بررسی اثر تغییرات کاربری اراضی و اقلیم بر فرونشست زمین در دشت داراب استان فارس

چکیده مبسوط مقدمه و هدف: فرونشست زمین (LS) یک پدیده مورفولوژیکی است که در سطح جهان در حال وقوع است. به طور کلی، فرونشست زمین می تواند منجر به کاهش سطح زمین در تمامی مناطق کره زمین شود که این امر ناشی از فعالیت های طبیعی یا انسانی است. فرونشست زمین و فعالیت های انسانی در تمام تاریخ در هم تنیده بوده اند. اخیرا، بیش از ۱۵۰ کشور عمده، از جمله مکزیک، استرالیا، کلمبیا، چین و ایالات متحده، گزارش هایی در مورد فرونشست زمین ارائه داده اند. این پدیده بر بسیاری از مناطق جهان تاثیر می گذارد و می تواند ناشی از عوامل مختلف طبیعی یا انسانی، به ویژه برداشت آب های زیرزمینی، استخراج معادن، حل شدن مواد معدنی باشد. گزارش های متعددی بر این موضوع تاکید دارند که منابع آب زیرزمینی در مناطق وسیع از مرکز ایران و شرق و جنوب ایران به عنوان تنها منبع آب برای مصارف کشاورزی، شرب و صنعتی مورد استفاده قرار می گیرند. ایران شامل شش حوضه آب ریز اصلی و ۶۰۹ دشت است که تقریبا ۲۶۷ مورد از آن ها دچار کمبود آب هستند. با توجه به اهمیت منطقه داراب در استان فارس به‎عنوان یک مکان کلیدی مستعد فرونشست زمین، اهداف این مطالعه عبارتند از: (۱) مدل سازی فضایی فرونشست زمین در دشت داراب استان فارس، (۲) ارزیابی مدل های یادگیری ماشین به صورت جداگانه برای مدل سازی فضایی فرونشست زمین، و (۳) شناسایی عوامل کلیدی موثر بر فرونشست زمین شامل اثرات تغییر اقلیم و تغییرات کاربری اراضی در منطقه مورد مطالعه. مواد و روش ها: تصاویر Sentinel_۲ سال های ۲۰۱۵ و ۲۰۲۴ برای طبقه بندی تصاویر به منظور شناسایی الگوهای کاربری اراضی و ایجاد نقشه های LULC منطقه داراب استفاده شد، که کاربری های باغ، مرتع، اراضی کشاورزی، مناطق شهری و اراضی بایر در منطقه قابل مشاهده بودند و برای بررسی اثر آن بر فرونشست زمین در منطقه داراب استفاده شد. داده های مورداستفاده به منظور استخراج نقشه فرونشست زمین در این مطالعه، باند C Sentinel-۱A صعودی، باند Sentinel-۱A نزولی، تداخل سنجی گسترده (IW) و تصاویر حالت نوار قبل و بعد از نشست به عنوان داده های تجربی انتخاب شدند. داده های اقلیمی دما و بارش مربوط به شش ایستگاه موجود در منطقه برای بازه سال های ۲۰۱۵ تا ۲۰۲۴ تهیه و با استفاده از روش IDW در محیط ArcGIS با قدرت تفکیک مکانی ۳۰ متر درون یابی و به منظور مدل سازی رقومی شدند. همچنین با استفاده از آمار چاه های پیزومتری مربوط به سال های ۲۰۰۲ تا ۲۰۲۱ منطقه نقشه های تراز آب زیرزمینی دشت با کمک نرم افزار ArcGIS و مدل IDW درون یابی گردیدند. تمام لایه های اطلاعاتی یا کمکی به فرمت رستری با اندازه پیکسل ۱۰ متری تهیه شدند. برای انجام فرآیند مدل سازی در آغاز به وسیله نرم افزار ArcGIS۱۰.۷ محدود تصاویر ماهواره ای و DEM منطقه استخراج و سپس تصاویر ماهواره ای و DEM منطقه وارد محیط نرم افزار SAGAGIS گردیدند. سپس، داده های به دست آمده جهت مدل سازی جنگل تصادفی وارد نرم افزار JMP و محیط نرم افزار R شدند. یافته ها: تعداد هفت نقشه فرونشست زمین از سال ۲۰۱۵ تا ۲۰۲۴ با کمک نرم افزار Snap استخراج شدند. با کمک نرم افزار ArcGIS میانگینی بین تصاویر گرفته شد که مقدار میانگین فرونشست زمین در این بازه سالی حدود ۱۱ سانتی متر بود. با توجه به نقشه تغییرات کاربری اراضی سال ۲۰۱۵ تا ۲۰۲۴ و تطابق آن ها با نقشه فرونشست زمین (LS) مربوط به همین بازه سالی، بیشترین نشست در مناطقی با کاربری باغ، مسکونی و کشاورزی قابل مشاهده بود. با توجه به نتایج، به ترتیب بیشترین تاثیر در مدل سازی را پارامترهای تراز آب زیرزمینی، دما و بارش، و شاخص خیسی دارند. در بین مدل های یادگیری مورد بررسی در این پژوهش، ماشین مدل جنگل تصادفی (RF) با ضریب تبیین بالاتر ((R۲=۰.۹۵(Training), ۰.۹۳(validation) و خطای جذر میانگین مربعات پایین تر (RMSE=۰.۰۰۱(Training), ۰.۰۰۲(validation)) بهترین نتیجه را ارائه داد. نتیجه گیری: در پژوهش حاضر، رابطه مستقیمی بین افزایش عمق آب زیرزمینی و افزایش نرخ فرونشست زمین مشاهده شد. بر اساس نتایج مدل جنگل تصادفی و تحلیل SHAP، مهم ترین عوامل موثر بر فرونشست به ترتیب عبارت بودند از: سطح آب زیرزمینی، دما، بارش و شاخص رطوبت توپوگرافی. با توجه به نقشه های رگرسیونی و پارامترهای اعتبارسنجی از بین مدل های پیش بینی مورد استفاده در این پژوهش، مدل RF با ضریب تبیین بیشتر (R۲=۰.۹۵(Training)) ,۰.۹۳(validation)( و خطای جذر میانگین مربعات کمتر (RMSE=۰.۰۰۱(Training) ,۰.۰۰۲(validation)) بهترین نتیجه را ارائه داد. ایجاد چنین شرایط و وضعیتی در رویداد پدیده فرونشست و پیامدهای مخاطره آمیز آن برای کشور، قبل از هر چیز عزم ملی برای پذیرش و مقابله با این پدیده به عنوان یک معضل و مخاطره منتهی به یک فاجعه را طلب می نماید. موضوعی که درک آن از یک سو مستلزم افزایش مطالعات برای شناسایی کامل نواحی مستعد به صورت یک طرح ملی است.

کلیدواژه ها:

Sentinel images ، groundwater ، root mean square error ، Random Forest model (RF) ، radar interferometry (InSAR) ، تصاویر Sentinel ، آب زیرزمینی ، خطای جذر میانگین مربعات ، مدل جنگل تصادفی (RF) ، تداخل سنجی راداری (InSAR)