تحلیل و مدل‌سازی تغییرات آب‌های زیرزمینی با استفاده از الگوریتم‌های داده‌کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست

در مناطق خشک و نیمه‌خشک، کمبود آب‌های سطحی منجر به برداشت بی‌رویه از آب‌های زیرزمینی و کاهش شدید سطح آب شده که در بسیاری از دشت‌های ایران به پدیده فرونشست زمین انجامیده است. درک تغییرات سطح آب زیرزمینی برای مدیریت بهینه منابع آبی و کاهش مخاطرات مرتبط اهمیت زیادی دارد. روش‌های مختلف آماری، ریاضی و یادگیری ماشین برای مدل‌سازی این تغییرات استفاده شده‌اند. اخیراً، شبکه‌های عصبی عمیق به‌ویژه برای تحلیل رفتار پیچیده آب‌های زیرزمینی، به‌دلیل ماهیت زمانی-مکانی آن‌ها، مورد توجه قرار گرفته‌اند. در این تحقیق، از مدل ترکیبی wavelet-principal component analysis (pca) برای تحلیل داده‌های 44 چاه پیزومتری دشت قهاوند طی دوره 30 ساله (1367-1397) استفاده شده است. این مدل، الگوهای زمانی و مکانی تغییرات سطح آب زیرزمینی را در مقیاس‌های مختلف زمانی استخراج کرده و سپس مولفه‌های اصلی به‌دست‌آمده از wavelet-pca به مدل شبکه عصبی بازگشتی long short term memory (lstm) ارائه شدند تا سری‌های زمانی سطح آب پیش‌بینی شود. سطوح مختلف تبدیل موجک برای شناسایی روندهای کوتاه‌مدت و بلندمدت به‌کار گرفته شد. مدل lstm با دقت r^2 = 0.85 برای گروه آموزشی و r^2 = 0.62 برای داده‌های آزمایشی توانست روندهای سطح آب زیرزمینی را مدل‌سازی کند. همچنین، داده‌های راداری ماهواره sentinel-1 بین سال‌های 2014 تا 2019 نشان داد که بیشینه فرونشست زمین در مناطقی با افت قابل‌توجه سطح آب زیرزمینی رخ داده است. همپوشانی این نقشه‌ها با لایه‌های کاربری زمین، ارتباطی معنادار بین فعالیت‌های کشاورزی و افت سطح آب زیرزمینی و فرونشست زمین را نشان داد.

analysis and modeling of ground water using spatio-temporal data mining and deep learning in order to explanation of it with subsidence hazard

the deficiency of surface water in arid and semi-arid territories has exacerbated the dependence on groundwater resources, resulting in considerable reductions in groundwater levels. this phenomenon has been particularly pronounced in numerous plains throughout iran, where the diminution has exacerbated issues related to land subsidence. a comprehensive understanding of groundwater level variations is imperative for enhancing water management strategies and alleviating the associated hazards. a range of statistical, mathematical, and machine-learning methodologies have been utilized to model the dynamics of groundwater aquifers. recently, deep neural network algorithms have gained prominence in the investigation of surface and groundwater resources, particularly in light of the spatiotemporal characteristics inherent to groundwater.in the present investigation, a hybrid spatiotemporal data mining framework, denoted as wavelet-pca, was employed to analyze data acquired from 44 piezometric wells situated in the qahavand plain over a span of three decades (1988-2018) for the purpose of elucidating temporal and spatial patterns associated with fluctuations in groundwater levels. subsequently, a sophisticated deep recurrent neural network architecture incorporating long short-term memory (lstm) was implemented to model the time series data resulting from the data mining procedure. various degrees of wavelet transformation were applied to effectively capture the intricate trends in groundwater levels. the lstm model exhibited a coefficient of determination (r²) of 0.85 for the training dataset while achieving an r² of 0.62 for the testing dataset.the research additionally examined regional patterns of land subsidence utilizing radar interferometry data obtained from the sentinel-1 satellite during the period from 2014 to 2019. the results revealed an average maximum subsidence measurement of 9 centimeters, with the most pronounced subsidence noted in regions that are undergoing the most substantial declines in groundwater levels. this observed relationship between groundwater depletion and land subsidence underscores the necessity for judicious land use planning and the implementation of effective water resource management strategies in analogous regions.