دوره 17، شماره 1 - ( بهار و تابستان 1405 )                   جلد 17 شماره 1 صفحات 32-17 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abedi F, Kavian A, Gholami L, Mousavi V. (2026). The Effect of Land Use Changes and Climate on Land Subsidence in the Darab Plain of Fars Province. J Watershed Manage Res. 17(1), 17-32. doi:10.61882/jwmr.2026.1298
URL: http://jwmr.sanru.ac.ir/article-1-1298-fa.html
عابدی فاطمه، کاویان عطااله، غلامی لیلا، موسوی وحید.(1405). بررسی اثر تغییرات کاربری اراضی و اقلیم بر فرونشست زمین در دشت داراب استان فارس پ‍‍ژوهشنامه مديريت حوزه آبخيز 17 (1) :32-17 10.61882/jwmr.2026.1298

URL: http://jwmr.sanru.ac.ir/article-1-1298-fa.html

بررسی اثر تغییرات کاربری اراضی و اقلیم بر فرونشست زمین در دشت داراب استان فارس
فاطمه عابدی*1 ، عطااله کاویان1، لیلا غلامی1، وحید موسوی2
1- گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه علوم کشاورزی و منابع‌ طبیعی ساری، ایران
2- گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران
چکیده:   (767 مشاهده)
چکیده مبسوط
مقدمه و هدف: فرونشست زمین (LS) یک پدیده مورفولوژیکی است که در سطح جهان در حال وقوع است. به‌طور کلی، فرونشست زمین می‌تواند منجر به کاهش سطح زمین در تمامی مناطق کره زمین شود که این امر ناشی از فعالیت‌های طبیعی یا انسانی است. فرونشست زمین و فعالیت‌های انسانی در تمام تاریخ در هم تنیده بوده‌اند. اخیراً، بیش از ۱۵۰ کشور عمده، از جمله مکزیک، استرالیا، کلمبیا، چین و ایالات متحده، گزارش‌هایی در مورد فرونشست زمین ارائه داده‌اند. این پدیده بر بسیاری از مناطق جهان تأثیر می‌گذارد و می‌تواند ناشی از عوامل مختلف طبیعی یا انسانی، به‌ویژه برداشت آب‌های زیرزمینی، استخراج معادن، حل شدن مواد معدنی باشد. گزارش‌های متعددی بر این موضوع تأکید دارند که منابع آب زیرزمینی در مناطق وسیع از مرکز ایران و شرق و جنوب ایران به‌عنوان تنها منبع آب برای مصارف کشاورزی، شرب و صنعتی مورد استفاده قرار می‌گیرند. ایران شامل شش حوضه آب‌ریز اصلی و ۶۰۹ دشت است که تقریباً ۲۶۷ مورد از آن‌ها دچار کمبود آب هستند. با توجه به اهمیت منطقه داراب در استان فارس به‎عنوان یک مکان کلیدی مستعد فرونشست زمین، اهداف این مطالعه عبارتند از: (۱) مدل‌سازی فضایی فرونشست زمین در دشت داراب استان فارس، (۲) ارزیابی مدل‌های یادگیری ماشین به صورت جداگانه برای مدل‌سازی فضایی فرونشست زمین، و (۳) شناسایی عوامل کلیدی مؤثر بر فرونشست زمین شامل اثرات تغییر اقلیم و تغییرات کاربری اراضی در منطقه مورد مطالعه.
