پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 31 |
| تعداد شمارهها | 854 |
| تعداد مقالات | 8,255 |
| تعداد مشاهده مقاله | 16,436,409 |
| تعداد دریافت فایل اصل مقاله | 10,878,740 |
بررسی پتانسیل فرونشست دشت تسوج با استفاده از تداخلسنجی تصاویر ماهوارهای Sentinel-1 ، چهار چوب DIFA و هوش مصنوعی | ||
| مخاطرات محیط طبیعی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 مرداد 1405 اصل مقاله (3.44 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22111/jneh.2026.54780.2156 | ||
| نویسندگان | ||
| ثریا نوری سنگراب1؛ اصغر اصغری مقدم* 2 | ||
| 1دانشجوی دکتری هیدروژئولوژی، گروه علوم زمین، دانشگاه تبریز، تبریز، ایران | ||
| 2استاد، 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 | ||
| پتانسیل فرونشست؛ DIFA؛ ALPRIFT؛ تداخلسنجی؛ Sentinel-1؛ هوشمصنوعی | ||
| 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. | ||
|
آمار تعداد مشاهده مقاله: 18 تعداد دریافت فایل اصل مقاله: 7 |
||