| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,999 |
| تعداد مقالات | 33,582 |
| تعداد مشاهده مقاله | 44,301,645 |
| تعداد دریافت فایل اصل مقاله | 22,484,842 |
شناسایی مناطق مستعد به خطر فرونشست و عوامل مؤثر بر آن در دشت کردی شیرازی با مدل های GLM و Cforest | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 اسفند 1403 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.367937.1608 | ||
| نویسندگان | ||
| حمید غلامی* 1؛ راضیه صیحانی پرشکوه2؛ یحیی اسماعیل پور3؛ علیرضا کمالی4؛ مریم زارع رشکوئیه5 | ||
| 1دانشگاه هرمزگان | ||
| 2گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندر عباس، | ||
| 3استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان | ||
| 4کارشناسی مسئول مرکز مطالعات اداراه کل منابع طبیعی و آبخیزداری استان هرمزگان | ||
| 5کارشناس شرکت سهامی آب منطقه ای استان هرمزگان | ||
| چکیده | ||
| چکیدۀ مبسوط مقدمه و هدف در طول چند دهه گذشته، فرونشست به یک معضل بزرگ در مقیاس جهانی تبدیل شده است. پیش بینی و مدل سازی مکانی فرونشست زمین و شناسایی مناطق مستعد فرونشست برای کاهش اثرات منفی این مشکل زیست محیطی با توجه به تشدید این پدیده در کشور ضروری می باشد. با توجه به تهدیدات و آثار مخرب فرونشست زمین بر منابع آب و خاک، لزوم مدیریت این پدیده و جلوگیری از گسترش آن امری کلیدی در توسعه پایدار کشور محسوب می شود. بررسی فرونشست برای به دست آوردن بینش، شناسایی شکاف های تحقیقاتی، بهبود روش شناسی، و اطمینان از اینکه تحقیقات جدید به پایگاه دانش موجود کمک می کند، ضروری است. بنابراین با توجه به اهمیت بالای دشت کردی شیرازی به دلیل وجود ذخیره گاه جنگلی مورکردی، تنوع زیستی و همچنین جایگاه کشاورزی در آن، و با توجه به اینکه فرونشست در این منطقه در حال گسترش می باشد شناسایی مناطق مستعد خطر فرونشست برای مقابله با این پدیده و کاهش خسارات ناشی از آن ضروری می باشد. هدف اصلی این تحقیق توسعه یک مدل مکانی برای خطر فرونشست با استفاده از مدل یادگیری ماشین GLM در منطقه مورد مطالعه می باشد. بدین منظور، در این تحقیق برای اولین بار یک مدل یادگیری ماشین برای شناسایی مناطق مستعد به خطر فرونشست زمین در دشت کردی شیرازی به کار گرفته می شود و همچنین سهم و اهمیت نسبی عوامل مختلف کنترل کننده فرونشست با استفاده از مدل یادگیری ماشین Cforest به صورت کمی تعیین خواهد شد. مواد و روش‌ها به منظور تهیه نقشه خطر فرونشست زمین در منطقه مورد مطالعه، ابتدا پایگاه داده مرتبط با عوامل کنترل کننده این پدیده و نقشه موجودی از فرونشست در منطقه از طریق بازدیدهای میدانی و جمع آوری داده های مرتبط با حضور و عدم حضور فرونشست در محیط ArcGIS تهیه گردید. بعد از شناسایی مهم ترین عوامل کنترل کننده فرونشست در نهایت، رابطه بین متغیرهای مؤثر و نقاط حضور و عدم حضور فرونشست از طریق مدل یادگیری ماشین GLM بررسی و خروجی مدل پیش بینی در پنج کلاس خطر فرونشست (مقادیر 0 تا 1) شامل خطر خیلی کم (2/0-0)، کم (4/0-2/0)، متوسط (6/0-4/0)، زیاد (8/0-6/0) و خیلی زیاد (1-8/0) طبقه بندی و به صورت نقشه خطر فرونشست ارائه گردید. در نهایت اهمیت نسبی هر یک از عوامل مؤثر و کنترل کننده این پدیده با استفاده از مدل یادگیری ماشین Cforest که یکی از بهترین مدل ها برای تعیین اهمیت متغیرهای کنترل کننده مخاطرات مختلف به ویژه فرونشست می باشد و بر اساس مقدار کارایی بیشتر و خطای کمتری که این مدل نسبت به سایر مدل ها ارائه داد از این مدل استفاده و اهمیت نسبی تعیین گردید. نتایج و بحث بر طبق نتایج ارزیابی عملکرد مدل GLM برای پیش بینی خطر فرونشست با استفاده از AUC و یا همان مساحت زیر منحنی ROC عدد 99/0 بیانگر آن است که مدل GLM دارای عملکرد عالی در شناسایی نقاط فرونشست است. مطابق نتایج این مدل 2180 و 441 هکتار از کل مساحت در کلاس های حساسیت فرونشست خیلی کم و کم قرار دارند، در حالی که 402، 447 و 1113 هکتار از کل مساحت به ترتیب در کلاس های حساسیت فرونشست متوسط، زیاد و خیلی زیاد قرار گرفتند. همچنین 3/24٪ از کل منطقه