| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,182 |
| تعداد مقالات | 35,305 |
| تعداد مشاهده مقاله | 51,234,399 |
| تعداد دریافت فایل اصل مقاله | 91,153,325 |
پهنهبندی مکانی فرونشست زمین در استان چهارمحال و بختیاری با استفاده از مدل (AdaBoost) | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2026.371650.2141 | ||
| نویسندگان | ||
| احمدرضا کریمی پور* 1؛ صالح یوسفی2؛ سارا مردانیان2 | ||
| 1گروه تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش | ||
| 22- گروه تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش | ||
| چکیده | ||
| پدیده فرونشست زمین به عنوان یک مخاطره طبیعی جدی، متأثر از بهرهبرداری بیرویه از منابع آب زیرزمینی و عوامل زمینشناختی، خسارات گستردهای به زیرساختها و اراضی کشاورزی وارد میکند. این مطالعه با هدف پهنهبندی خطر فرونشست در استان چهارمحال و بختیاری و با بهکارگیری مدل قدرتمند یادگیری ماشین AdaBoost انجام شد. در گام نخست، از میان ۳۰ عامل اولیه مؤثر شامل پارامترهای توپوگرافی، هیدرولوژیکی، زمینشناسی، محیطی و اقلیمی، پس از انجام تحلیل همبستگی و حذف متغیرهای همخط، تعداد ۲۳ عامل نهایی برای مدلسازی انتخاب گردید. مدل AdaBoost با استفاده از ۲۳۵۲ نمونه آموزشی (شامل نقاط فرونشست و غیرفرونشست) آموزش داده شد و بر روی یک مجموعه آزمون مستقل متشکل از ۷۷۲ نمونه اعتبارسنجی گردید. ارزیابی عملکرد مدل با شاخصهای معتبر، نشاندهنده دقت و کارایی بسیار مطلوب آن بود، بهطوریکه مقادیر سطح زیر منحنی ویژگی (AUC)، دقت (Precision)، شاخص بازیابی (Recall) و ضریب کاپا به ترتیب ۰٫۹۷۴، ۰٫۹۳۶، ۰٫۹۸۱ و ۰٫۸۵۵ به دست آمد. بر اساس خروجی مدل، نقشه نهایی پهنه بندی خطر فرونشست زمین در پنج کلاس بسیار کم، کم، متوسط، بالا و بسیار بالا تهیه شد. نتایج نشان داد که دشتهای بروجن و شهرکرد در معرض بیشترین خطر فرونشست قرار دارند و بخشهایی از دشت لردگان نیز در رده خطر بسیار بالا جای میگیرند. در مقابل، سایر دشتهای استان عمدتاً با سطوح خطر کم تا متوسط مواجه هستند و حدود ۳۶ درصد از مساحت استان در کلاس خطر متوسط قرار دارد. تحلیل اهمیت متغیرها با روش SHAP بیانگر آن است که سه عامل زاویه شیب زمین، درصد شن سطحی و تغییرات تراز آب زیرزمینی به ترتیب بیشترین تأثیر را در وقوع پدیده فرونشست در منطقه داشتهاند. بهطور مشخص، رابطهای معکوس بین شیب زمین و شدت فرونشست مشاهده شد. همچنین افت سطح آب زیرزمینی نقش مستقیم و افزایش درصد شن سطحی نقش کاهنده در بروز این پدیده ایفا میکنند. این یافتهها بر ضرورت مدیریت جامع و علمی منابع آب زیرزمینی تأکید دارند. نقشههای خطر تولید شده در این تحقیق میتواند بهعنوان ابزاری مؤثر در برنامهریزیهای محیطی، پیشگیری از خسارات و مدیریت ریسک فرونشست زمین مورد استفاده مدیران و برنامهریزان قرار گیرد. | ||
| کلیدواژهها | ||
| پهنه بندی مکانی؛ استان چهارمحال و بختیاری؛ فرونشست؛ مدلAdaBoost | ||
| عنوان مقاله [English] | ||
| Spatial Zoning of Land Subsidence in Chaharmahal and Bakhtiari Province Using the Machine Learning Model (AdaBoost) | ||
| نویسندگان [English] | ||
| Ahmadreza Karimipour1؛ saleh yousefi2؛ sara mardanian2 | ||
| 1Soil Conservation and Watershed Management Research Department, Chaharmahal and Bakhtiari Agricultural and Natural Resources Research and Education Center, AREEO, Shahrekord, Iran. | ||
| 2Soil Conservation and Watershed Management Research Department, Chaharmahal and Bakhtiari Agricultural and Natural Resources Research and Education Center, AREEO, Shahrekord, Iran. | ||
| چکیده [English] | ||
| Land subsidence, as a serious natural hazard influenced by the overexploitation of groundwater resources and geological factors, causes extensive damage to infrastructure and agricultural lands. This study was conducted with the aim of zoning subsidence risk in Chaharmahal and Bakhtiari province using the powerful AdaBoost machine learning model. In the first step, from among 30 initial effective factors including topographic, hydrological, geological, environmental, and climatic parameters, and after performing correlation analysis and removing collinear variables, 23 final factors were selected for modeling. The AdaBoost model was trained using 2352 training samples (including subsidence and non-subsidence points) and was validated on an independent test set consisting of 772 samples. The evaluation of the model's performance using valid indicators showed its highly desirable accuracy and efficiency, such that the values for the Area Under the Curve (AUC), Precision, Recall, and Kappa coefficient were obtained as 0.974, 0.936, 0.981, and 0.855, respectively. Based on the model output, the final land subsidence risk zoning map was prepared in five classes: very low, low, medium, high, and very high. The results indicated that the Borujen and Shahrekord plains are at the highest risk of subsidence, and parts of the Lordegan plain also fall into the very high-risk category. The analysis of variable importance using the SHAP method revealed that the three factors of land slope angle, surface sand percentage, and groundwater level changes have had the greatest impact on the occurrence of land subsidence in the region, in that order. Specifically, an inverse relationship was observed between land slope and subsidence intensity. Furthermore, a drop in groundwater level plays a direct role, while an increase in surface sand percentage plays a mitigating role in the occurrence of this phenomenon. | ||
| کلیدواژهها [English] | ||
| Spatial zoning, Chaharmahal and Bakhtyari Province, Land subsidence, Machine learning, AdaBoost model | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 6 |
||