مواد و روش‌ها: تصاویر Sentinel_2 سال‌های 2015 و 2024 برای طبقه‌بندی تصاویر به‌منظور شناسایی الگوهای کاربری اراضی و ایجاد نقشه‌های LULC منطقه داراب استفاده شد، که کاربری‌های باغ، مرتع، اراضی کشاورزی، مناطق شهری و اراضی بایر در منطقه قابل‌مشاهده بودند و برای بررسی اثر آن بر فرونشست زمین در منطقه داراب استفاده شد. داده‌های مورداستفاده به‌منظور استخراج نقشه فرونشست زمین در این مطالعه، باند C Sentinel-1A صعودی، باند Sentinel-1A نزولی، تداخل‌سنجی گسترده (IW) و تصاویر حالت نوار قبل و بعد از نشست به‌عنوان داده‌های تجربی انتخاب شدند. داده‌های اقلیمی دما و بارش مربوط به شش ایستگاه موجود در منطقه برای بازه سال‌های 2015 تا 2024 تهیه و با استفاده از روش IDW در محیط ArcGIS با قدرت تفکیک مکانی 30 متر درون‌یابی و به‌منظور مدل‌سازی رقومی شدند. همچنین با استفاده از آمار چاه‌های پیزومتری مربوط به سال‌های 2002 تا 2021 منطقه نقشه‌های تراز آب‌زیرزمینی دشت با کمک نرم‌افزار ArcGIS و مدل IDW درون‌یابی گردیدند. تمام لایه‌های اطلاعاتی یا کمکی به فرمت رستری با اندازه پیکسل 10 متری تهیه شدند. برای انجام فرآیند مدل‌سازی در آغاز به‌وسیله نرم‌افزار ArcGIS10.7 محدود تصاویر ماهواره‌ای و DEM منطقه استخراج و سپس تصاویر ماهواره‌ای و DEM منطقه وارد محیط نرم‌افزار SAGAGIS گردیدند. سپس، داده‌های به‌دست‌آمده جهت مدل‌سازی جنگل تصادفی وارد نرم‌افزار JMP و محیط نرم‌افزار R شدند.
یافته‌ها: تعداد هفت نقشه فرونشست زمین از سال 2015 تا 2024 با کمک نرم‌افزار Snap استخراج شدند. با کمک نرم‌افزار ArcGIS میانگینی بین تصاویر گرفته شد که مقدار میانگین فرونشست زمین در این بازه سالی حدود 11 سانتی‌متر بود. با توجه به نقشه تغییرات کاربری اراضی سال 2015 تا 2024 و تطابق آن‌ها با نقشه فرونشست زمین (LS) مربوط به همین بازه سالی، بیشترین نشست در مناطقی با کاربری باغ، مسکونی و کشاورزی قابل مشاهده بود. با توجه به نتایج، به ترتیب بیشترین تأثیر در مدل‌سازی را پارامترهای تراز آب‌زیرزمینی، دما و بارش، و شاخص خیسی دارند. در بین مدل‌های یادگیری مورد بررسی در این پژوهش، ماشین مدل جنگل تصادفی (RF) با ضریب تبیین بالاتر ((R2=0.95(Training), 0.93(validation) و خطای جذر میانگین مربعات پایین‌تر (RMSE=0.001(Training), 0.002(validation)) بهترین نتیجه را ارائه داد.
نتیجه‌گیری: در پژوهش حاضر، رابطه مستقیمی بین افزایش عمق آب زیرزمینی و افزایش نرخ فرونشست زمین مشاهده شد. بر اساس نتایج مدل جنگل تصادفی و تحلیل SHAP، مهم‌ترین عوامل مؤثر بر فرونشست به‌ترتیب عبارت بودند از: سطح آب زیرزمینی، دما، بارش و شاخص رطوبت توپوگرافی. با توجه به نقشه‌های رگرسیونی و پارامترهای اعتبارسنجی از بین مدل‌های پیش‌بینی مورد استفاده در این پژوهش، مدل RF با ضریب تبیین بیشتر (R2=0.95(Training)) ,0.93(validation)( و خطای جذر میانگین مربعات کمتر (RMSE=0.001(Training) ,0.002(validation)) بهترین نتیجه را ارائه داد. ایجاد چنین شرایط و وضعیتی در رویداد پدیده فرونشست و پیامدهای مخاطره‌آمیز آن برای کشور، قبل از هر چیز عزم ملی برای پذیرش و مقابله با این پدیده به‌عنوان یک معضل و مخاطره منتهی به یک فاجعه را طلب می‌نماید. موضوعی که درک آن از یک ‌سو مستلزم افزایش مطالعات برای شناسایی کامل نواحی مستعد به‌صورت یک طرح ملی است.
