Journal of Watershed Management Research

fa بررسی اثر تغییرات کاربری اراضی و اقلیم بر فرونشست زمین در دشت داراب استان فارس ‌ Investigating the effect of land use changes and climate on land subsidence in the Darab plain of Fars province سنجش از دور و سامانه های اطلاعات جغرافيايی سنجش از دور و سامانه های اطلاعات جغرافيايی پژوهشي Research <div style="text-align: justify;">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 می‌گیرد. ایران شامل شش حوضه آب‌ریز اصلی و ۶۰۹ دشت است که تقریباً ۲۶۷ مورد از آن‌ها دچار کمبود آب است. با توجه به اهمیت منطقه داراب در استان فارس به عنوان 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؛ (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 است؛ برای بررسی اثر آن بر فرونشست زمین در منطقه داراب استفاده شده است. 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 شد. 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 شد و به‌منظور مدل‌سازی رقومی شد. 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 گردید. 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 گردید. سپس داده‌های به‌دست‌آمده را جهت مدل‌سازی جنگل تصادفی وارد نرم‌افزار JMP و محیط نرم‌افزار R گردید. 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، پارامترهای تراز آب‌زیرزمینی، دما و بارش، شاخص خیسی دارد. 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 داده است. نتیجه‌گیری: در پژوهش حاضر افزایش  عمق آب‌زیرزمینی رابطه مستقیمی با افزایش فرونشست در منطقه داشته است. به ترتیب بیشترین تأثیر در مدل‌سازی، پارامترهای دما و بارش، سطح تراز آب‌زیرزمینی، شاخص رطوبت توپوگرافی دارد. 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 می‌دهد؛ 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 یک‌سوی مستلزم افزایش مطالعات برای شناسایی کامل نواحی مستعد به‌صورت یک طرح ملی است.  </div> <div style="text-align: justify;">Extended Abstract Background: Land subsidence (LS) is a morphological phenomenon occurring worldwide. In general, land subsidence can lead to a decrease in the Earth's surface in all regions of the globe, caused by either natural or human activities. Land subsidence and human activities have been intertwined throughout history. Recently, more than 150 major countries, including Mexico, Australia, Colombia, China, and the United States, have reported instances of land subsidence. This phenomenon affects many regions of the world and can result from various natural or human factors, particularly the extraction of groundwater, mining activities, and the dissolution of mineral resources. Numerous reports emphasize that groundwater resources in extensive areas of central, eastern, and southern Iran are utilized as the sole source of water for agricultural, drinking, and industrial purposes. Iran consists of six major watersheds and 609 plains, with approximately 267 of them facing water scarcity. Given the significance of the Darab region in Fars Province as a key area prone to land subsidence, the objectives of this study are: (1) spatial modeling of land subsidence in the Darab plain of Fars Province; (2) evaluating machine learning models individually for spatial modeling of land subsidence; and (3) identifying key factors affecting land subsidence, including the effects of climate change and land use changes in the study area. Methods:  Sentinel-2 images from the years 2015 and 2024 were utilized for image classification to identify land use patterns and create Land Use/Land Cover (LULC) maps for the Darab region. The land uses, such as orchards, pastures, agricultural lands, urban areas, and barren lands, are observable in the region and have been analyzed for their impact on land subsidence. The data used to extract the land subsidence map in this study included the C band of the ascending Sentinel-1A, the descending Sentinel-1A band, Interferometric Wide (IW) images, and strip mode images collected before and after subsidence, selected as empirical data. Climate data on temperature and precipitation from six existing stations in the area for the years 2015 to 2024 were prepared and interpolated using the IDW (Inverse Distance Weighting) method within ArcGIS, with a spatial resolution of 30 meters for digital modeling. Additionally, groundwater level maps of the plain were interpolated using the IDW method with the assistance of ArcGIS, based on piezometric well statistics from 2002 to 2021. All informational or auxiliary layers were prepared in raster format with a pixel size of 10 meters. To perform the modeling process, the satellite imagery and DEM (Digital Elevation Model) of the area were first extracted using ArcGIS 10.7, after which the satellite images and DEM were imported into the SAGAGIS software. The obtained data were then input into JMP software and the R environment for random forest modeling.  Results:  Seven land subsidence maps from 2015 to 2024 were extracted using Snap software. Using ArcGIS, an average was calculated from the images, revealing an average land subsidence of about 11 cm during this period. Based on the land use change map from 2015 to 2024 and its correlation with the corresponding land subsidence (LS) map for the same period, the greatest subsidence was observed in areas designated as orchards, residential, and agricultural lands. According to the results, the parameters that had the most significant impact on the modeling were groundwater level, temperature, and precipitation, respectively, with wetness index being noteworthy. Among the machine learning models assessed in this study, the Random Forest (RF) model provided the best results, showing a higher coefficient of determination ((R² = 0.95 (Training), 0.93 (Validation)) and a lower Root Mean Square Error (RMSE = 0.001 (Training), 0.002 (Validation)). Conclusion:  In the present study, an increase in groundwater depth has a direct relationship with the increase in land subsidence in the region. The parameters that had the most significant impact on the modeling, in order, were temperature and precipitation, groundwater level, and the topographic wetness index. Based on the regression maps and validation parameters, among the predictive models used in this study, the Random Forest (RF) model provided the best results, showing a higher coefficient of determination (R² = 0.95 (Training), 0.93 (Validation)) and a lower Root Mean Square Error (RMSE = 0.001 (Training), 0.002 (Validation)). Creating such conditions and the situation surrounding land subsidence and its hazardous consequences for the country requires a national commitment to acknowledge and address this phenomenon as a significant threat that could lead to disaster. Understanding this issue necessitates an increase in studies aimed at fully identifying prone areas as part of a national plan.  </div> تصاویرSentinel , آب زیرزمینی, خطای جذر میانگین مربعات, مدل جنگل تصادفی (RF), تداخل‌سنجی راداری (InSAR). Keywords: Sentinel images, groundwater, root mean square error, Random Forest model (RF), radar 0 0 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1973-1&slc_lang=fa&sid=1 fatemeh abedi فاطمه عابدی fatemhabadi@gmail.com 100319475328460015620 100319475328460015620 Yes university دانشگاه Ataollah Kavian عطااله کاویان ataollah.kavian@gmail.com 100319475328460015621 100319475328460015621 No university دانشگاه Leila Gholami لیلا غلامی gholami.leily@yahoo.com 100319475328460015622 100319475328460015622 No university دانشگاه Vahid Mousavi وحید موسوی Moosavi_v66@yahoo.com 100319475328460015623 100319475328460015623 No university دانشگاه