| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,206 |
| تعداد مقالات | 35,522 |
| تعداد مشاهده مقاله | 52,867,163 |
| تعداد دریافت فایل اصل مقاله | 92,194,266 |
پهنهبندی مکانی فرونشست زمین در استان چهارمحال و بختیاری با استفاده از مدل AdaBoost | ||
| مهندسی و مدیریت آبخیز | ||
| دوره 18، شماره 2، تیر 1405، صفحه 257-274 اصل مقاله (1.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2026.371650.2141 | ||
| نویسندگان | ||
| احمدرضا کریمی پور* ؛ صالح یوسفی؛ سارا مردانیان | ||
| گروه تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران | ||
| چکیده | ||
| مقدمه پدیده فرونشست زمین بهعنوان یک چالش جهانی، بسیاری از دشتها و مناطق کلانشهری ازجمله مناطق مختلف ایران را تحت تأثیر قرار داده است. این پدیده عمدتاً ناشی از بهرهبرداری بیرویه از منابع آب زیرزمینی و عوامل زمینشناختی است که میتواند پیامدهای جدی مانند آسیب به زیرساختها و تخریب زمینهای کشاورزی را بهدنبال داشته باشد. پیشرفتهای اخیر در حوزه سنجش از دور، امکان پایش دقیقتر این پدیده را فراهم کرده و در این راستا از تکنیکهای مختلفی ازقبیل PS-InSAR و Coherence Pixles Technique استفاده شده است. در کنار سنجش از دور، از الگوریتمهای یادگیری ماشین نیز در مطالعات مختلف برای پیشبینی فرونشست استفاده شده است. بر این اساس بهکارگیری مدلی مناسب با دقت بالا در این زمینه حائز اهمیت است. مدل AdaBoost بهدلیل قابلیت بالا در پرداختن به روابط غیرخطی پیچیده حاکم بر پدیده فرونشست میتواند به پهنهبندی میزان خطر فرونشست نقش مؤثری در مدیریت خطر و برنامهریزی کاربری اراضی در یک منطقه ایفا کند. مواد و روشها این پژوهش در استان چهارمحال و بختیاری در رشتهکوههای زاگرس، انجام شد. در گام اول، 30 عامل مؤثر بر فرونشست زمین در نظر گرفته شد که شامل پارامترهای توپوگرافی (ارتفاع، شیب، جهت شیب، انحنای زمین و شاخصهای TRI، TPI و TWI، پارامترهای هیدرولوژیکی (فاصله از رودخانهها، تجمع جریان)، زمینشناسی (فاصله از گسلها، لیتولوژی)، محیطی (پوشش گیاهی، شاخص رطوبت زمین، کاربری اراضی) و اقلیمی (دما، بارش، عمق برف) بودند. بهمنظور اجتناب از اثرات هم خطی، تحلیل ماتریس همبستگی انجام شد که منجر به حذف هفت متغیر با ضریب همبستگی بالاتر از 0.7 شد. پس از آن، ۲۳ متغیر برای مدلسازی نگه داشته شدند. الگوریتم AdaBoost با استفاده از ۲۳۵۲ نمونه (۱۸۵۹ نقطه فرونشست و ۴۹۳ نقطه بدون فرونشست) آموزش داده شد و روی یک مجموعه آزمون مستقل متشکل از ۷۷۲ نمونه (۵۳۶ نقطه فرونشست و ۲۳۶ نقطه بدون فرونشست) اعتبارسنجی شد. لازم به ذکر است که دادهها بهطور تصادفی به دو دسته آموزش و ارزیابی تقسیم بندی شدند و تقریباً 70 درصد برای آموزش و 30 درصد برای ارزیابی استفاده شدند. عملکرد مدل با استفاده از معیارهای سطح زیر منحنی (AUC)، دقت مدل (Precision)، شاخص بازیابی (Recall) و ضریب کاپا مورد ارزیابی شد. نتایج و بحث دادههای شاخصهای آماری بهدست آمده برای سطح زیر منحنی (AUC)، دقت مدل (Precision)، شاخص بازیابی (Recall) و ضریب کاپا (بهترتیب 0.974، 0.936، 0.981 و 0.855) ارزیابی مدل AdaBoost حاکی از عملکرد بسیار مطلوب مدل در پیشبینی خطر فرونشست بود. براساس طبقهبندی بهدست آمده در نقشه نهایی پهنهبندی خطر فرونشست، منطقه مورد مطالعه به منطقهای با پنج طبقه بسیار کم خطر، کم خطر، متوسط، بالا و بسیار بالا طبقهبندی شد. نتایج نشان داد که دشتهای بروجن و شهرکرد بهترتیب در معرض بیشترین خطر قرار دارند و بخشهای محدودی از دشت لردگان در ردهبندی خطر بسیار زیاد جای میگیرد و سایر دشتهای استان عمدتاً با سطوح خطر کم تا متوسط مواجه هستند. همچنین نتایج نشان داد 36 درصد استان در معرض خطر فرونشست متوسط قرار دارد. نتیجهگیری نتایج این مطالعه حاکی از آن است که مدل AdaBoost ابزاری کارآمد برای پهنهبندی خطر فرونشست زمین در استان چهارمحال و بختیاری است. براساس آنالیز SHAP، سه پارامتر اصلی مؤثر بر فرونشست بهترتیب اهمیت عبارت از درجه شیب زمین، درصد شن سطحی و تغییرات تراز آب زیرزمینی است. همچنین مشخص شد که رابطه معکوسی بین شیب زمین و شدت فرونشست وجود دارد، بهطوری که زمینهای با شیب کمتر، آسیبپذیری بیشتری در برابر این پدیده نشان میدهند. در مقابل، افت سطح آب زیرزمینی و نوسانات آن رابطه مستقیمی با تشدید فرونشست دارد، حالآنکه افزایش درصد شن در سطح زمین تأثیر کاهندهای بر وقوع فرونشست دارد. نتایج بر ضرورت مدیریت صحیح منابع آب زیرزمینی تأکید دارند. نقشه پهنهبندی خطر فرونشست و نمودارهای ارزیابی ارائهشده در این مطالعه نیز میتوانند به عنوان ابزاری کاربردی برای پیشگیری و کاهش خسارات ناشی از فرونشست زمین مورد استفاده قرار گیرند. | ||