 
واژه‌های کلیدی: تصاویر Sentinel، آب زیرزمینی، خطای جذر میانگین مربعات، مدل جنگل تصادفی (RF)، تداخل‌سنجی راداری (InSAR)
متن کامل [PDF 1788 kb]   (14 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور و سامانه های اطلاعات جغرافيايی
دریافت: 1404/4/27 | پذیرش: 1404/10/1
فهرست منابع
1. Abedi, F., Amirian‐Chakan, A., Faraji, M., Taghizadeh‐Mehrjardi, R., Kerry, R., Razmjoue, D., & Scholten, T. (2021). Salt dome related soil salinity in southern Iran: Prediction and mapping with averaging machine learning models. Land Degradation & Development, 32(3), 1540-1554. [DOI:10.1002/ldr.3811]
2. Abedini, M., Ebadi, A., Qala, A. (2022). Investigating the subsidence of Mahidasht plain in Kermanshah province using radar interferometric method. Geography and Planning, 26(79), 207-220. [In Persian]
3. Armstrong, J. S., & Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting, 8(1), 69-80. [DOI:10.1016/0169-2070(92)90008-W]
4. Arabameri, A., Yariyan, P., & Santosh, M. (2021). Land Subsidence Spatial Modeling and Assessment of the Contribution of Geo-Environmental Factors to Land Subsidence: Comparison of Different Novel Ensemble Modeling Approaches. 16 February 2021, PREPRINT (Version 1) available at Research Square, https://doi.org/10.21203/rs.3.rs-194202/v1 [DOI:10.21203/rs.3.rs-194202/v1.]
5. Azarakhsh, Z., Azadbakht, M., & Matkan, A. (2022). Estimation, modeling, and prediction of land subsidence using Sentinel-1 time series in Tehran-Shahriar plain: A machine learning-based investigation. Remote Sensing Applications: Society and Environment, 25, 100691. [DOI:10.1016/j.rsase.2021.100691]
6. Berardino, P., Fornaro, G., Lanari, R., & Sansosti, E. (2002). A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms. IEEE Transactions on Geoscience and Remote Sensing, 40(11), 2375-2383. [DOI:10.1109/TGRS.2002.803792]
7. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Boca Raton, Florida: Chapman Hall/CRC.
8. Breiman, L. (2001). Random forests. Machine Learning, 45, 12-20. https:// doi.org/10.1023/A:1010933404324. [DOI:10.1023/A:1010933404324]
9. Bhattarai, R., Alifu, H., Maitiniyazi, A., & Kondoh, A. )2017(. Detection of land subsidence in Kathmandu Valley, Nepal, using DInSAR technique. Land, 6(2), 39. [DOI:10.3390/land6020039]
10. Chitsazan, M., Rahmani, G., & Ghafoury, H. (2022). Land subsidence susceptibility mapping using PWRSTFAL frame- work and analytic hierarchy process: fuzzy method (case study: Damaneh-Daran Plain in the West of Isfahan Province, Iran). Environmental Monitoring and Assessment. 194(3), 192. [DOI:10.1007/s10661-021-09645-3]
11. Cigna, F., & Tapete, D. )2021(. Present-day land subsidence rates, surface faulting hazard and risk in Mexico City with 2014-2020 Sentinel-1 IW InSAR. Remote Sensing of Environment 253, 112161. [DOI:10.1016/j.rse.2020.112161]
12. Deng, Z., Ke, Y., Gong, H., Li, X., Li, Z., )2017(. Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model. GIS Science and Remote Sensing, 54(6), 797-818. [DOI:10.1080/15481603.2017.1331511]
13. Dai, K., Li, Z., Tomás, R., Liu, G., Yu, B., Wang, X., ... & Stockamp, J. (2016). Monitoring activity at the Daguangbao mega-landslide (China) using Sentinel-1 TOPS time series interferometry. Remote Sensing of Environment, 186, 501-513. [DOI:10.1016/j.rse.2016.09.009]
14. 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. [DOI:10.5194/isprs-annals-X-4-W1-2022-129-2023]
15. Gharechaee, H., Samani, A.N., Sigaroodi, S.K., Baloochiyan, A., Moosavi, M.S., Hubbart, J.A., & Sadeghi, S.M. (2023). Land subsidence susceptibility mapping using Interferometric Synthetic Aperture Radar (InSAR) and machine learning models in a semiarid region of Iran. Land, 12(4), 843. [DOI:10.3390/land12040843]
16. Freeze, R. A. (2000). Social decision making and land subsidence. In Land subsidence-proceeding of the 6th international symposium on land subsidence, 1, 353-384.
