Modeling Land Subsidence Susceptibility using a Statistical Learning Model (Case Study: Shabestar Plain)
General Material Designation
Dissertation
First Statement of Responsibility
Lana Fatah Hama Jamel
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
Civil Engineering
Date of Publication, Distribution, etc.
1402
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
83p.
Other Physical Details
cd
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
M.S.
Discipline of degree
Geodesy
Date of degree
1402/06/26
SUMMARY OR ABSTRACT
Text of Note
A major geological hazard in the world is land subsidence. Subsidence of land has the greatest impact on urban areas and agricultural industries. A lack of regional management, increased urbanization, and overexploitation make underdeveloped countries more susceptible to the natural catastrophe. The Shabestar Plain is a mountainous area in Iran. We develop a method for mapping ground subsidence susceptibility using logistic regression for the Shabestar Plain. A total of nine factors were identified as triggering factors for land subsidence, including slope, distance from rivers, distance from faults, elevation, groundwater level, geology, land cover, Topographic Wetness Index (TWI), and aspect. Based on the results of the thesis, the southern parts of the Shabestar Plain were more likely to experience land subsidence. In this study, logistic regression was used to model land subsidence susceptibility in the study area, considering three scenarios: one including all factors and others excluding TWI and groundwater level. The most influential predictors in all three modes were 'slope', 'geology' and 'distance from fault'. All of the three models achieving high prediction accuracies, highlighting the effectiveness and robustness of subsidence mapping in Shabestar plain for regional management strategies.
Text of Note
یک خطر بزرگ زمین شناسی در جهان فرونشست زمین است. فرونشست زمین بیشترین تأثیر را بر مناطق شهری و صنایع کشاورزی دارد. فقدان مدیریت منطقه ای، افزایش شهرنشینی و بهره برداری و استخراج بیش از حد منابعي چون آب¬های زیرزمینی، نفت و گاز، کشورهای در حال توسعه را بیشتر در معرض خطر فرونشست قرار می¬دهد. دشت شبستر منطقه¬ای کوهستانی در ایران است. در این مطالعه، روشی برای پهنه¬بندی حساسیت¬پذیری فرونشست زمین با استفاده از رگرسیون لجستیک برای دشت شبستر توسعه داده شده است. در مجموع 9 عامل به عنوان عوامل موثر برای مطالعه حساسیت¬پذیری فرونشست زمین انتخاب شدند، از جمله شیب، فاصله از رودخانه¬ها، فاصله از گسل¬ها، ارتفاع، سطح آب زیرزمینی، زمین¬شناسی، پوشش زمین، شاخص رطوبت توپوگرافی (TWI) و منظر شیب. بر اساس نتایج مطالعه، نواحی جنوبی دشت شبستر بیشتر با احتمال فرونشست مواجه هستند. علاوه بر این، تجزیه و تحلیل نقشههای حساسيتپذیری ایجاد شده با استفاده از رویکردهای تحلیلی انجام شد. مدلسازی بر اساس رگرسیون لجستیک در دو مرحله انجام گرفت: در مرحله اول از تمام فاکتور ها استفاده شد و در قسمت بعدی شاخص¬ های TWIو سطح آب زیرزمینی حذف شدند. در هر سه مرحله شاخص های شیب، زمین¬شناسی و فاصله از گسل، به عنوان شاخص های موثر حاصل شدند. مدل حساسيت فرونشست زمین معرفی شده در این مطالعه با پيش¬بيني مناطق مستعد فرونشست زمین با صحت بالا، مي¬تواند به عنوان ابزاری در برنامه¬ریزی¬ براي پيش¬گيري و كاهش اثرات پديده فرونشست و توسعه منطقه، مورد استفاده تصمیم¬گیرندگان قرار گیرد.
OTHER VARIANT TITLES
Variant Title
مدل¬سازي حساسيت به فرونشست زمين با استفاده از يك مدل يادگيري آماري (مطالعه موردي: دشت شبستر)
UNCONTROLLED SUBJECT TERMS
Subject Term
Land Subsidence, Susceptibility, Logistic Regression, Shabestar Plain, Geographical Information System.
Subject Term
فرونشست زمین، حساسیت، رگرسیون لجستیک، دشت شبستر، سیستم اطلاعات مكاني (GIS).