| کلیدواژهها | ||
| آب زیرزمینی؛ الگوریتمهای یادگیری ماشین؛ تغییرات تراز آب زیرزمینی؛ خطر؛ شهرکرد | ||
| عنوان مقاله [English] | ||
| Spatial zoning of land subsidence in Chaharmahal and Bakhtiari Province using the machine learning model (AdaBoost) | ||
| نویسندگان [English] | ||
| Ahmadreza Karimipour؛ Saleh Yousefi؛ Sara Mardanian | ||
| Soil Conservation and Watershed Management Research Department, Chaharmahal and Bakhtiari Agricultural and Natural Resources Research and Education Center, AREEO, Shahrekord, Iran | ||
| چکیده [English] | ||
| Introduction The phenomenon of land subsidence, as a global challenge, has affected many plains and metropolitan areas, including various regions of Iran. This phenomenon is primarily caused by the uncontrolled exploitation of groundwater resources and geological factors, which can lead to serious consequences such as damage to infrastructure and the destruction of agricultural lands. Recent advances in remote sensing have enabled more accurate monitoring of this phenomenon, utilizing various techniques such as PS-InSAR and CPT. In addition to remote sensing, machine learning algorithms have also been used in various studies to predict subsidence. Accordingly, employing a suitable model with high accuracy in this field is of great importance. The AdaBoost model, due to its high capability in addressing the complex nonlinear relationships governing the subsidence phenomenon, can play an effective role in zoning subsidence risk levels, thereby contributing to risk management and land-use planning in a region. Materials and methods This study was conducted in Chaharmahal and Bakhtiari province, located in the heart of the Zagros Mountains. Initially, thirty factors related to land subsidence were considered, encompassing topographic (elevation, slope, aspect, curvature, TWI, TPI, TRI), hydrological (distance from rivers, flow accumulation), geological (distance from faults, lithology), environmental (vegetation cover, land moisture index, land use), and climatic parameters (temperature, precipitation, snow depth). To avoid multicollinearity, a correlation matrix analysis was performed, leading to the removal of seven variables with a correlation coefficient greater than 0.7. Subsequently, 23 variables were retained for modeling. The AdaBoost algorithm was trained on 2,352 samples (1,859 subsidence and 493 non-subsidence) and validated on an independent test set of 772 samples (536 subsidence and 236 non-subsidence). The model's performance was assessed using the Area Under the Curve (AUC), Precision, Recall, and Kappa coefficient metrics. Results and discussion The data of the obtained statistical indices for the Area Under the Curve (AUC), model accuracy (Precision), Recall index (Recall), and Kappa coefficient (0.974, 0.936, 0.981, and 0.855, respectively) in evaluating the AdaBoost model indicate the model's highly desirable performance in predicting subsidence risk. Based on the classification obtained in the final subsidence risk zoning map, the study area was categorized into five classes: very low risk, low risk, moderate, high, and very high. The results showed that the plains of Boroujen and Shahrekord are at the highest risk, respectively, while limited parts of the Lordegan plain fall into the very high-risk category. Other plains in the province are mainly faced with low to