17. Farr, T. G., Rosen, P. A., Caro, E., Crippen, R., Duren, R., Hensley, S., ... & Alsdorf, D. (2007). The shuttle radar topography mission. Reviews of Geophysics, 45(2). [DOI:10.1029/2005RG000183]
18. Fathian, H., Hashemi, S. A., & Alirezaei, M. (2021). Water resources management and land subsidence: A review. Journal of Hydrology, 602, 126579.
19. Gambolati, G., & Teatini, P. (2015). Geomechanics of subsurface water withdrawal and injection. Water Resources Research, 51(6), 3922-3955. [DOI:10.1002/2014WR016841]
20. Godschalk, D. R. (2003). Urban hazard mitigation: Creating resilient cities. Natural Hazards Review, 4(3), 136-143. [DOI:10.1061/(ASCE)1527-6988(2003)4:3(136)]
21. Galloway, D. L., & Burbey, T. J. (2011). Regional land subsidence accompanying groundwater extraction. Hydrogeology Journal, 19(8), 1459. [DOI:10.1007/s10040-011-0775-5]
22. Goli, A., Moradi, M., & Dehghani, M. (2019). Land subsidence vulnerability assessment of rural settlements in Fars Province. Journal of Research & Rural Planning, 8(4), 91-106. [In Persian]
23. Hu, J., Li, Z., Zhu, J., Ren, X., & Ding, X. (2010). Inferring three-dimensional surface displacement field by combining SAR interferometric phase and amplitude information of ascending and descending orbits. Sci. China-Earth Science. 53(4), 550-560. https://doi.org/10.1007/s11430-010-0023-1 [DOI:10.1007/s11430-010-0023-1.]
