تحليل و مدل‌سازي تغييرات آب‌هاي زيرزميني با استفاده از الگوريتم‌هاي داده‌كاوي مكاني و زماني و يادگيري عميق بمنظور ارتباط سنجي آن با مخاطره فرونشست

در مناطق خشك و نيمه‌خشك، كمبود آب‌هاي سطحي منجر به برداشت بي‌رويه از آب‌هاي زيرزميني و كاهش شديد سطح آب شده كه در بسياري از دشت‌هاي ايران به پديده فرونشست زمين انجاميده است. درك تغييرات سطح آب زيرزميني براي مديريت بهينه منابع آبي و كاهش مخاطرات مرتبط اهميت زيادي دارد. روش‌هاي مختلف آماري، رياضي و يادگيري ماشين براي مدل‌سازي اين تغييرات استفاده شده‌اند. اخيراً، شبكه‌هاي عصبي عميق به‌ويژه براي تحليل رفتار پيچيده آب‌هاي زيرزميني، به‌دليل ماهيت زماني-مكاني آن‌ها، مورد توجه قرار گرفته‌اند. در اين تحقيق، از مدل تركيبي Wavelet-Principal Component Analysis (PCA) براي تحليل داده‌هاي ۴۴ چاه پيزومتري دشت قهاوند طي دوره ۳۰ ساله (۱۳۶۷-۱۳۹۷) استفاده شده است. اين مدل، الگوهاي زماني و مكاني تغييرات سطح آب زيرزميني را در مقياس‌هاي مختلف زماني استخراج كرده و سپس مؤلفه‌هاي اصلي به‌دست‌آمده از Wavelet-PCA به مدل شبكه عصبي بازگشتي Long Short Term Memory (LSTM) ارائه شدند تا سري‌هاي زماني سطح آب پيش‌بيني شود. سطوح مختلف تبديل موجك براي شناسايي روندهاي كوتاه‌مدت و بلندمدت به‌كار گرفته شد. مدل LSTM با دقت R^2 = 0.85 براي گروه آموزشي و R^2 = 0.62 براي داده‌هاي آزمايشي توانست روندهاي سطح آب زيرزميني را مدل‌سازي كند. همچنين، داده‌هاي راداري ماهواره Sentinel-1 بين سال‌هاي ۲۰۱۴ تا ۲۰۱۹ نشان داد كه بيشينه فرونشست زمين در مناطقي با افت قابل‌توجه سطح آب زيرزميني رخ داده است. همپوشاني اين نقشه‌ها با لايه‌هاي كاربري زمين، ارتباطي معنادار بين فعاليت‌هاي كشاورزي و افت سطح آب زيرزميني و فرونشست زمين را نشان داد.