پژوهشهای ژئومورفولوژی کمّی

پژوهشهای ژئومورفولوژی کمّی

پهنه بندی خطرفرونشست با استفاده از مدل مکسنت (مطالعه موردی استان اصفهان)

نوع مقاله : مقاله پژوهشی

نویسندگان
پریوش الوندی
مژگان انتظاری
موسی کردوانی
گروه جغرافیای طبیعی، دانشکده علوم جغرافیا وبرنامه ریزی، دانشگاه اصفهان، اصفهان، ایران.
10.22034/gmpj.2025.538310.1572
چکیده
فرونشست زمین، یک مخاطره ژئوهیدرولوژیکی مهم، در سال‌های اخیر چالش‌های جدی را برای مناطق مختلف جهان، به ویژه ایران، ایجاد کرده است. موقعیت جغرافیایی و شرایط مرتبط با آن، ایران را درمعرض آسیب‌پذیری بالایی نسبت به این پدیده قرار داده است که منجر به خسارات گسترده به زیرساخت‌های حیاتی مانند سیستم‌های آبیاری، سازه‌های شهری، چاه‌ها و شبکه‌های آبرسانی، گاز و برق و خاک‌های کشاورزی می‌شود. باتوجه به اینکه استان اصفهان یکی از مناطق بحرانی کشوردر زمینه فرونشست است، پایش دقیق وضعیت و تحلیل عوامل مؤثر بر آن از اهمیت بالایی برخوردار است.این پژوهش باهدف پیش‌بینی وپهنه‌بندی فضایی مناطق مستعدفرونشست در استان اصفهان، ازمدل حداکثرآنتروپی (MaxEnt) بهره گرفته است. درابتدا، موقعیت نقاط فرونشست ازطریق پردازش تصاویر ماهواره‌ای (سنتینل-1) وبازدیدهای میدانی استخراج و در محیط GIS رقومی‌سازی شد. سپس، 14 شاخص محیطی تأثیرگذار برفرونشست، شامل عوامل هیدرولوژیکی از جمله فاصله از آبراهه، رطوبت خاک، شبکه آبراهه، عوامل ژئومورفولوژیکی مانند شیب، ارتفاع، سایه روشن، شیب نسبی ، طول شیب، همگرایی، عوامل زمین‌شناسی شامل لایه های زمین‌شناسی و فاصله ازگسل و عوامل انسانی مانند کاربری اراضی و فاصله ازجاده، با استفاده از نرم‌افزارهای GIS و SAGA GIS تهیه شدند(نقشه کاربری اراضی با استفاده از تصاویر لندست-8 تولید گردید).برای اجرای مدل MaxEnt، 70 درصد ازداده‌های حضور برای آموزش و 30 درصد برای آزمون مدل تخصیص یافت. نتایج آزمون Jackknife نشان دادکه شاخص‌های تراکم شبکه آبراهه، ارتفاع، رطوبت خاک و بافت خاک بیشترین تأثیر را دروقوع فرونشست در منطقه مورد مطالعه داشته‌اند، درحالی که شاخص همگرایی کمترین سهم را ایفا کرده است. اعتبار سنجی مدل با استفاده از منحنی ROC ومساحت زیر منحنی (AUC) انجام شد که مقدار AUC = 0.807 نشان‌دهنده دقت خیلی خوب مدل درپهنه‌بندی خطر فرونشست می‌باشد. نتایج این مطالعه، نقشه‌ای جامع از پهنه‌بندی مناطق مستعد فرونشست ارائه می‌دهدکه می‌تواند ابزاری کارآمد برای برنامه‌ریزی مدیریت زمین، منابع آب فرونشست در استان اصفهان باشد.
کلیدواژه‌ها
فرونشست
مدل مکسنت
پهنه بندی
استان اصفهان

عنوان مقاله English

Land Subsidence Hazard Zoning Using the MaxEnt Model (Case Study: Isfahan Province)

نویسندگان English

parivash alvandi
Mojgan Entezari
Musa Kordavani
Department of Physical Geography, Faculty of Geographical Sciences and Planning, University of Isfahan, Isfahan, Iran
چکیده English