moderate risk levels. Furthermore, the results indicated that 36% of the province is exposed to moderate subsidence risk. Conclusions The findings of this study demonstrate that the AdaBoost model is an effective tool for zoning land subsidence risk in Chaharmahal and Bakhtiari Province. According to the SHAP analysis, the three main parameters influencing subsidence, in order of importance, are: land slope angle, surface sand percentage, and groundwater level fluctuations. It was further established that an inverse relationship exists between land slope and subsidence intensity, meaning areas with gentler slopes exhibit greater vulnerability to this phenomenon. Conversely, a decline in the groundwater level and its fluctuations have a direct correlation with increased subsidence, while a higher surface sand percentage exerts a mitigating effect on subsidence occurrence. The results underscore the necessity for proper management of groundwater resources. The subsidence risk zoning map and the evaluation charts presented in this study can serve as practical tools for preventing and mitigating damages caused by land subsidence. | ||
| کلیدواژهها [English] | ||
| Groundwater, Groundwater level fluctuations, Machine learning algorithms, Risk, Shahrekord | ||
| مراجع | ||
|
Akbarian, M., Ghahroudi tally, M., 2023. Evaluation of land subsidence in Asadabad Hamedan plain and its hazards. J. Environ. Hazard. Manage. 10(4), 277 - 290 (in Persian). Arab Ameri, A., Rafiei, M., Rezaei, K., Shirani, K., Mohammadi Sabit, N., 2019. Annual subsidence rate estimation in the meyyar plain using radar interferometry method and analysis of effective parameters. J. Water. Engin. Manage. 11 (3), 661–675. Al Sheikh, A., Chatr Simab, Z., Vosoughi, B., Madiri, M., Pakdaman, M.S., 2022. Investigating land subsidence due to excessive groundwater withdrawal using radar interferometry technique: Marvdasht Aquifer. J. Water. Engin. Manage. 14(1), 114–125 (in Persian). Azarm, Z., Mehrabi, H., Nadi, S., 2025. Enhanced land subsidence interpolation through a hybrid deep convolutional neural network and InSAR time series. Geosci. Model Develop. 18(19), 6903-6919. https://doi.org/10.5194/gmd-18-6903-2025, 2025 Cao, Y., Zhang, W., Wang, J., Zhu, Y., 2022. Monitoring and modelling land subsidence using remote sensing and GIS: A comprehensive review. Int. J. Appli. Earth Observa. Geoinform. 114, 103045. Deros, S.N.M., Naim, M.R., Din, N.M., 2025. Explainable Artificial Intelligence (XAI) to interpret the contributing factors of land subsidence susceptibility prediction model. Total Environ. Advance. 200129. https://doi.org/10.1016/j.teadva.2025.200129 Eghrari, Z., Delavar, M.R., Zare, M., Beitollahi, A., Nazari, B., 2023. Land subsidence susceptibility mapping using machine learning algorithms. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences 10, 129-136. https://doi.org/10.5194/isprs-annals-X-4-W1-2022-129-2023 Emadodin, S., Nazari Ghazik., Z., 2023. Estimation of subsidence rate using of inSAR and groundwater level changes, case study of mashhad plain. J. Geograph. Develop. 73, 221-239 (in Persian). Ganjaeian, H., Asadi, M., Menbari, F., Ebrahimi, A., 2022. Analysis of subsidence status in Hamedan urban area using radar and satellite images. J. Geograph. Environ. Hazard. 11(4), 221-236. DOI:10.22067/geoeh.2022.76383.1217 (in Persian). Hidayah, C.N., Pamungkasari, P.D., Ningsih, S., Azhiman, M.F., Widodo, J., Widayaka, E.S., 2025. Land subsidence analysis using machine learning algorithm random forest method in DKI Jakarta. Green Intelli. Sys. Applica. 