علیرضا عرب عامری؛ مجتبی رفیعی؛ خلیل رضایی؛ کورش شیرانی؛ محمدی ثابت نسرین
چکیده
شناسایی مناطق در معرض فرونشست و برآورد نرخ آن نقش مهمی در مدیریت کنترل این پدیده دارد. تکنیک تداخل‌سنجی تفاضلی راداری با دقت بالا از مناسب‌ترین روش‌های شناسایی و اندازه‌گیری میزان فرونشست می‌باشد. در این پژوهش، به‌منظور شناسایی و اندازه‌گیری فرونشست در دشت مهیار از تکنیک تداخل‌سنجی تفاضلی راداری در بازه زمانی ...
بیشتر
شناسایی مناطق در معرض فرونشست و برآورد نرخ آن نقش مهمی در مدیریت کنترل این پدیده دارد. تکنیک تداخل‌سنجی تفاضلی راداری با دقت بالا از مناسب‌ترین روش‌های شناسایی و اندازه‌گیری میزان فرونشست می‌باشد. در این پژوهش، به‌منظور شناسایی و اندازه‌گیری فرونشست در دشت مهیار از تکنیک تداخل‌سنجی تفاضلی راداری در بازه زمانی 2004 تا 2010 استفاده شده است. بدینمنظور تعداد هشت زوج تصویر سری زمانی از سنجنده ASAR در نوار C راداری، در عبور صعودی بهکار گرفته شد. روش مورد استفاده در این پژوهش مبتنی بر روش آزمایشگاهی-پیمایشی است. به‌منظور صحتسنجی روش از دادههای پیمایشی، نقشههای کاربری اراضی، زمینشناسی و اطلاعات چاههای مشاهدهای در منطقه استفاده شد. طبق نتایج بیشینه نرخ متوسط فرونشست سالانه در منطقه حدود 6.4 سانتیمتر در سال برآورد شده است. نتایج نشان داد که بیشترین میزان فرونشست در مناطق تحت کشت و در نتیجه استحصال بیش از حد آب و فرونشست سطح سفره آبهای زیرزمینی رخ داده است. رابطه بین فرونشست و مقدار تغییرات سطح چاه پیزومتری نشان داد که به ازای هر دو سانتیمتر افت سطح چاه پیزومتری، دشت دچار 0.384 سانتیمتر فرونشست خواهد شد.
علیرضا عرب‌عامری؛ خلیل رضایی؛ محمدحسین رامشت؛ کورش شیرانی
چکیده
تهیه نقشه حساسیت زمین به لغزش و ارزیابی خطر آن از مهمترین مراحل در تهیه نقشه ریسک زمین لغزش می‌باشد. در این پژوهش به تهیه نقشه حساسیت وقوع زمین لغزش در پادنای علیای سمیرم که یک منطقه حساس به زمین لغزش است، با استفاده از روش شبکه عصبی پرداخته شده است. بدین منظور، در اولین گام ۲۳ عامل موثر در لغزش در منطقه شناسایی شده، همچنین، به کمک تفسیر ...
بیشتر
تهیه نقشه حساسیت زمین به لغزش و ارزیابی خطر آن از مهمترین مراحل در تهیه نقشه ریسک زمین لغزش می‌باشد. در این پژوهش به تهیه نقشه حساسیت وقوع زمین لغزش در پادنای علیای سمیرم که یک منطقه حساس به زمین لغزش است، با استفاده از روش شبکه عصبی پرداخته شده است. بدین منظور، در اولین گام ۲۳ عامل موثر در لغزش در منطقه شناسایی شده، همچنین، به کمک تفسیر عکس‌های هوایی و پیمایش‌های میدانی موقعیت لغزشها مشخص شد. در گام بعد با کمک نظرات کارشناسی (AHP) به غربالگری پارامترها پرداخته، در نهایت ۱۴ پارامتر برای اجرای مدل انتخاب شد. از ۱۰۳ لغزش شناسایی شده در منطقه ۷۰ درصد (۷۲ زمین لغزش) به‌صورت تصادفی به‌منظور آموزش شبکه و ۳۰ درصد (۳۱ زمین لغزش) به‌منظور اعتبارسنجی مورد استفاده قرار گرفت. از شبکه عصبی پرسپترون چند لایه (multilayer perceptron) با الگوریتم یادگیری پس انتشار خطا استفاده شد و تابع سیگموئید (sigmoid function) به‌عنوان تابع فعال‌سازی انتخاب شد. به‌منظور انتخاب بهترین آرایش شبکه از شاخصهای میانگین مربعات خطا (MSE)، جذر میانگین مجذور خطا (RMSE)، بیشینه خطای مطلق (MAE) و ضریب همبستگی (R2) استفاده کرده، بهترین ساختار شبکه برای پهنه‌بندی حساسیت به زمین لغزش ۱-۴-۱۴ انتخاب شد. قبل از ورود لایههای اطلاعاتی به شبکه با استفاده از روش نسبت فراوانی (FR) وزن هر یک از طبقات لایههای اطلاعاتی محاسبه شده، بر اساس آن لایهها وزن‌دهی شدند. منحنی ROC و مساحت زیر منحنی (AUC) برای نقشه پهنه‌بندی ترسیم و از AUC برای صحتسنجی استفاده شد. نتایج اعتبارسنجی نشان داد که مساحت زیر منحنی برای مدل 0.938 (93.8 درصد) است که در گروه دقت پیشبینی عالی قرار می‌گیرد. طبق نتایج 29.61 کیلومتر مربع (93.25 درصد) از مساحت لغزشها در رده‌های خطر زیاد و خیلی زیاد قرار گرفته است.