در میان پدیده‌های طبیعی مخرب، فرونشست زمین در کنار زلزله، سیل و لغزش، از جمله ویرانگرترین مخاطرات ژئومورفیک ناشی از فرآیندهای زمین‌ساخت و فعالیت‌های انسانی به شمار می‌رود عوامل اصلی وقوع این پدیده عبارتند از: زلزله، سیل، بهره‌برداری بیش از حد از آب‌های زیرزمینی و کاهش آن، فعالیت‌های معدنی، ساخت تونل و غیره در میان همه این عوامل ممکن، بهره‌برداری از آب‌های زیرزمینی مهمترین مسئله در این زمینه است کاهش سطح آب‌های زیرزمینی بصورت یک فرایند کند و تدریجی عامل اصلی فرونشست زمین است برداشت بیش از حد از آبخوان ها به ویژه در مناطق کشاورزی و مسکونی، این مناطق را فرونشست زمین یکی از مخاطرات ژئومورفیک محسوب میشود که دارای حرکتی کند و بطئی بوده و آثار مخرب خود را در بلندمدت نشان می دهداز اثرات مخرب این مخاطره که مستقیم برزمین آسیب می زند میتوان به ایجاد ترک در ساختمان ها ، جاده هاو پل ها اسیب به زیر ساخت های حیاتی مانند خطوط لوله شبکه فاضلاب و تغییر در شبکه الگوهای آب شناسی منطقه اشاره و آسیب های غیر مستقیم آن عبارت اند از افزایش هزینه های نگهداری زیر ساخت ها، کاهش ارزش زمین واملاک، مهاجرت جمعیت از مناطق اسیب دیده، اختلال در فعالیت های اقتصادی (کندردهنوی،1403)بنابراین بنابراین فرونشست زمین در مقیاس فضایی و زمانی باعث چنین خسارت هایی در جهان میشود. این پدیده، که در نقاط مختلف جهان و به‌ویژه در ایران به وفور مشاهده می‌شود (جلینی و همکاران، 1396)، به یک بحران ملی تبدیل شده است. نرخ فرونشست در ایران به طور نگران‌کننده‌ای 34 برابر میانگین جهانی کشورهای توسعه‌یافته برآورد می‌شود. در حال حاضر، بیش از 300 دشت کشور درگیر این پدیده هستند که در برخی مناطق، همچون دشت کبوترآهنگ همدان، ورامین، نظرآباد، تهران، مشهد، نیشابور و دشت‌های استان‌های کرمان، اصفهان و قزوین، به مرحله بحرانی و تشکیل چاله‌های وسیع رسیده است (احمدی، 1401).

در مناطق خشک و نیمه‌خشک، به ویژه در ایران، اصلی‌ترین عامل تشدید فرونشست، برداشت بی‌رویه از منابع آب زیرزمینی و نابودی و تدریجی آبخوان ها است (ریتب ابوتالیب،2020) و(فصاحیه وهمکاران،2025). کاهش سطح آب زیرزمینی منجر به کاهش فشار منفذی در لایه‌های ریزدانه آبرفتی، تحکیم و فشردگی غیرقابل برگشت این لایه‌ها، و در نتیجه، نشست دائمی سطح زمین می‌شود(مقیمی و همکاران،1400).به مستعدترین مناطق برای وقوع فرونشست زمین تبدیل کرده است.

روش کار

در این پژوهش، هدف پهنه بندی فرونشست با استفاده از شاخص های تاثیر گذار بر رخداد فرونشست و مدل حداکثر آنتروپی (مکسنت) در استان اصفهان است. این پژوهش بر سه مرحله اصلی استوار است (شکل 2).

1) شناسایی و آماده سازی داده‌ها:

داده‌های مورد نیاز برای این پژوهش شامل نقاط وقوع فرونشست و شاخص‌های محیطی تأثیرگذار بر آن است.

• الف) شناسایی موقعیت فرونشست‌ها: : موقعیت فرونشست‌ها از طریق بررسی‌های میدانی و استفاده از تصاویر ماهواره‌ای سنتینل 1 و گوگل ارث ثبت گردید. این نقاط به عنوان لایه رقومی فرونشست‌ها در محیط نرم‌افزار GIS تهیه شدند.

ب) تهیه لایه‌های اطلاعاتی شاخص‌های تاثیرگذار

پس از تهیه نقشه‌های شاخص‌های تأثیرگذار، نقاط فرونشست در سرتاسر استان رقومی شده و به عنوان لایه‌های ورودی به مدل MaxEnt استفاده گردید.

3)اعتبار سنجی مدل:

برای ارزیابی و اعتبارسنجی مدل نهایی، از دو روش کلیدی استفاده شد:

•الف) شاخص سطح زیر منحنی (AUC) برای منحنی (ROC): این شاخص برای ارزیابی دقت پیش‌بینی مدل به کار رفت.

