Linking Groundwater Depletion to Land Subsidence; An Integrated Approach Using D- InSAR, Fuzzy Logic, and Machine Learning in the Isfahan-Borkhar Plain, Central Iran
تدمج هذه الدراسة ملاحظات تداخل الرادار ذي الفتحة الاصطناعية التداخلي (D-InSAR) مع نماذج المنطق الضبابي والتعلم الآلي لرسم خرائط إمكانية هبوط الأرض في سهل أصفهان-بورخار في إيران، مبرهنةً على أن آلات ناقلات الدعم (SVM) تحقق أعلى دقة (R² = 0.93) في ربط استنزاف المياه الجوفية بتشوه السطح من أجل تحسين التخفيف من حدة المخاطر.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في قلب إيران القاحل، تهبط الأرض ببطء. هذه الظاهرة، المعروفة باسم هبوط الأرض، تحدث عندما ينخفض سطح الأرض تدريجيًا، وغالبًا ما يكون ذلك بسبب ضخ المياه من طبقات المياه الجوفية بسرعة أكبر مما يمكن للطبيعة تعويضه. ومع خروج المياه من الفراغات بين حبيبات التربة، يعمل وزن الأرض فوقها على ضغط الرواسب الطينية الناعمة، مما يؤدي إلى استقرار السطح. وبينما تحدث هذه العملية بصمت، فإن عواقبها صاخبة ومدمرة: تتشقق الطرق، وتتمايل المباني، وتواجه البنية التحتية الحيوية مثل المطارات وشبكات الصرف الصحي خطر الانهيار. وفي المناطق التي تشح فيها المياه ويزداد الطلب عليها، أصبح فهم أين وكيف وبأي سرعة تهبط الأرض مهمة بالغة الأهمية للمهندسين ومخططي المدن.
لعقود من الزمن، استخدم العلماء تكنولوجيا الأقمار الصناعية لمراقبة حركة الأرض. وتتضمن إحدى الطرق القوية إرسال إشارات رادارية من الفضاء إلى الأرض وقياس التغيرات الطفيفة في الوقت الذي تستغرقه الإشارة للارتداد. ومن خلال مقارنة الصور الملتقطة بفارق أشهر، يمكن للباحثين رسم خرائط للحركة الرأسية للأرض بدقة مذهلة. ومع ذلك، فإن معرفة أن الأرض تتحرك ليست سوى نصف المعركة؛ فالسؤال الأصعب هو التنبؤ بمكان حدوث ذلك لاحقًا ولماذا. غالبًا ما تعتمد الطرق التقليدية لإجراء هذه التنبؤات على حسابات بسيطة تجمع عوامل الخطر المختلفة، مثل نوع التربة، وكمية المياه التي يتم ضخها، وعمق الطبقات تحت الأرض. ورغم فائدتها، إلا أن هذه الحسابات المباشرة تغفل أحيانًا الطرق المعقدة والمتداخلة التي تتفاعل بها هذه العوامل في العالم الحقيقي.
لقد وضع فريق من الباحثين من جامعة طهران وجامعة تربت مودارس هدفًا لتحسين هذه التنبؤات لسهل إصفهان-بورخار، وهي منطقة حيوية في وسط إيران تضم مدنًا كبرى، ومناطق صناعية، ومطار شهيد بهشتي. أرادوا تجاوز عملية الجمع البسيطة ومعرفة ما إذا كان بإمكانهم استخدام نماذج حاسوبية متقدمة لفهم العلاقة بين استنزاف المياه الجوفية وهبوط الأرض بشكل أفضل. كان نهجهم عملية مكونة من ثلاث خطوات بدأت بخريطة أساسية ثم تم تنقيحها باستخدام تقنيات أكثر تطورًا. أولاً، أنشأوا خريطة مخاطر معيارية من خلال وزن سبعة عوامل مختلفة: نوع الصخور والتربة تحت الأرض، واستخدام الأراضي، ومعدل ضخ المياه، وكمية الأمطار التي تعيد شحن طبقة المياه الجوفية، وسُمك طبقات الرواسب، والمسافة من الصدوع الجيولوجية، ومدى انخفاض منسوب المياه. أعطتهم هذه الخريطة الأولية فكرة عامة عن المناطق التي تكون فيها المخاطر أعلى ما يمكن.
