ارزیابی و مدیریت ریسک رانش زمین در حوضه مسجدسلیمان با تلفیق فناوریهای سنجش از دور، یادگیری ماشین و مدلسازی دینامیکی

رانش زمین یکی از مخاطرات طبیعی مهم در مناطق کوهستانی و نیمه کوهستانی است که خسارات جانی و مالی قابل توجهی به همراه دارد. حوضه مسجد سلیمان به دلیل شرایط زمین شناسی توپوگرافی و اقلیمی، خاص مستعد وقوع رانش زمین است. این پژوهش با هدف ارزیابی و مدیریت ریسک رانش زمین در این منطقه از تلفیق فناوریهای سنجش از دور (RS) یادگیری ماشین (ML) و مدل سازی دینامیکی استفاده کرده است. این پژوهش با بهره گیری از آخرین پیشرفتهای علمی در حوزه ژئومورفولوژی کمی و مهندسی ژئوتکنیک به تحلیل جامع پدیده رانش زمین در منطقه نفت خیز مسجد سلیمان می پردازد. مطالعه حاضر با ترکیب دادههای چندماهواره ای Sentinel-۱ و sat)، الگوریتمهای یادگیری عمیق پیشرفته (Vision Transformers و Graph Neural Networks) و مدل سازی دینامیک همراه با اعتبارسنجی میدانی دقیق چارچوبی نوین برای ارزیابی ریسک ارائه می دهد نوآوری اصلی تحقیق در توسعه یک سیستم هیبرید هوش مصنوعی با قابلیت پیشبینی مکانی زمانی رانشهای زمین با دقت ۹۴.۷٪ است. در این راستا دادههای ماهواره ای ۲-Sentinel و Landsat لایههای اطلاعاتی، شیب لیتولوژی کاربری، اراضی بارندگی و شواهد میدانی به عنوان ورودیهای مدل در نظر گرفته شدند. سپس با استفاده از الگوریتمهای یادگیری ماشین (Random Forest (RF و XGBoost، مناطق مستعد رانش زمین طبقه بندی شدند در نهایت با مدل سازی دینامیکی پایداری شیبها تحت شرایط مختلف بارگذاری ارزیابی گردید. نتایج نشان داد که ترکیب این روشها دقت بالایی در پیشبینی مناطق بحرانی دارد و می تواند به عنوان ابزاری کارآمد در مدیریت ریسک رانش زمین مورد استفاده قرار گیرد. در این راستا ترکیب سنجش از دور یادگیری ماشین و مدلسازی دینامیکی روشی موثر برای ارزیابی و مدیریت ریسک رانش زمین در منطقه مسجد سلیمان است پیشنهاد می شود از این روش در سایر مناطق پرخطر ایران نیز استفاده شود.

کلیدواژه ها:

رانش ، زمین ، سنجش از دور ، یادگیری ماشین ، مدل سازی دینامیکی ، مدیریت ریسک