مورد مطالعه حساسیت بسیار بالایی به خطر فرونشست را دارد. قسمت های مرکزی منطقه با کاربری های کشاورزی و باغی و کاربری جنگل که در مجاورت اراضی زراعی و باغی واقع شده است و دارای آبخوان مشترک هستند دارای خطر خیلی زیاد و زیاد فرونشست اراضی است. همچنین بر طبق نتایج اهمیت نسبی متغیرهای کنترل کننده خطر فرونشست زمین، سه متغیر اصلی شامل کاربری اراضی، سطح آب زیرزمینی و افت آب زیرزمینی مهم ترین فاکتورهای کنترل کننده خطر فرونشست در منطقه مورد مطالعه هستند. نتایج این بررسی برای اولین بار نشان داد که خطر فرونشست می تواند تهدید جدی برای اراضی جنگلی به ویژه جنگل های مناطق خشک و نیمه خشک باشد. نتیجه‌گیری و پیشنهادها بر طبق نتایج، سه متغیر اصلی شامل کاربری اراضی، سطح آب زیرزمینی و افت مهم ترین فاکتورهای کنترل کننده خطر فرونشست در منطقه مورد مطالعه که بیانگر تشدید بهره برداری از آب های زیرزمینی به منظور توسعه فعالیت های زراعی و باغی در دشت کردی شیرازی می باشند. بنابراین، به منظور کاهش اثرات منفی فرونشست زمین، توصیه می شود از هرگونه فعالیتی که منجر به تشدید بهره برداری از منابع آب زیرزمینی می گردد جلوگیری شود و فعالیت های آبخیزداری از جمله پخش سیلاب در بالادست منطقه به منظور تغذیه آبخوان منطقه مورد مطالعه انجام شود. | ||
| کلیدواژه‌ها | ||
| اهمیت نسبی؛ پیش بینی؛ کردی شیرازی؛ مدل سازی مکانی؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Identification of areas prone to subsidence risk and factors affecting it in the Kerdi Shirazi Plain using GLM and Cforest models | ||
| نویسندگان [English] | ||
| Hamid Gholami1؛ Razieh seihani parashkouh2؛ Yahya Esmaeilpour3؛ Alireza Kamali4؛ maryam zare Rashkoueh5 | ||
| 1University of Hormozgan | ||
| 2Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resource, Hormozgan University, Bandar Abbas, Iran | ||
| 3Assistant Professor, Department of Natural Resources Engineering, Faculty of Agriculture & Natural Resources, University of Hormozgan | ||
| 4Alireza Kamali: M.Sc., Hormozgan Province Office of Natural Resources and Watershed Management Studies Center | ||
| 5Department of Regional Water Company of Hormozgan Province | ||
| چکیده [English] | ||
| Extended Abstract Introduction and Goal Over the past few decades, subsidence has become a major global problem. Predicting and spatial modeling of land subsidence and identifying areas prone to subsidence are essential to reduce the negative effects of this environmental problem, given the intensification of this phenomenon in the country. Given the threats and destructive effects of land subsidence on water and soil resources, the need to manage this phenomenon and prevent its spread is a key issue in the sustainable development of the country. Subsidence studies are essential to gain insight, identify research gaps, improve methodology, and ensure that new research contributes to the existing knowledge base. Therefore, given the high importance of the Kerdi Shirazi Plain due to the presence of the Mourkerdi Forest Reserve, its biodiversity, as well as its agricultural status, and given that subsidence is expanding in this region, identifying areas prone to subsidence risk is essential to combat this phenomenon and reduce the damages caused by it. The main objective of this study is to develop a spatial model for subsidence risk using GLM machine learning model in the study area. For this purpose, in this study, for the first time, a machine learning model is used to identify areas prone to land subsidence risk in the Kerdi Shirazi Plain, and Also, the contribution and relative importance of various factors controlling subsidence will be