, Natural Hazards and Risk. 8 (2): 1538-1561. https://doi.org/10.1080/19475705.2017.1362038.

Shafer, G.A., 1976. Mathematical theory of evidence. Princeton University Press. ISBN 0-608-02508-9. p. 314. https://www.jstor.org/stable/j.ctv10vm1qb.

Shi, X., Jiang, S., Xu, H., Jiang, F., He, Z., Wu, J., 2016. The effects of artificial recharge of groundwater on controlling land subsidence and its influence on groundwater quality and aquifer energy storage in Shanghai, China. Environmental Earth Sciences. 75(3): 1-18. DOI: 10.1007/s12665-015-5019-x.

Sun, J., Guo, E., Yang, X., Kong, Y., Yang, L., Liu, H., Lin, X., 2023. Seasonal and spatial variations in soil biochemical properties in areas with different degrees of mining subsidence in Central China. CATENA. 224: 106984. https://doi.org/10.1016/j.catena.2023.106984.

Tien Bui, D.T., Shahabi, H., Shirzadi, A., Chapi, K., Pradhan, B., Chen, W., Khosravi, Kh., Panahi, M., Ahmad, B.B., Lee, S., 2018. Land subsidence susceptibility mapping in South Korea using Machine Learning Algorithms. Sensors. 18(8): 2464. DOI: 10.3390/s18082464.

Tweed, S.O., Leblanc, M., Webb, J.A., Lubczynski, M.W., 2007. Remote sensing and GIS for mapping groundwater recharge and discharge areas in salinity prone catchments, southeastern Australia. Hydrogeology Journal. 15(1): 75-96. DOI:10.1007/s10040-006-0129-x.

 Ty, T.V.,   Minh, H.V.T.,  Ram Avtar, R.,  Kumar, P.,   Hiep, H.V.,  Kurasaki, M., 2021. Spatiotemporal variations in groundwater levels and the impact on land subsidence in CanTho, Vietnam. Groundwater for Sustainable Development. 15: 100680. https:// doi.org/ 10.1016/ j.gsd.2021.100680.

Yu, H., Gong, H., Chen, B., Liu, K., Gao, M., 2020. Analysis of the influence of groundwater on land subsidence in Beijing based on the geographical weighted regression (GWR) model. Science of The Total Environment. 738: 139405. https:// doi.org/ 10.1016/ j.scitotenv. 2020.139405.

Zamanirad, M., Sarraf, A., Sedghi, H., Saremi, A., Rezaee, P., 2020. Modeling the Influence of Groundwater Exploitation on Land Subsidence Susceptibility Using Machine Learning Algorithms. Natural Resources Research. 29(2): 1127-1141. https://doi.org/10.1007/s11053-019-09490-9.

Zhou, Y., Li, W., 2011. A Review of regional groundwater flow modeling. Geoscience Frontiers. 2(2): 205-214. DOI: 10.1016/j.gsf.2011.03.003.

Zhu, L., Zhua, L., Gonga, H., Chen, Y., Wang, Sh., Ke, Y., Guo, G., Li, X., Chen, B., Wang, H., Teatini, P., 2020. Effects of water diversion project on groundwater system and land subsidence in Beijing, China. Engineering Geology. 276: 105763. DOI: 10.1016/ j.enggeo. 2020.105763.