24. Herrera-García, G., Ezquerro, P., Tomás, R., Béjar-Pizarro, M., López-Vinielles, J., Rossi, M., Ye, S., (2021). Mapping the global threat of land subsidence. Science, 371(6524), 34-36. [DOI:10.1126/science.abb8549]
25. Kariminejad, N., Hosseinalizadeh, M., Pourghasemi, H.R., Bernatek-Jakiel, A., Campetella, G., Ownegh, M., (2019). Evaluation of factors affecting gully headcut location using summary statistics and the maximum entropy model: Golestan Province, NE Iran. Science of the Total Environment, 677, 281-298. [DOI:10.1016/j.scitotenv.2019.04.306]
26. Jin, B., Zeng, T., Wang, T., Zhang, Z., Gui, L., Yin, K., & Zhao, B. (2024). Advanced risk assessment framework for land subsidence impacts on transmission towers in salt lake region. Environmental Modelling & Software, 177, 106058. [DOI:10.1016/j.envsoft.2024.106058]
27. Khorrami, M., Abrishami1, S., & Maghsoudi, Y. (2020). Mashhad Subsidence Monitoring by Interferometric Synthetic Aperture Radar Technique. Amirkabir Journal of Civil Engineering, 51(6), 1187-1204. [In Persian]
28. Khajeh, M., Bagherafshan, A., Vagharehfar, H., & Ismailpour, Y. (2014). A quantitative and qualitative study of groundwater resources in the Parisean Plain. https://civilica.com/doc/2150774. [In Persian]
29. Lee, S., & Park, I. (2013). Application of decision tree model for the ground subsidence hazard mapping near abandoned underground coal mines. Journal of Environmental Management, 127, 166-176. [DOI:10.1016/j.jenvman.2013.04.010]
30. ‌Lukas, P., Melesse, A. M., & Kenea, T. T. (2023). Prediction of future land use/land cover changes using a coupled CA-ANN model in the upper omo-gibe river basin, Ethiopia. Remote Sensing, 15(4), 1148. [DOI:10.3390/rs15041148]
31. Lopez-Alvarez, B., Ramos-Leal, J. A., Santacruz-De Leon, G., Morán-Ramirez, J., Carranco-Lozada, S. E., & Noyola-Medrano, C. (2013). Subsidence associated with land use changes in urban aquifers with intensive extraction. Natural Science, 5(2A), 291-295. [DOI:10.4236/ns.2013.52A041]
32. Minderhoud, P. S. J., Coumou, L., Erban, L. E., Middelkoop, H., Stouthamer, E., & Addink, E. A. (2018). The relation between land use and subsidence in the Vietnamese Mekong delta. Science of the Total Environment, 634, 715-726. [DOI:10.1016/j.scitotenv.2018.03.372]
33. Mohammadhasani, M., Behnaz Sheikhshariati Kermani, M. (2021). Determining the Rate of Land Subsidence using Radar Interferometry Technique (Case Study: Industrial Area West of Kerman). Transportation Research Paper, 18(3), 75-90. [In Persian]
34. Mokhtari, D., Ebrahimy., H, & Salmani, S. (2019). Land subsidence susceptibility modeling using random forest approach (Case study: Tasuj plane catchment). RS & GIS for Natural Resources, 10(3), 93-105. [In Persian]
35. Mohammady, M., Pourghasemi, H.R., & Amiri, M. (2019). Land subsidence susceptibility assessment using random for- est machine learning algorithm. Environmental Earth Sciences, 78, 1-12. [DOI:10.1007/s12665-019-8518-3]
36. Naghibi, S.A., Pourghasemi, H.R., & Dixon, B. (2016). GIS-based groundwater potential mapping using boosted regres- sion tree, classification and regression tree, and random forest machine learning models in Iran. Environmental Monitoring and Assessment, 188, 1-27. [DOI:10.1007/s10661-015-5049-6]
37. Najafi, Z., Pourghasemi, H.R., Ghanbarian, G., & Fallah Shamsi, S.R. (2020). Land-subsidence susceptibility zonation us- ing remote sensing, GIS, and probability models in a Google Earth Engine platform. Environmental Earth Sciences, 79, 1-16. [DOI:10.1007/s12665-020-09238-2]
38. Nguyen, M., Lin, Y. N., Tran, Q. C., Ni, C. F., Chan, Y. C., Tseng, K. H., & Chang, C. P. (2022). Assessment of long-term ground subsidence and groundwater depletion in Hanoi, Vietnam. Engineering Geology, 299, 106555. [DOI:10.1016/j.enggeo.2022.106555]
39. Najafi, Z., Pourghasemi, H. R., Ghanbarian, G., & Shamsi, S. R. F. (2022). Identification of land subsidence prone areas and their mapping using machine learning algorithms. In Computers in Earth and Environmental Sciences (pp. 535-545). Elsevier. [DOI:10.1016/B978-0-323-89861-4.00019-1]
40. Nhu, V.H., Shirzadi, A., Shahabi, H., Singh, S.K., Al-Ansari, N., Clague, J.J., Ahmad, B.B. (2020). Shallow landslide susceptibility mapping: a comparison between logistic model tree, logistic regression, naïve Bayes tree, artificial neural network, and support vector machine algorithms. International Journal of Environmental Research and Public Health, 17(8), 2749. [DOI:10.3390/ijerph17082749]
