تهیه‌ نقشه‌ حساسیت فرونشست زمین با روش‌های یادگیری ماشین مبتنی بر درخت تصمیم (مطالعه‌ موردی: منطقۀ اصفهان-برخوار)

فرونشست زمین، یک مخاطرۀ محیطی است که سبب بروز خسارت‌های زیادی به زیرساخت‌ها و تاسیسات و آثار و بناهای تاریخی شده است. منطقۀ اصفهان-برخوار نیز به دلیل دارا بودن آب و هوای خشک و همچنین به لحاظ وضعیت توپوگرافی خاص، با پستی و بلندی‌های متنوع، از این مخاطره در امان نبوده است. در چند سال اخیر، استفاده از تکنیک سنجش از دور و به‌طور ویژه، روش تداخل‌سنجی راداری (insar)، برای تخمین نرخ فرونشست زمین در میان پژوهشگران علوم زمین، رواج پیدا کرده است. تاکنون تاثیر عوامل مختلفی همچون سطح آب زیرزمینی، ارتفاع منطقه و جنس خاک، بر فرونشست زمین در مطالعات گزارش شده است. با این ‌حال، مطالعات کمی، حساسیت فرونشست زمین را بر اساس این عوامل با روش‌های یادگیری ماشین مدل‌سازی کرده‌اند بنابراین در این پژوهش با اتکا به روش‌های یادگیری ماشین تصمیم، از جمله درخت تصمیم (dt)، جنگل تصادفی (rf) و بوستینگ گرادیان شدید (xgboost)، نقشه‌ حساسیت فرونشست زمین در منطقۀ اصفهان-برخوار در 5 کلاس (احتمال فرونشست بسیار زیاد، زیاد، متوسط، کم و بسیار کم) مدل‌سازی شد. روش insar در این پژوهش، تکنیک طول خط مبنای کوتاه (sbas) بود که از 145 تصویر صعودی ماهوارﮤ راداری سنتینل-1، برای محاسبه‌ نرخ فرونشست زمین، در بازۀ زمانی 2019 تا 2023 میلادی استفاده شد. همچنین در این پژوهش، تاثیر عوامل متعدد دیگری همچون وضعیت توپوگرافی (ارتفاع، شیب، جهت شیب و رطوبت توپوگرافی)، عوامل زمین‌شناسی (فاصله از گسل قم-زفره و جنس سنگ)، وضعیت پوشش زمینی (پوشش گیاهی و پوشش کاربری زمینی) و افت سطح آب زیرزمینی، در مدل‌سازی حساسیت فرونشست زمین بررسی شد. نتایج، نشان داد در بازۀ زمانی مذکور، مقدار نرخ جابه جایی بیشینه 116.8 میلی‌متر در سال و مقدار تجمعی 506.29 میلی‌متر (با خطای جذر میانگین مربعات حدود 12 میلی‌متر در سال و میانگین خطای مطلق حدود 10 میلی‌متر در سال) در این منطقه بود. همچنین دقت کلی نقشه‌های حاصل از روش‌های یادگیری ماشین، به ترتیب برابر با 75.42، 90.58 و 95.63درصد برای الگوریتم‌های xgboost (ناکارآمدترین الگوریتم)، dt و rf (کارآمدترین الگوریتم) ارزیابی شد. براساس رتبه‌بندی حاصل از الگوریتم rf، ارتفاع، سطح آب زیرزمینی، جنس سنگ و فاصله از گسل قم-زفره، مهم ترین عوامل و پوشش گیاهی و پوشش زمینی، کم ا همیت‌ترین عوامل موثر در فرونشست زمین در منطقۀ اصفهان-برخوار شناخته شدند. علاوه بر این، مطابق با بهترین نقشه، یعنی نقشۀ حاصل از الگوریتم rf، بیشترین احتمال فرونشست زمین در بخش‌های مرکزی و شرقی منطقه و کمترین احتمال فرونشست زمین، در بخش‌های غربی، شمال غربی و همچنین قسمت‌هایی از شمال شرقی منطقۀ اصفهان-برخوار مشاهده شد.

preparation of land subsidence susceptibility map using machine learning methods based on decision tree (case study: isfahan–borkhar)

land subsidence represents a severe environmental hazard, causing significant infrastructure damage and threatening culturalheritage sites. the isfahan–borkhar region of central iran, with its dry climate and diverse topographical conditions, has been highlysusceptible to this phenomenon. using remote sensing techniques, particularly radar interferometry (insar), this study invest igatessubsidence rates over the 2019–2023 period. advanced machine learning methods, namely decision tree (dt), random forest(rf), and extreme gradient boosting (xgboost) are employed to develop a susceptibility map divided into five probability classes:very high, high, medium, low, and very low. the analysis incorporates 145 sentinel -1 radar satellite images and factors such aselevation, groundwater levels, rock composition, vegetation cover and fault proximity. among these, rf emerges as the mosteffective algorithm, achieving a classification accuracy of 95.63%, while xgboost proved inefficient for certain critical subsidencezones. results reveal that subsidence risk is concentrated in the central and eastern parts of the region due to excessive groundwaterextraction and geological vulnerabilities. conversely, the western and northwestern areas exhibit lower risk due to stable geologicalformations and controlled groundwater usage. these findings aim to inform regional planning and subsidence mitigation strategies.