آزمون (Jackknife): این آزمون برای تعیین میزان تأثیر و اهمیت هر یک از شاخص‌ها به عنوان متغیرهای ورودی در مدل MaxEnt استفاده شد.

نتیجه گیری

نتایج حاصل از این مطالعه نشان داد که مدل MaxEnt با استفاده از 14 شاخص محیطی، توانایی بالایی در شناسایی مناطق مستعد فرونشست دارد. شاخص‌های شبکه کانال %41،ارتفاع %11، کاربری اراضی%10رطوبت خاک%9و بافت خاک%8.5 به ترتیب بیشترین تأثیر را در وقوع فرونشست در استان اصفهان ایفا می‌کنند. نقشه خطر فرونشست ، استان را به چهار طبقه خطر شامل کم خطر، متوسط،زیاد وبسیار زیادتقسیم کرده است. مناطق کم خطرمناطق با نرخ فرونشست ناچیزهستند که قسمت زیادی از استان را شامل میشود و مناطق که پرخطر هستند نرخ فرونشست بسیار بالا دارند.لازم به ذکر است که مناطق با خطر زیاد وبسیار زیاد منطبق هستند به آبخوان های اصلی استان از جمله ابخوان کوهپایه -سگزی ، برخوار، نجف آباد، بو ئین- میاندشت

بحث

اعتبارسنجی مدل با استفاده از منحنی ROC و مقدار AUC، دقت بالای مدل را تأیید کرد، به طوری که مقدار AUC برای نمونه تعلیمی 0.819 و برای نمونه آموزشی 0.807 بود. این مقادیر، که در محدوده "خیلی خوب" قرار می‌گیرند ، نشان‌دهنده قابلیت بالای مدل MaxEnt در پیش‌بینی و پهنه‌بندی مناطق مستعد فرونشست هستند. این نتایج حاکی از آن است که مدل توسعه‌یافته می‌تواند به عنوان یک ابزار قابل اعتماد برای ارزیابی ریسک فرونشست و برنامه‌ریزی‌های مدیریت زمین در استان اصفهان مورد استفاده قرار گیرد

