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

کرمی, جلال; بابایی, فاطمه; محمود نیا, پویا; شریفی کیا, محمد

جستجو در:

همه

صفحات وب

کتب

نشریات

مرکز نشر آثار علمی

آمایش فضا و ژئوماتیک

دوره 28، شماره 2 - ( 1403 ) جلد 28 شماره 2 صفحات 67-36 | برگشت به فهرست نسخه ها

Mendeley

Zotero

RefWorks

Karami J, Babaee F, Mahmud Niya P, Sharifi kia M. Analysis and modeling of ground water using spatio-Temporal Data mining and deep learning in order to explanation of it with subsidence hazard. MJSP 2024; 28 (2) :36-67
URL: http://hsmsp.modares.ac.ir/article-21-76871-fa.html

کرمی جلال، بابایی فاطمه، محمود نیا پویا، شریفی کیا محمد. تحلیل و مدل‌سازی تغییرات آب‌های زیرزمینی با استفاده از الگوریتم‌های داده‌کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست. آمایش فضا و ژئوماتیک. 1403; 28 (2) :36-67

URL: http://hsmsp.modares.ac.ir/article-21-76871-fa.html

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

جلال کرمی

¹، فاطمه بابایی²

، پویا محمود نیا³

، محمد شریفی کیا⁴

1- استادیار سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران ، jl.karami@modares.ac.ir
2- کارشناسی ارشد سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران
3- کارشناسی ارشد سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران.
4- دانشیار سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران

چکیده: (382 مشاهده)

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 ۴۴ چاه پیزومتری دشت قهاوند طی دوره ۳۰ ساله (۱۳۶۷-۱۳۹۷) استفاده شده است. این مدل، الگوهای زمانی و مکانی تغییرات سطح آب زیرزمینی را در مقیاس‌های مختلف زمانی استخراج کرده و سپس مؤلفه‌های 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 R²= 0.85 برای گروه آموزشی و R²= 0.62 برای داده‌های آزمایشی توانست روندهای سطح آب زیرزمینی را مدل‌سازی کند. همچنین، داده‌های راداری ماهواره Sentinel-1 بین سال‌های ۲۰۱۴ تا ۲۰۱۹ 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.

واژه‌های کلیدی: داده‌کاوی زمانی-مکانی، مدل‌سازی آب‌های زیرزمینی، فرونشست، یادگیری عمیق، دشت قهاوند

متن کامل [PDF 3562 kb] (259 دریافت)

نوع مقاله: پژوهشی اصیل | موضوع مقاله: برنامه ریزی زیست محیطی و توسعه پایدار
دریافت: 1403/6/14 | پذیرش: 1403/7/14 | انتشار: 1403/4/10

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.