41. Poland, J. F. (1984). Guidebook to studies of land subsidence due to ground-water withdrawal.
42. Shen, S. L., Ma, L., Xu, Y. S., & Yin, Z. Y. (2013). Interpretation of increased deformation rate in aquifer IV due to groundwater pumping in Shanghai. Canadian Geotechnical Journal, 50(11), 1129-1142. [DOI:10.1139/cgj-2013-0042]
43. Shafiei, N., GoliMokhtari, L., Ahmadi, A. A., Zandi, R. (2020). Investigation of subsidence of Noorabad plain aquifer using radar interferometry method. Quantitative Geomorphology Research, 8(4), 93-111. [In Persian]
44. Shen, S. L., Wu, H. N., Cui, Y. J., & Yin, Z. Y. (2014). Long-term settlement behaviour of metro tunnels in the soft deposits of Shanghai. Tunnelling and Underground Space Technology, 40, 309-323. [DOI:10.1016/j.tust.2013.10.013]
45. Shen, S. L., Wu, Y. X., & Misra, A. (2017). Calculation of head difference at two sides of a cut-off barrier during excavation dewatering. Computers and Geotechnics, 91, 192-202. [DOI:10.1016/j.compgeo.2017.07.014]
46. Taghizadeh Mehrjardi, R., Khorad, K., Sadeghinia, M., Zolghadri, A. (2014). Investigating the efficiency of geostatistical methods for zoning groundwater salinity (Case Study: Fars Province). The Second National Conference on Desert Management in Arid and Desert Regions, Semnan. https://civilica.com/doc/329515. [In Persian]
47. Ren, T., Gong, W., Gao, L., & Zhao, F. (2024). Understanding land subsidence in the Pearl River Delta region of China based on InSAR observations. Engineering Geology, 107646. [DOI:10.1016/j.enggeo.2024.107646]
48. Rahmati, O., Falah, F., Naghibi, S.A., Biggs, T., Soltani, M., Deo, R.C., & Bui, D.T. (2019). Land subsidence modelling using tree-based machine learning algorithms. Science of the Total Environment, 672, 239-252. [DOI:10.1016/j.scitotenv.2019.03.496]
49. Tomás, R., Herrera, G., Cooksley, G., & Mulas, J. (2011). Persistent Scatterer Interferometry subsidence data exploitation using spatial tools: The Vega Media of the Segura River Basin case study. Journal of Hydrology, 400(3-4), 411-428. [DOI:10.1016/j.jhydrol.2011.01.057]
50. Vapnik, V. (1995). The nature of statistical learning theory. New York, NY: Springer Verlag. [DOI:10.1007/978-1-4757-2440-0]
51. Vapnik, V. (1998). Three remarks on the support vector method of function estimation. [DOI:10.7551/mitpress/1130.003.0006]
52. Wang, B., Zhao, C., Zhang, Q., Lu, Z., & Pepe, A. (2021). Long-term continuously updated deformation time series from multisensor InSAR in Xi'an, China from 2007 to 2021. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 7297-7309. [DOI:10.1109/JSTARS.2021.3096996]
53. Wang, X., Liu, G., Yu, B., Dai, K., Zhang, R., Ma, D., & Li, Z. (2015). An integrated method based on DInSAR, MAI and displacement gradient tensor for mapping the 3D coseismic deformation field related to the 2011 Tarlay earthquake (Myanmar). Remote Sensing of Environment, 170, 388-404. [DOI:10.1016/j.rse.2015.09.024]
54. Wang, X. W., Yang, T. L., Xu, Y. S., & Shen, S. L. (2019). Evaluation of optimized depth of waterproof curtain to mitigate negative impacts during dewatering. Journal of Hydrology, 577, 123969. [DOI:10.1016/j.jhydrol.2019.123969]
