کرمی, جلال, بابایی, فاطمه, محمود نیا, پویا, شریفی کیا, محمد (2024). تحلیل و مدل‌سازی تغییرات آب‌های زیرزمینی با استفاده از الگوریتم‌های داده‌کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست. , 28(2), 36-67.
جلال کرمی; فاطمه بابایی; پویا محمود نیا; محمد شریفی کیا. "تحلیل و مدل‌سازی تغییرات آب‌های زیرزمینی با استفاده از الگوریتم‌های داده‌کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست". , 28, 2, 2024, 36-67.
کرمی, جلال, بابایی, فاطمه, محمود نیا, پویا, شریفی کیا, محمد (2024). 'تحلیل و مدل‌سازی تغییرات آب‌های زیرزمینی با استفاده از الگوریتم‌های داده‌کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست', , 28(2), pp. 36-67.
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. , 2024; 28(2): 36-67.

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
Article 2, Volume 28, Issue 2, 1403, Pages 36-67    PDF (3.48 M)
Document Type: پژوهشی اصیل
Authors
جلال کرمی* 1; فاطمه بابایی2; پویا محمود نیا3; محمد شریفی کیا4
1استادیار سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران
2کارشناسی ارشد سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران
3کارشناسی ارشد سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران.
4دانشیار سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران، ایران
Abstract
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.

Keywords
داده‌کاوی زمانی-مکانی; مدل‌سازی آب‌های زیرزمینی; فرونشست; یادگیری عمیق; دشت قهاوند
References
Statistics
Article View: 338
PDF Download: 154
Statistics
Number of Journals45
Number of Issues2,171
Number of Articles24,674
Article View24,431,358
PDF Download17,549,909