quantitatively determined using the Cforest machine model. Materials and Methods In order to prepare a land subsidence risk map in the study area, first a database related to the factors controlling this phenomenon and an inventory map of subsidence in the area were prepared through field visits and data collection related to the presence and absence of subsidence in the ArcGIS environment. After identifying the most important factors controlling subsidence, finally, the relationship between the effective variables and the points of presence and absence of subsidence was examined through the GLM machine learning model and the output of the prediction model (values 0 to 1) was classified into five subsidence risk classes including very low risk (0 - 0.2), low (0.2 - 0.4), medium (0.4 - 0.6), high (0.6 - 0.8) and very high (0.8 - 1) and presented as a subsidence risk map. Finally, the relative importance of each of the effective and controlling factors of this method is determined using one of the Cforest machine models, which is the best model for determining the parameters controlling various hazards, especially subsidence, and is based on the amount of greater efficiency and less error. This model was used and determined using relative importance compared to other models presented. Results and Discussion According to the results of evaluating the performance of the GLM model for predicting the risk of subsidence using AUC, or the area under the ROC curve, the number 0.99 indicates that the GLM model has excellent performance in identifying subsidence points. According to the results of this model, 2180 and 441 hectares of the total area are in the very low and low subsidence sensitivity classes, while 402, 447 and 1113 hectares of the total area are in the medium, high and very high subsidence sensitivity classes, respectively. Also, 24.3% of the total study area has a very high susceptibility to subsidence risk.The central parts of the region with agricultural and horticultural land uses and forest land uses that are adjacent to agricultural and horticultural lands and share a common aquifer have a very high and high risk of land subsidence. Also, according to the results of the relative importance of variables controlling land subsidence risk, three main variables including land use, groundwater level, and groundwater drawdown are the most important factors controlling subsidence risk in the study area. The results of this study showed for the first time that subsidence risk can be a serious threat to forest lands, especially forests in arid and semi-arid regions. Conclusion and Suggestions According to the results, three main variables including land use type, groundwater level and groundwater decline are the most important factors controlling the risk of subsidence in the study area, which indicates the intensification of groundwater exploitation in order to develop agricultural and horticultural activities in the study area. Therefore, in order to reduce the negative effects of land subsidence, it is recommended to prevent any activity that leads to intensification of groundwater exploitation and to carry out watershed management activities, including flood spreading, upstream in the region in order to recharge the aquifer of the study area. | ||
| کلیدواژه‌ها [English] | ||
| relative, importance, prediction, kerdi shirazi, Spatial modeling, Machine learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 67 |
||