مدل سازی مکانی حساسیت فرونشست زمین با استفاده از روش داده کاوی مدل جمعی تعمیم یافته

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار بخش مهندسی منابع طبیعی و محیط زیست، دانشکده ی کشاورزی، دانشگاه شیراز، شیراز، ایران

2 استاد تمام بازنشسته دانشکده ی منابع طبیعی دانشگاه تهران

چکیده

فرونشست یکی از مخاطرات زمین‌ریختی است که در سال‌های اخیر بیش‌تر اقلیم‌های خشک و نیمه‌خشک را فرا گرفته‌است. هدف اصلی این پژوهش مدل‌سازی مکانی و ارزیابی حساسیت فرونشست زمین با استفاده از روش داده‌کاوی مدل جمعی تعمیم‌یافته در دشت جیرفت، استان کرمان است. فرونشست‌های اتفاق­افتاده در منطقه با بازدید‌های میدانی گسترده شناسایی، و نقشه‌ی پراکنش آن‌ها تهیه شد. برای بررسی ارتباط میان فرونشست­ها و عوامل مؤثر درصد شیب، جهت شیب، ارتفاع، سنگ‌شناسی، فاصله از آ‌‌ب‌راه، تراز آب‌های زیرزمینی، کاربری زمین، انحنای سطح، شاخص رطوبت، پستی‌وبلندی، و فاصله از گسل، از نظریه‌ی تابع اطمینان شهودی استفاده، و وزن طبقه‌های هر عامل مشخص شد. نتایج ارتباط میان فرونشست­ها و عوامل مؤثر نشان داد که بیش‌تر فرونشست‌های منطقه در شیب‌های (2–0 درصد)، جهت­های شیب مسطح و هموار، فاصله‌ی کم از آب‌راه (کم‌تر از50 متر)، فاصله‌ی زیاد از گسل (بیش‌تر از 4000 متر)، در سازند‌های گروه سوم (گنبدهای ریولیتی و ریوداسیتی و توف سبز تیره)، در زمین‌های بیشه‌زار و درختچه‌زار‌ها، دامنه­های‌ محدب با رطوبت پستی‌وبلندی زیاد (بیش‌تراز 12) و افزایش افت سطح آب زیرزمینی رخ داده‌است. نقشه‌ی پهنه‌بندی حساسیت فرونشست زمین بااستفاده از مدل جمعی تعمیم‌یافته در نرم‌افزار آماری آر برای منطقه تهیه شد. نتایج ارزیابی مدل جمعی تعمیم‌یافته با استفاده از 30 % نقاط استفاده‌نشده در فرایند مدل‌سازی، و منحنی تشخیص عمل‌کرد نسبی نشان داد که دقت نقشه­‌ی حساسیت فرونشست زمینِ تهیه‌شده با استفاده از مدل عمومی تجمیع یافته خیلی‌زیاد (81/20 %) است. بنابراین، این نقشه می­تواند کمک مؤثری به مدیریت بهینه‌ی منابع آب و جلوگیری از بروز مجدد این پدیده در منطقه کند. نتایج رتبه‌بندی عوامل مؤثر به‌دست‌آمده از مدل جمعی تعمیم‌یافته  نشان داد که عوامل طبقات ارتفاعی، تغییرات کاربری زمین و جهت شیب، به­ترتیب در رتبه‌های بیش‌تر بودند.

کلیدواژه‌ها


عنوان مقاله [English]

Land-Subsidence Spatial Modeling Using Generalized Additive Model Data Mining Technique

نویسندگان [English]

  • Hamid Reza Pourghasemi 1
  • Mohsen Mohseni Saravi 2
1 Department of Natural Resources and Environmental Engineering, College of Agriculture, Shiraz University, Shiraz, Iran
2 Retired Professor, College of Natural Resources, Tehran University
چکیده [English]

Land-subsidence phenomenon is one of the geomorphologic hazards known in arid and semi-arid areas in recent years. The main objective of the present study is to provide a land-subsidence spatial modeling and its assessment using the generalized additive model data mining technique in Jiroft Plain, Kerman Province. Land-subsidence inventory map was prepared for the study area using extensive field surveys. Evidential Belief Function was used to investigate relationships between land-subsidence and 10 effective factors including slope percentage, aspect, elevation, lithological units, distance from river, piezometric wells data, land use, plan curvature, topographic wetness index, and distance from fault, and the weight of each factor class was determined.  Results of the relationships between land-subsidence and effective factors indicated that most of the subsidences of the region are occurred in low slopes (0-2%), flat and smooth aspects, small distance from a river (>50m), large  distance from a fault (>4000 m), also in the third group lithological units (rhythetic dyke and rhyodity and dark green tuff), shrubbery land use type, convex slopes with high topographic wetness index (>12), and receding in groundwater level. A land-subsidence susceptibility zonation map was created using the GAM in statistical R statistical software for the study area. Results of validation of generalized additive model evaluation using 30% of unused points in the modeling process, and the receiver operating characteristic (ROC) showed that the land-subsidence susceptibility map prepared by Generalized Additive Model had a high accuracy (81.20%). Therefore, the map might be helpful for optimizing management of water resources and preventing the re-occurrence of this phenomenon in the area. Results of ranking effective factors from the generalized additive model showed that elevation, land use, and aspect were in the highest orders in land-subsidence occurrences.

کلیدواژه‌ها [English]

  • Evidential Belief Function
  • Generalized Additive Model
  • Jiroft Plain
  • Land-subsidence
  • Spatial modeling
Shafer GA. 1976. Mathematical theory of evidence. Princeton University Press, Princeton, N.J.

Sharifikia M. 2012. Determination of the magnitude and extent of ground subsidence by the radar interferometry (D-InSAR) method in the Nough-Bahraman plain. Planning and Approach Space. 3: 56–77. (In Persian).

Shrestha PK. Shakya NM. Pandey VP. Birkinshaw SJ. Shrestha S. 2017. Model-based estimation of land subsidence in Kathmandu Valley, Nepal. Geomatics, Natural Hazards and Risk. 8 (2): 974-996 http://dx.doi.org/10.1080/19475705.2017.1289985.

Toll DG. 1996. Artificial intelligence applications in geotechnical engineering. Electronic Journal of Geotechnical Engineering. 27 pp.

Waltham AC. 1989. Ground subsidence. Blackie & Son Limites.

Wang GY. You G. Shi B. Yu J. Li HY. Zong KH. 2008. Long-term land subsidence and strata compression in Changzhou, china. Engineering Geology. 104 (1-2): 109-118.

Yilmaz I. 2007. GIS based susceptibility mapping of karst depressions in gypsum: a case study from Sivas basin (Turkey). Engineering Geology. 90: 89–103.

Yin J. Yu D. Wilby R. 2016. Modelling the impact of land subsidence on urban pluvial flooding; a case study of downtown Shanghai, China. Science of the Total Environment. 544: 744–753.

Youssef AM. Pourghasemi HR. Pourtaghi Z. Al-Katheeri MM. 2016. Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir region, Saudi Arabia. Landslides. 13: 839–856.