ولجعل هذه الخريطة أكثر دقة، أدخل الباحثون طبقة جديدة من الواقع: قياسات فعلية لهبوط الأرض. وباستخدام بيانات الأقمار الصناعية التي جُمعت بين أبريل 2023 وأبريل 2024، رسموا خريطة لمقدار الهبوط الدقيق عبر السهل. ثم استخدموا هذه القياسات من العالم الحقيقي لـ "تكييف" خريطة المخاطر الأولية الخاصة بهم، مما علم النموذج جوهريًا كيف يتوافق مع ما يحدث بالفعل على الأرض. ومع وجود هذا الهدف المنقح، اختبروا ثلاثة أنواع مختلفة من نماذج المنطق الضبابي (fuzzy logic). هذه النماذج مصممة للتعامل مع عدم اليقين والتغيرات التدريجية، تمامًا كما قد يصف الإنسان درجة الحرارة بأنها "دافئة" بدلاً من رقم محدد، مما يسمح بفهم أكثر دقة لكيفية امتزاج عوامل الخطر مع بعضها البعض. كما اختبروا أداتين قويتين من أدوات الذكاء الاصطناعي: إحداهما تحاكي طريقة عمل الدماغ البشري من خلال طبقات متصلة، والأخرى تجد الحدود الرياضية المثلى للفصل بين مستويات الخطر المختلفة.
أظهرت النتائج تقدمًا واضحًا في الدقة. فقد وفرت الخريطة البسيطة الأولية نقطة انطلاق جيدة، حيث حددت المناطق ذات المخاطر الواسعة بشكل صحيح، لكنها واجهت صعوبة في مطابقة التفاصيل الدقيقة لقياسات الأقمار الصناعية. وعندما أدخل الباحثون نماذج المنطق الضبابي، أصبحت التنبؤات أكثر حدة، حيث التقطت الاختلافات الدقيقة في المناظر الطبيعية. ومع ذلك، كان النموذج الأكثر نجاحًا هو أداة الذكاء الاصطناعي القائمة على آلات ناقلات الدعم (support vector machines). حقق هذا النموذج أعلى مستوى من الاتفاق مع بيانات الأقمار الصناعية، ونجح في إعادة إنتاج الأنماط المعقدة للهبوط التي فاتتها الطرق الأبسط. لقد حدد مناطق الخطر العالي بدقة ملحوومة، مشيرًا إلى المناطق الواقعة في الجزء الجنوبي الغربي من السهل، وشمال إصفهان، والجانب الشرقي من المطار، كأماكن من المرجح أن تستمر الأرض في الهبوط فيها.
تؤكد الدراسة أنه بينما يمكن للطرق التقليدية أن تقدم نظرة عامة، إلا أنها ليست كافية لحماية البنية التحتية الحيوية في بيئة متغيرة بسرعة. ومن خلال الجمع بين ملاحظات الأقمار الصناعية والتعلم الآلي المتقدم، أنشأ الباحثون أداة يمكنها رؤية سلوك الأرض بدقة أكبر بكثير. هذا النهج لا يخبرنا فقط أن الأرض تهبط؛ بل يساعدنا على فهم المزيج المحدد من التربة والمياه والنشاط البشري الذي يحرك هذه العملية في كل حي. وبالنسبة لمدينة إصفهان والسهول المحيطة بها، فإن هذا المستوى من التفصيل يعد أمرًا ضروريًا. فهو يسمح للسلطات بتركيز جهود المراقبة والتخفيف في المواقع الدقيقة التي تكون فيها الأرض أكثر عرضة للخطر، مما يساعد في حماية المطار، ومحطات الطاقة، والمنازل المبنية على هذا الأساس المتحرك. إن هذا العمل يثبت أنه عندما نجعل الحواسيب تتعلم من الواقع المعقد للأرض، بدلاً من مجرد تطبيق قواعد بسيطة، فإننا نكتسب صورة أوضح للمخاطر التي نواجهها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.