صیاد اصغری

فرونشست زمین یکی از بحران های بوم شناختی می باشد که به ویژه باعث خسارت به تاسیسات انسانی از قبیل شبکه های ارتباطی و ساختمان ها می شود. عوامل متعددی بر روی فرونشست زمین تاثیر دارند که  زلزله می تواند یکی از آن عوامل باشد.  تحقیق حاضر، اثر زلزله ماه نوامبر سال 2017  منطقه غرب کرمانشاه ،بخصوص در شهرستان سر پل ذهاب و شهرستان ثلاث باباجی، را بر روی فرونشست بررسی می کند. بدین منظور، جهت بررسی فرونشست منطقه از روش تداخل سنجی تفاضلی راداری و داده ﻫﺎی ﻣﺎﻫﻮاره سنتینل یک استفاده شده است. پردازش زوج تصویر راداری در منطقه مطالعاتی در بازه زمانی 11/11/2017 تا 30/11/2017 نشان داد که مقدار جابه-جایی عمودی در مناطق مورد مطالعه بین 41.7 تا 43- سانتی متر می باشد. مطابق نتایج بدست آمده، متوسط جابجایی فرونشست در خلاف جهت دید، 16.3- و 33.1-  سانتی متر می باشد که در راستای خطوط گسلی مشاهده شده است. همچنین متوسط نرخ جابجایی بالاآمدگی در منطقه مورد مطالعه 17.5 و 34.5 سانتی متر در سال و در راستای دید ماهواره به دست آمده است. ارزیابی نقشه جابجایی منطقه بیانگر این است که بیشترین مقدار فرونشست در قسمت های شرق، جنوب و غرب شهرستان ثلاث باباجی و قسمت های جنوب و غرب شهرستان سرپل ذهاب بوده است.

امروزه به دلیل افزایش جمعیت، توسعه صنعتی، بهره برداری بی رویه، خشکسالی ها بهره برداری از آب های زیرزمینی چندین برابرشده است. بنابراین تشخیص مناطق دارای آب زیرزمینی به عنوان یکی از منابع مهم برای تأمین آب آشامیدنی، کشاورزی، صنایع مختلف به خصوص  از موارد مهم و ضروری در مدیریت منابع آب محسوب می شود. هدف از انجام این پژوهش، بررسی و پهنه بندی مناطق دارای آب زیرزمینی در دشت خرم آباد واقع در استان لرستان با استفاده از روش شبکه عصبی کانولوشن است. بدین منظور ابتدا از طریق بازدیدهای میدانی، نقشه های زمین شناسی و توپوگرافی و با مرور منابع قبلی و بررسی شرایط منطقه، نه عامل طبقات ارتفاعی، شیب، جهت شیب، فاصله از گسل، فاصله از رودخانه، بارش، لیتولوژی و کاربری اراضی، خاک به عنوان عوامل مؤثر بررسی و انتخاب شدند و  نقشه آن ها در محیط ArcGisتهیه شدند. درروش کانولوشن تعداد نمونه ها به عنوان نسبت بین مجموعه آموزشی و مجموعه آزمایشی70:30 تعیین شد و چارچوب شبکه عصبی کانولوشن به عنوان 2 لایه کانولوشن و 2 لایه ادغام، 2 اتصال کامل استفاده شد. لایه ها و در نهایت لایه sigmoid برای در طبقه بندی از هسته کانولوشن 3 3، تابع Relu به عنوان تابع فعال سازی و تابع آنتروپی متقاطع به عنوان تابع زیان استفاده شد. نقشه های به دست آمده در 5 کلاس طبقه بندی شد. هم چنین برای اعتبارسنجی نتایج مدل از ماتریس کانفیوزن استفاده شد.30 درصد از داده های واقعی برای ارزیابی استفاده شد که منجر به دقت کلی92 درصد شد، یعنی مدل توانسته 92درصد داده ها را آب زیرزمینی و93درصد عدم آب زیرزمینی رو به درستی تشخیص دهد. تجزیه و تحلیل نقشه پتانسیل آب زیرزمینی مدل شبکه عصبی کانولوشن نشان می دهد که حدود 57 درصد منطقه در شرایط کم آب زیرزمینی و43درصد منطقه در شرایط خوب آب زیرزمینی قرار دارد.