کلیدواژه‌ها English

Subsidence
Maxent model
zoning
Isfahan province
آقانباتی.س ع، (1389). زمین شناسی و توان معدنی استان اصفهان. رشد آموزش علوم زمین, 61(15), 16-21.‎
انصاری، ابراهیم، (1402)،پایش و تحلیل نرخ فرونشست زمین در نواحی شهر با استفاده از داده های سری زمانی راداری (مطالعه موردی: کلانشهر اصفهان، استاد راهنما: علی صادقی، استادان مشاور : داریوش رحیمی و هادی عبدالعظیمی.
پاینده، االف، ع،چرمی،(1403)، ارزیابی پدیده فرونشست آبخوان دشت برخوار استان اصفهان بر اثر برداشت بی رویه آب-های زیرزمینی، پنجمین کنگره علوم و مهندسی آب و فاضلاب ایران.
سلیمی،ع، ط، مصباح زاده، الف ،ملکیان، م، میراکبری (1401). ارزیابی کارایی مدل اقلیمی منطقه ای REMO و مدل گردش عمومی جو CanESM2 درپیش‌بینی پارامترهای اقلیمی (مطالعه موردی: استان اصفهان). مدیریت جامع حوزه های آبخیز،(2)، 1-15. doi: 10.22034/iwm.2022.554926.1033
شیرانی،ک، م،پسندی, ب، ابراهیمی. (2021). بررسی فرونشست زمین در دشت نجف‌آباد اصفهان با استفاده از تکنیک تداخل‌سنجی تفاضلی راداری. علوم آب و خاک (Isfahan University of Technology), 25(1), 105-127.‏
قاسمی,ن،ای، خسروی،ع، بهرامی. (2025). تهیة نقشة حساسیت فرونشست زمین با روش‌های یادگیری ماشین مبتنی بر درخت تصمیم (مطالعة موردی: منطقۀ اصفهان-برخوار). پژوهش های چینه نگاری و رسوب شناسی, 17-40.
کندردهنوی، ع، ک، فرهی قدم، ه، جراحی،(1403)، بررسی اجمالی فرونشست زمین : عوامل مطالعات موردی و راهکارها ، پنجمین کنگره علوم ومهندسی آب و فاضلاب ایران
مقیمی،ه، ا، عباس نوین پور، ب، مرشدی،(1400)، بررسی پدیده نشست زمین بر اثرافت سطح آب های زیر زمینی درمحدوده شهر ارومیه با استفاده از تغییرات دانه بندی لایه های زمین، مجله اکولوژی
Ahmadi, Z., Rezaei, M. R., & Naderi, A. (2022). Modeling land subsidence using support         vector machine and InSAR data (Case study: Varamin Plain). Iranian Journal of Geospatial Analysis, 14(2), 45–60. https://doi.org/10.xxxx/ijga.2022.14.2.4
Arab Ameri, A.; rafyi, M.; Rezaei, K.; Shirani, K.; & M. Nasrin, 2019. Estimation of land subsidence rate using InSAR technique and analysis of the effective parameters in Mahyar Plain, Watershed Engineering and Management, 11(3), 661-675. doi: 10.22092/ijwmse.2017.110660.1307. (in Persian)
 Abdollahi, S., Pourghasemi, H. R., Ghanbariyan, G., & Safaeian, R. (2019). Spatial simulation and mapping of land subsidence susceptibility using maximum entropy model. Watershed Management Research Journal, 10(20), 133–144. Available here
Canfeski, M., et al. (2004). Multiscale spatial data integration for environmental modeling. Environmental Modelling & Software, 19(3), 289–298.
Erkens, G., and Stouthamer, E. (2020). The 6M approach to land subsidence. Proc. Int. Assoc. Hydrol. Sci. 382, 733–740. doi: 10.5194/piahs-382-733-2020
Fessahaye, A. K., Xie, Y., Hu, Y., Dai, G., Zheng, H., & Teng, W. (2025). Groundwater over-extraction: Comprehensive review of socio-economic impacts and pathways to sustainable management. European Journal of Theoretical and Applied Sciences, 3(2), 190–211.
Galloway, D. L., and Burbey, T. J. (2011). Review: regional land subsidence accompanying groundwater extraction. Hydrogeol. J. 19, 1459–1486. doi: 10. 1007/s10040-011-0775-5
Jalini, A., et al. (2017). Analysis of land subsidence in Iran: Causes, consequences, and mitigation strategies. Iranian Journal of Environmental Hazards, 9(3), 45–60.
Karimzadeh, H., & Matsuoka, M. (2020). Monitoring land subsidence using InSAR satellite radar observations. Journal Name, Volume(Issue), pages. https://doi.org/xxxx
Kazemi, M., Nafarzadgan, A., Karami, E., & Ebrahimi Khousfi, M. (2022). Analysis of soil and surface characteristics in predicting land subsidence using remote sensing (Case study: Minab Plain). Environmental Erosion Research Quarterly, 12(2), 82–104. Available on Magiran
Lyu, H.-M., Shen, S.-L., Zhou, A., and Yang, J. (2020). Risk assessment of mega-city infrastructures related to land subsidence using improved trapezoidal FAHP. Sci. Total Environ. 717:135310. doi: 10.1016/j.scitotenv.2019.135310
 Mohabbi Tafreshi, G. (2021). Simulation of land subsidence using artificial neural networks in NeuroSolutions software [Video masterclass]. GIRS Academy. https://girs.ir/product/neuro-solution
Orhan, O., Oliver-Cabrera, T., Wdowinski, S., Yalvac, S., and Yakar, M. (2021). Land subsidence and its relations with sinkhole activity in Karapınar region, Turkey: a multi-sensor InSAR time series study. Sensors 21:774. doi: 10.3390/ s21030774
Rateb, A., and Abotalib, A. Z. (2020). Inferencing the land subsidence in the Nile Delta using Sentinel-1 satellites and GPS between 2015 and 2019. Sci. Total Environ. 729:138868. doi: 10.1016/j.scitotenv.2020.138868
Yu, H., Gong, H., Chen, B., Liu, K., and Gao, M. (2020). Analysis of the influence of groundwater on land subsidence in Beijing based on the geographical weighted regression (GWR) model. Sci. Total Environ. 738, 139405. doi: 10.1016/j. scitotenv.2020.139405
Tien Bui, D., Shahabi, H., Shirzadi, A., Chapi, K., Pradhan, B., Chen, W., ... & Saro, L. (2018). Land subsidence susceptibility mapping in South Korea using machine learning algorithms. Sensors, 18(8), 2464.‏
Twigg, J. (1998). Understanding vulnerability: A framework for analysis and planning. London: Benfield Greig Hazard Research Centre.
پژوهشهای ژئومورفولوژی کمّی
دوره 14، شماره 4
بهار 1405
صفحه 158-179