5(1), 106-122. https://doi.org/10.53623/gisa.v5i1.606 Janbaz Ghotemi, M., Khalghi, M., Abdekolahchi, A., Rostaei, M., 2023. The efficiency of the weighting method in gis environment in order to determine the effective factors on subsidence of Qazvin plain. J. Water Resour. Res. Iran 19(3), 118-135 (in Persian). Kazemi, A., Falahzadeh, H., Ghasemzade, F., 2022. Study of causes and strategies to control land subsidence in the plains of Iran. Water Resour. Engin. 15(4), 1-20 (in Persian). Karimiasl, S., Hessari, B., Zeinalzadeh, K., Erfanian, M., 2024. Assessment of land subsidence susceptibility in the Salmas Plain Aquifer, Northwestern Lake Urmia, utilizing fuzzy logic. J. Water. Engin. Manage. 16(3), 331-353. doi: 10.22092/ijwmse.2024.363148.2031 (in Persian). Mehrabi, A., Karimi, S., Khalesi, M., 2023. Spatial analysis of jiroft plain subsidence using the Coherence Pixel Technique (CPT). Geograph. Environ. Plann. 34(1), 99-116. doi 10.22108/gep.2022.133667.1525 Mohammadi., J., 2023. Evaluation of land subsidence susceptibility in Semnan plain. J. Sci. Engin. Water. Manage. 17(63), 84-90 (in Persian). Montazeri, M., Aslani, F., 2019. Evaluation of land subsidence risk by applying gis in the Tehran and Alborz Provinces. J. Know. Manage. Crisis Manage. 9 (1), 35-47 (in Persian). Orlandi, D., Diaz, E., Tomas, R., Galatolo, F.A., Cimino, M.G., Pagli, C., Perilli, N., 2024. A machine learning approach for mapping susceptibility to land subsidence caused by ground water extraction. Appli. Comput. Geosci. 24, 100207. https://doi.org/10.1016/j.acags.2024.100207 Qiao, X., Chu, T., Krell, E., Tissot, P., Holland, S., Ahmed, M., Smilovsky, D., 2024. Interpretation and attribution of coastal land subsidence: An InSAR and machine learning perspective. IEEE J. Selec. Topics Appli. Earth Observ. Remote Sens. 17, 4768-4783. doi: 10.1109/JSTARS.2024.3361391 Radman, A., Akhoondzadeh, M., Hosseiny, B., 2021. Integrating InSAR and deep-learning for modeling and predicting subsidence over the adjacent area of Lake Urmia, Iran. GISci. Remote Sens. 58(8), 1413-1433. https://doi.org/10.1080/15481603.2021.1991689 Rafiei Sardooi, E., Pourghasemi, H.R., Azareh, A., Soleimani Sardoo, F., Clague, J.J., 2022. Comparison of statistical and machine learning approaches in land subsidence modelling. Geocart. International 37(21), 6165-6185. https://doi.org/10.1080/10106049.2021.1933211 Shi, L., Gong, H., Chen, B., Zhou, C., 2020. Land subsidence prediction induced by multiple factors using machine learning method. Remote Sens. 12(24), 4044. https://doi.org/10.3390/rs12244044 Shirani., K Pasandi., M., 2026. Land subsidence risk assessment and zoning in the watersheds of Isfahan Province using Persistent Scatterer InSAR (PSInSAR). J. Water. Engin. Manage. 17(4), 534-552. doi: 10.22092/ijwmse.2025.367922.2091 (in Persian). Su, H., Xu, T., Xion, X., Tian, A., 2024. Optimization of land subsidence prediction features based on machine learning and SHAP value with Sentinel-1 InSAR Data. doi:10.21203/rs.3.rs-3880879/v1. Taheri, Z., Barzghari, G., Dideban, K., 2018. A framework to estimation of potential subsidence of the aquifer using algorithm genetic. Iran-Water Resour. Res. 14(2), 182-194 (in Persian). Teimorzadeh, N., 2023. Land subsidence and its consequences in cities and villages. 12th International Conference, Agricultural, Ecological Environment, Urban and Rural Development, International Academic Organization (in Persian). Yu, B., Xing, H., Ge, W., Yan, J., Li, Y.A., 2025. Explainable machine learning-based land subsidence susceptibility mapping: from feature importance to individual model contributions in ensembled system. Earth Sci. Inform. 18(2), 407. https://doi.org/10.1007/s12145-025-01915-9.
| ||
|
آمار تعداد مشاهده مقاله: 70 تعداد دریافت فایل اصل مقاله: 43 |
||