مدل‌سازی فرونشست زمین در دشت سلماس (آذربایجان‌غربی) با استفاده از anfis

دشت سلماس از محدوده‌های مهم کشاورزی شمال غرب کشور و استان آذربایجان غربی، محسوب می‌شود. این دشت در دهه‌های اخیر، به لحاظ برداشت بیش‌ازحد از آب‌های زیرزمینی دچار بحران شدید فرونشست زمین شده است. شناسایی مناطق مستعد فرونشست در محدوده دشت سلماس، از دیدگاه شناخت علت وقوع، مدیریت و کنترل پدیده فرونشست و همچنین جلوگیری از فرسایش خاک، از اهمیت زیادی برخوردار است. در این تحقیق، با هدف بررسی علل و ابعاد فرونشست زمین و همچنین پیش‌بینی مناطق مستعد به فرونشست، از مدل سیستم استنتاج عصبی فازی و برای رسیدن به هدف، از هفت عامل تاثیرگذار در پدیده فرونشست دشت (شامل: شیب زمین، ارتفاع، پوشش گیاهی، آب‌های زیرزمینی، فاصله از جاده، فاصله از رودخانه و فاصله از چاه‌های پیزومتری) استفاده شد. در روند تحقیق، اطلاعات جمع‌آوری شده به محیط arcgis وارد و برای پیاده‌سازی مدل به نرم‌افزار متلب منتقل گردیدند و با استفاده از روشc-flodcv داده‌ها با دقت  آموزش و اعتبار سنجی شدند. داده‌ها در چند تابع عضویت مختلف، شامل توابع عضویت ذوزنقه‌ای، مثلثی، گوسی، گوسی دو طرفه و تابع زنگوله‌ای مدل‌سازی شدند. نتایج بررسی‌ها نشان داد تابع عضویت ذوزنقه‌ای با ضریب همبستگی رگرسیون 0.86 و تابع عضویت گوسی با ضریب همبستگی رگرسیون 0.81 بهترین عملکرد را در شناسایی مناطق مستعد فرونشست دارند. با توجه به نتایج مطالعات در دشت سلماس، می‌توان گفت در طی سال‌های موردبررسی، مناطق شرقی و خروجی دشت با افت زیاد آب‌های زیرزمینی و متعاقب آن با پدیده فرونشست مواجه شده‌اند. همچنین بررسی‌های آماری نشان داد در بازه زمانی موردبررسی، آب‌های زیرزمینی در کل بیش از 18 متر افت سطح ایستابی داشته‌اند و این افت به‌طور متوسط در هر سال  1.23 متر گزارش شده است. در دو دهه گذشته، با محاسبه ضریب ذخیره یا تغذیه 0.03 درصدی و شرایط خشکی اقلیمی و افزایش سطح زیر کشت، این بحران در سال‌های اخیر به‌شدت تشدید شده است.

modeling of land subsidence of salmas plain by using adaptive neuro-fuzzy inference system (anfis)

introductionsalmas plain is one of the important agricultural regions of west azerbaijan province, playing a significant role in the region’s agriculture and development. in recent decades, the plain has been severely impacted by the phenomenon of subsidence due to the over-extraction of groundwater from aquifers. therefore, identifying areas prone to subsidence in the salmas plain is of particular importance for the management and control of this phenomenon. in this study, a fuzzy neural inference system model was used to predict subsidence-prone areas. to achieve this goal, seven important factors contributing to subsidence in the region were analyzed: land slope, digital elevation model, vegetation, groundwater depth, distance from roads, distance from rivers, and distance from piezometric wells. the information related to these factors was collected in arcgis software and transferred to matlab software for model implementation. using the c-fold cv method, the data were randomly divided into three groups: 70% for training, 20% for testing, and 10% for validation. these data were introduced to matlab for training, testing, and validation. the data were accurately trained and validated, achieving a precision of 10⁻⁸. several different membership functions, including trapezoidal, triangular, gaussian, two-sided gaussian, and bell curve functions, were tested in the model. the results showed that the trapezoidal membership function, with a regression correlation coefficient of 0.86, and the gaussian membership function, with a regression correlation coefficient of 0.81, performed best in identifying areas prone to subsidence.based on the results, the eastern areas and the outlet of the plain have experienced significant drops in groundwater levels and subsidence. statistical studies also revealed that groundwater levels have dropped by over 18 meters, averaging 1.23 meters per year in recent years. the crisis has been exacerbated over the past two decades by over-extraction of groundwater for agriculture, combined with a storage-to-recharge ratio of 0.03% and unfavorable climatic conditions.the spatial pattern of land subsidence in iran indicates that this phenomenon is strongly linked to the uncontrolled abstraction of groundwater resources, driven by increasing urban water consumption and low agricultural water efficiency. drought conditions and excessive groundwater withdrawal have not only affected arid and central regions of the country but have also extended to semi-arid and humid areas in the northwest. geological experts have reported that 300 out of 600 plains in the country are affected by subsidence. due to the importance of this issue, many researchers have studied land subsidence. their results indicate that the salmas plain, as part of the lake urmia catchment area, is experiencing a major subsidence crisis. this crisis has caused significant problems for infrastructure in many parts of the salmas plain, especially in the qara gheshlagh region. the main cause of subsidence is the over-extraction of water from wells constructed for agricultural purposes, which has led to a steady decline in the volume of aquifers.material and methods to evaluate the susceptibility of the salmas plain to subsidence, the required data and statistics up to 2019 (1398 in the iranian calendar) were collected as follows:digital topographic maps (1:25,000 scale), a digital geological map (1:100,000 scale) of salmas city, and thematic maps (e.g., slope, land use, geology, distance from wells, groundwater depth, distance from rivers, and distance from faults).gps data, meteorological information, soil maps, and aerial photographs (1:20,000 scale).