55. Wu, H. N., Shen, S. L., & Yang, J. (2017). Identification of tunnel settlement caused by land subsidence in soft deposit of Shanghai. Journal of Performance of Constructed Facilities, 31(6), 04017092. [DOI:10.1061/(ASCE)CF.1943-5509.0001082]
56. Ye-Shuang, X., Xue-Xin, Y., Shui-Long, S., & An-Nan, Z. (2019). Experimental investigation on the blocking of groundwater seepage from a waterproof curtain during pumped dewatering in an excavation. Hydrogeology Journal, 27(7), 2659-2672. [DOI:10.1007/s10040-019-01992-3]
57. Xue, F., Lv, X., Dou, F., & Yun, Y. (2020). A review of time-series interferometric SAR techniques: A tutorial for surface deformation analysis. IEEE Geoscience and Remote Sensing Magazine, 8(1), 22-42. [DOI:10.1109/MGRS.2019.2956165]
58. Yin, Z. Y., Karstunen, M., Chang, C. S., Koskinen, M., & Lojander, M. (2011). Modeling time-dependent behavior of soft sensitive clay. Journal of Geotechnical and Geoenvironmental Engineering, 137(11), 1103-1113. [DOI:10.1061/(ASCE)GT.1943-5606.0000527]
59. Yin, Z. Y., Zhu, Q. Y., Yin, J. H., & Ni, Q. (2014). Stress relaxation coefficient and formulation for soft soils. Géotechnique Letters, 4(1), 45-51. [DOI:10.1680/geolett.13.00070]
60. Yin, Z. Y., Jin, Y. F., Shen, J. S., & Hicher, P. Y. (2018). Optimization techniques for identifying soil parameters in geotechnical engineering: Comparative study and enhancement. International Journal for Numerical and Analytical Methods in Geomechanics, 42(1), 70-94. [DOI:10.1002/nag.2714]
61. Yousefi, R., Talebbeydokhti, N., Afzali, S. H., Dehghani, M., & Hekmatzadeh, A. A. (2023). Understanding the effects of subsidence on unconfined aquifer parameters by integration of Lattice Boltzmann Method (LBM) and Genetic Algorithm (GA). Natural Hazards, 115(2), 1571-1600. [DOI:10.1007/s11069-022-05607-1]
62. Zhang, Y., Liu, Y., Zhang, X., Huang, H., Qin, K., Bai, Z., & Zhou, X. (2021). Correlation analysis between land-use/cover change and coastal subsidence in the Yellow River Delta, China: reviewing the past and prospecting the future. Remote Sensing, 13(22), 4563. [DOI:10.3390/rs13224563]
63. Zhou, C., Gong, H., Chen, B., Li, X., Li, J., Wang, X., ... & Duan, G. (2019). Quantifying the contribution of multiple factors to land subsidence in the Beijing Plain, China with machine learning technology. Geomorphology, 335, 48-61. ‌ [DOI:10.1016/j.geomorph.2019.03.017]
64. Zhou, C., Gong, H., Chen, B., Zhu, F., Duan, G., Gao, M., & Lu, W. (2016). Land subsidence under different land use in the eastern Beijing plain, China 2005-2013 revealed by InSAR timeseries analysis. GIScience & Remote Sensing, 53(6), 671-688. [DOI:10.1080/15481603.2016.1227297]
65. Zhang, L., Arabameri, A., Santosh, M., Pal, S.C., (2023). Land subsidence susceptibility mapping: comparative assess- ment of the efficacy of the five models. Environmental Science and Pollution Research, 1-20. [DOI:10.1007/s11356-023-27799-0]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by: Yektaweb