مطالب مرتبط با کلیدواژه

دشت قهاوند


۱.

ارزیابی شدت فرسایش بادی با بهره گیری از مدل IRIFR.E.A (بررسی موردی: دشت قهاوند همدان)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: فرسایش بادی واحد کاری ژئومورفولوژی مدل IRIFR.E.A(اریفر) دشت قهاوند

حوزه‌های تخصصی:
تعداد بازدید : ۵۸۶ تعداد دانلود : ۳۹۴
بیابان زایی در اثر شدت فرسایش بادی به معنی کاهش توان اکولوژیکی و بیولوژی زمین است که به صورت طبیعی یا مصنوعی با فعالیت انسان رخ می دهد. تاکنون روش های متنوع و زیادی جهت برآورد میزان فرسایش بادی در سراسر دنیا توسط کارشناسان مختلف ارائه شده است. به دلیل منطبق نبودن مدل های ارائه شده توسط کارشناسان سایر کشورها با شرایط اقلیمی ایران، در سال 1375 مدل تجربی IRIFR.E.A تدوین و ارائه گردید. لذا دشت قهاوند در استان همدان که تخریب منابع تولید در این چند دهه به آن چهره ای بیابانی داده است، جهت بررسی انتخاب گردید منطقه مورد مطالعه در زون سنندج-سیرجان و به موازات زون زاگرس قرار گرفته و به شدت دگرگون و فعالیت ماگماتیسم در آن حاصل شده است. هدف از این بررسی، ارزیابی شدت فرسایش بادی و تهیه نقشه آن با استفاده از مدل IRIFR.E.A است. ابتدا هفت واحد کاری ژئومورفولوژی بر اساس ویژگی های، زمین شناسی، خاکشناسی، پوشش گیاهی و آب و هواشناسی کاربری اراضی تعیین گردید. سپس عوامل 9گانه مؤثر در فرسایش بادی بر پایه مدل مذکور در هفت واحد کاری ژئومورفولوژی، ارزش گذاری و مورد بررسی قرار گرفت. نتایج حاصله نشان داد که بیش ترین امتیاز مربوط به تغییر کاربری اراضی و پهنه های نمکی دانه ریز یا پف کرده می باشد، و کم ترین امتیاز مربوط به اراضی روستا است. هم چنین با توجه به بررسی های به عمل آمده از کل منطقه مشخص شد که، 04/7 درصد از منطقه در کلاس فرسایشی کم، 59/23 درصد در کلاس فرسایش متوسط و 35/69 درصد در کلاس فرسایشی شدید و خیلی شدید قرار دارد.
۲.

تحلیل عوامل موثر در وقوع فرونشست دشت قهاوند با استفاده از تصاویر راداری و ماهواره ای

کلیدواژه‌ها: فرونشست سنتینل 1 SBAS دشت قهاوند

حوزه‌های تخصصی:
تعداد بازدید : ۲۵۱ تعداد دانلود : ۲۰۸
فرونشست مخاطره ای است که بسیاری از دشت های ایران را تهدید می کند. دشت قهاوند در استان همدان، از جمله دشت هایی است که به دلیل شرایط نامناسب هیدرواقلیمی و نوع فعالیت های انسانی، در معرض این مخاطره قرار دارد. با توجه به اهمیت موضوع، در این پژوهش به بررسی وضعیت فرونشست دشت قهاوند و عوامل مؤثر در وقوع آن پرداخته شده است. با توجه به موضوع و اهداف موردنظر، در این پژوهش از 31 تصویر راداری ماهواره سنتنیل 1، تصویر ماهواره لندست 8 و مدل رقومی ارتفاعی 30 متر به عنوان داده های تحقیق استفاده شده است. مهم ترین ابزارهای تحقیق، نرم-افزارهای GMT، ENVI و ArcGIS بوده است. این تحقیق در سه مرحله انجام شده است که در مرحله اول، به تهیه نقشه پوشش زمین و بررسی آن پرداخته شده است. در مرحله دوم، با استفاده از روش سری زمانی SBAS، به ارزیابی وضعیت فرونشست منطقه پرداخته شده و در مرحله سوم نیز به تحلیل عوامل مؤثر در وقوع فرونشست منطقه پرداخته شده است. بر اساس نتایج حاصله از این پژوهش، دشت قهاوند در طی دوره زمانی 2 ساله (از تاریخ 05/01/2017 تا 19/01/2019) بین 15 تا 78 میلی متر فرونشست داشته است. همچنین نتایج حاصله از این پژوهش نشان داده است که عامل اصلی فرونشست منطقه، افت شدید منابع آب زیرزمینی بر اثر توسعه اراضی کشاورزی آبی بوده است. درواقع، بیش ترین میزان فرونشست منطقه، منطبق بر اراضی کشاورزی آبی بوده است.
۳.

تحلیل و مدل سازی تغییرات آب های زیرزمینی با استفاده از الگوریتم های داده کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست(مقاله علمی وزارت علوم)

کلیدواژه‌ها: داده کاوی زمانی-مکانی مدل سازی آب های زیرزمینی فرونشست یادگیری عمیق دشت قهاوند

حوزه‌های تخصصی:
تعداد بازدید : ۱۶ تعداد دانلود : ۱۱
در مناطق خشک و نیمه خشک، کمبود آب های سطحی منجر به برداشت بی رویه از آب های زیرزمینی و کاهش شدید سطح آب شده که در بسیاری از دشت های ایران به پدیده فرونشست زمین انجامیده است. درک تغییرات سطح آب زیرزمینی برای مدیریت بهینه منابع آبی و کاهش مخاطرات مرتبط اهمیت زیادی دارد. روش های مختلف آماری، ریاضی و یادگیری ماشین برای مدل سازی این تغییرات استفاده شده اند. اخیراً، شبکه های عصبی عمیق به ویژه برای تحلیل رفتار پیچیده آب های زیرزمینی، به دلیل ماهیت زمانی-مکانی آن ها، مورد توجه قرار گرفته اند. در این تحقیق، از مدل ترکیبی Wavelet-Principal Component Analysis (PCA) برای تحلیل داده های ۴۴ چاه پیزومتری دشت قهاوند طی دوره ۳۰ ساله (۱۳۶۷-۱۳۹۷) استفاده شده است. این مدل، الگوهای زمانی و مکانی تغییرات سطح آب زیرزمینی را در مقیاس های مختلف زمانی استخراج کرده و سپس مؤلفه های اصلی به دست آمده از Wavelet-PCA به مدل شبکه عصبی بازگشتی Long Short Term Memory (LSTM) ارائه شدند تا سری های زمانی سطح آب پیش بینی شود. سطوح مختلف تبدیل موجک برای شناسایی روندهای کوتاه مدت و بلندمدت به کار گرفته شد. مدل LSTM با دقت R2 = 0.85 برای گروه آموزشی و R2 = 0.62 برای داده های آزمایشی توانست روندهای سطح آب زیرزمینی را مدل سازی کند. همچنین، داده های راداری ماهواره Sentinel-1 بین سال های ۲۰۱۴ تا ۲۰۱۹ نشان داد که بیشینه فرونشست زمین در مناطقی با افت قابل توجه سطح آب زیرزمینی رخ داده است. همپوشانی این نقشه ها با لایه های کاربری زمین، ارتباطی معنادار بین فعالیت های کشاورزی و افت سطح آب زیرزمینی و فرونشست زمین را نشان داد.