عنوان

مدل سازی فرونشست زمین با استفاده از ANFIS مطالعه موردی: دشت سلماس

پ۲۶۱۹۵

per

مدل سازی فرونشست زمین با استفاده از ANFIS مطالعه موردی: دشت سلماس

روح الله محمد زاده

برنامه ریزی و علوم محیطی

۱۴۰۰

۱۱۴ص.

سی دی

کارشناسی ارشد

سنجش از دور و سیستم اطلاعات جغرافیاییGIS گرايش سنجش از دور

۱۴۰۰/۰۶/۲۸

دشت سلماس از دشت های مهم استان اذربایجان غربی است که از لحاظ کشاورزی و توسعه آن جزء مهم‌ترین دشت ها می‌باشد. در چند دهه گذشته بحران پدیده فرونشست بر اثر برداشت بیش از حد از آبخوان‌ها گریبانگیر این دشت شده است. اطلاعات آماری ثبتی، از چاه‌های پیزومتری در بازه 41 ساله از سال 1353 تا 1394 روند کاهشی سطح ایستابی بیش از 18 متر را نشان می‌دهد که بطور متوسط طی 25 سال گذشته سالانه 44 سانتی‌متر کاهش ایستابی در دشت اتفاق افتاده است که این رقم از سال آبی 1394 به عدد 1.23 متر افزایش داشته است. بنابراین شناسایی مناطق مستعد فرونشست در محدوده دشت سلماس از اهمیت ویژه ای در مدیریت و کنترل این پدیده خواهد داشت. امروزه روش‌های مختلفی برای بررسی میزان فرونشست وجود دارد اما در این تحقیق از مدل سیستم استنتاج عصبی فازی برای پیش‌بینی مناطق مستعد فرونشست استفاده شده است. برای نیل به این هدف از هفت عامل مهم در فرونشست منطقه شامل شیب زمین، مدل رقومی ارتفاع، پوشش گیاهی، ایستابی یا عمق آّب زیرزمینی، فاصله از جاده، فاصله از رودخانه و فاصله از چاه‌های پیزومتری استفاده شده است. اطلاعات فاکتورهای فوق در نرم‌افزار ArcGis جمع‌آوری شده و برای پیاده سازی مدل به نرم‌افزار متلب منتقل شدند. قبل از انجام هرگونه عملیات داده‌ها نرمال سازی و بین صفر و یک قرار گرفتند. با استفاده از روش C-flodCV داده‌ها به سه گروه 70 درصد به عنوان داده آموزشی، 20 درصد داده تست و 10 درصد داده اعتبار سنجی به صورت تصادفی تقسیم شدند و داده‌ها برای آموزش ، تست و اعتبارسنجی به متلب معرفی شدند. داده‌ها با دقت 〖10〗^(-8) آموزش و اعتبار سنجی شدند. داده‌ها در پنج تابع عضویت مختلف شامل توابع عضویت ذوزنقه‌ای، مثلثی، گوسی، گوسی دو طرفه و تابع زنگوله ای مدل سازی شدند. نتایج نشان داد که تابع عضویت ذوزنقه‌ای با ضریب همبستگی رگرسیون 0.86 ،و تابع عضویت مثلثی با ضریب همبستگی رگرسیون 0.81 بهترین عملکرد را در شناسایی مناطق مستعد فرونشست داشته اند. با توجه به نتایج مناطق شرقی و خروجی دشت با افت زیاد ایستابی و پدیده فرونشست مواجه شده‌اند. همچنین بررسی‌های آماری نشان داد که منطقه از دیرباز تا کنون سالانه 44 سانتی‌متر و در کل بیش از 18 متر افت ایستابی داشته است که این افت در چند سال گذشته سالانه 1.23 متر گزارش شده است. در دو دهه گذشته نیز بر اثر استخراج بیش از حد آب‌های زیرزمینی در بخش کشاورزی، و ضریب ذخیره یا تغذیه 0.03 درصدی و شرایط اقلیمی این بحران را تشدید کرده است.

Salmas plain is one of the most important plains in West Azerbaijan province, which is one of the most important plains in terms of agriculture and development. In the last few decades, the crisis of subsidence phenomenon due to over-harvesting of aquifers has plagued this plain. Recorded statistical data from piezometric wells in the period of 41 years from 1353 to 1394 show a decreasing trend of water table more than 18 meters, which on average during the last 25 years has decreased 44 cm per year in the plain. 1394 has increased to 1.23 meters. Therefore, identifying areas prone to subsidence in the Salmas plain will be of particular importance in the management and control of this phenomenon.Today, there are various methods to study the amount of subsidence, but in this study, the fuzzy neural inference system model has been used to predict areas prone to subsidence.‌To achieve this goal, seven important factors in subsidence of the region including land slope, digital elevation model, vegetation, water table or groundwater depth, distance from the road, distance from the river and distance from piezometric wells have been used. The information of the above factors was collected in ArcGis software and transferred to MATLAB software to implement the model.Before performing any operation, the data were normalized and placed between zero and one. Using C-flodCV method, the data were randomly divided into three groups: 70% as training data, 20% as test data and 10% as validation data, and the data were introduced to MATLAB for training, testing and validation. Data were trained and validated with 10% accuracy (-8). The data were also modeled in five different membership functions including trapezoidal, triangular, Gaussian, two-sided Gaussian, and bell function functions The‌ results showed that the trapezoidal membership function with a regression correlation coefficient of 0.86, and the triangular membership function with a regression correlation coefficient of 0.81 had the best performance in identifying subsidence-prone areas.According to the results of the eastern regions and the outlet of the plain, they have faced a large drop in water table and subsidence phenomenon. Statistical studies also showed that the region has had an annual water drop of 44 cm and a total of more than 18 meters for a long time, which has been reported to be 1.23 meters per year in the past few years.In the last two decades, the crisis has been exacerbated by over-extraction of groundwater in the agricultural sector, and a storage or feeding ratio of 0.03%, and climatic conditions

Submitted in partial fulfillment of the reguirements for M.‌Sc degree in remote sensing and geographic information system

‏محمد زاده،

‏‏روح الله

تهيه کننده

‏بیاتی خطیبی،

‏کریم زاده،

‏‏مریم

صدرا

استاد راهنما

استاد راهنما

‏ تبریز