مدل‌سازی فرونشست دشت ابرکوه با استفاده از روش تداخل ‌سنجی راداری و هوش مصنوعی

روش تداخل سنجی راداری، یکی از بهترین روش های آشکار سازی تغییرات پوسته زمین از نظر دقت و پوشش پیوسته مکانی است. هدف از پژوهش حاضر، مدل‌سازی فرونشست دشت ابرکوه با استفاده از تکنیک تداخل‌سنجی راداری و هوش مصنوعی بود. در ابتدا با استفاده از 46 تصویر راداری sentinel-1 بین سال‌های 2014 تا 2018 و تکنیک تداخل‌سنجی راداری نقشه فرونشست منطقه تهیه شد. در ادامه جهت مدل‌سازی فرونشست، از الگوریتم شبکه عصبی مصنوعی پیش‌رونده استفاده شد. در این الگوریتم از پنج پارامتر تغییرات سطح آب زیرزمینی (2018-2014)، سطح آب زیرزمینی، ضخامت آبخوان، ضخامت لایه رس در آبخوان و همچنین ضخامت لایه رس در محدوده تغییرات سطح آب زیرزمینی (2018-2014) به عنوان ورودی مدل و مقدار فرونشست حاصل از روش تداخل‌سنجی راداری به عنوان خروجی جهت آموزش مدل به شبکه معرفی شد. ورودی‌های مدل از مجموعه داده‌های اندازه‌گیری شده 34 چاه پیزومتری و 77 لاگ حفاری موجود در آرشیو آب منطقه‌ای استان یزد بدست آمد که پس از بررسی صحت داده‌های اخذ شده وآنالیزهای اولیه، پارامترهای پنجگانه با استفاده از میانیابی به روش کریجینگ، به کل منطقه تعمیم داده شد و لایه رستری آ‌‌‌ن‌ها تهیه گردید. نتایج روش تداخل‌سنجی راداری نشان داد که فرونشست در مناطقی از شرق، شمال شرق و شمال به ترتیب با نرخ متوسط فرونشست 6، 2.7 و 1.6 سانتی‌متر در سال بیشترین مقادیر را به خود اختصاص داده است. همچنین جهت تایید صحت مدل، از معیارهای ارزیابی نظیر ناش– ساتکلیف(ns)، جذر میانگین مربعات خطا(rmse)، میانگین خطای مطلق(mae) و میانگین قدر مطلق خطای نسبی(mare) استفاده گردید که به ترتیب مقادیر0.9524، 0.0018، 0.0012 و 0.1545 بدست آمد. بنابراین شبکه عصبی مصنوعی در پیدا کردن ارتباط بین پارامترهای ورودی و مقادیر فرونشست عملکرد بسیار خوبی دارد.

modeling of land subsidence in abarkouh plain using synthetic aperture radar method and artificial intelligence

synthetic aperture radar (insar) is one of the best methods for detection of earth crust changes in terms of accuracy and continuous spatial coverage. the aim of this study was to model the subsidence of abarkouh plain using insar and artificial intelligence techniques. at first, the subsidence map was prepared using the 46 sentinel - 1 radar images (2014 – 2018) and radar interferometry techniques. then, the feedforward artificial neural network (ann) algorithm was used to model the subsidence. in this algorithm, groundwater level changes (2014-2018), groundwater level, aquifer thickness, clay thickness in the aquifer and the clay thickness in the range of groundwater level changes (2014 - 2018) were introduced as input layers and the subsidence layer obtained from the radar interferometry method was introduced as an output layer to model training. these five parameters were obtained from the measured data set of 34 piezometer wells and 77 logs available in the archive of regional water company of yazd province. after initial checking of the data accuracy, the kriging interpolation method was used to extend the five parameters to the whole region and the raster layers were prepared. the results of insar showed that maximum subsidence in parts of the studied area, i.e., in east, north - east and north, were 6, 2.7 and 1.6 cm/year respectively. also, in order to verify the accuracy of the map resulting from using a neural network model, it was compared with the map with the radar imaging method. for this purpose, model evaluation criteria such as nash-sutcliffe (ns), root mean square error (rmse), mean absolute error (mae) and mean absolute relative error (mare) were used, which 0.9524, 0.0018, 0.0012 and 0.1545 were obtained respectively. therefore, the artificial neural network for subsidence modeling is very good.