Geography and Human Relationships

Geography and Human Relationships

Modeling Land Subsidence Susceptibility and Analysis of Influencing Factors in Shabaster Plain using Random Forest

Document Type : Original Article

Authors
Mansoureh Sadrykia 1
Ahmad Sham Kahrizi 2
1 Geomatics Engineering, University of Tabriz,, Tabriz, Iran
2 Geomatics Engineering Department, University of Tabriz, Tabriz, Iran
10.22034/gahr.2025.506801.2396
Abstract
Land subsidence refers to the vertical and downward movement of the earth's surface. This phenomenon may occur naturally or as a result of human activities. It causes damages to communication networks, infrastructure, and structures and agricultural land. In the past few years, land subsidence has occurred as a crisis in many of plains in Iran and has raised significant concerns. In this study, Shabestar Plain, one of the high-risk plains of East Azarbaijan Province, was selected as the study area. In order to identify the land subsidence susceptibility at different locations and also to identify the factors that influence land subsidence, random forest algorithm is used. In this study, a land subsidence map used as the inventory map, prepared by using time series based SAR interferometry technique as training data. The results confirmed that the southern part of the study area has very high susceptibility to land subsidence. In the modeling of land subsidence susceptibility by random forest, 5.63 % of the study area had Very High susceptibility and 6.37% had High land subsidence susceptibility. Also, based on random forest modeling, the highest effect was related to "elevation", "groundwater level", and "land use", and the least effect among the factors involved was related to "distance from fault". Finally the model was evaluated using area under Receiver Operating Characteristic curve, AUC= 96% confirmed very good predictive power of the model. The results of this paper can be used for planning for the development of various constructions and land uses in the future. Also, considering the possibility to identify regions and facilities at risk, timely and appropriate actions can be taken for prevention and minimizing financial and human losses.
Keywords
Land Subsidence
Random Forest
Shabaster Plain

Subjects

اطهری، م. ع.، عزیزی.، ح. ر.، هاشمی، س. ش.، و هنری، ح. ر. (1401). بررسی رابطه بین میزان تغییرات سطح زمین در اثر فرونشست و آب زیر زمینی با استفاده از تصاویر ماهواره­ای Sentinel-1  و مدل‏های آماری (منطقه مورد مطالعه: دشت ورامین). 7(1)، 34-43. https://doi.org/10.22112/JWWSE.2021.261650.1232
حسین نژاد مکی، ا.، بشیری، م.، و مرادی، ح. (1401). ارزیابی مکانی مناطق در معرض ریسک فرونشست زمین در روستای فدافن، شهرستان کاشمر. راهبردهای توسعه روستایی، 9(3)، 411-426. https://doi.org/10.22048/rdsj.2022.340615.2020
رحمانی، پ.، غلامی، ح.، و گلزاری، ش. (1402). مدل‌سازی مکانی حساسیت اراضی به فرونشست با استفاده از مدل‌های یادگیری ماشین (مطالعه موردی: دشت کوهدشت). مدل سازی و مدیریت آب و خاک، -. https://doi.org/10.22098/mmws.2023.13822.1368
صدری کیا، م. (1401). پایش فرونشست زمین با تحلیل سری زمانی پراکنش گرهای دائمی و تغییرات تراز آب زیرزمینی؛ (مطالعه موردی دشت سراب). تحقیقات منابع آب ایران، 18(2)، 1-18. https://www.iwrr.ir/article_148820_bee19d2acdd3192ff3aa77fdd7d77591.pdf
صدری کیا، م.، و کاظمی پور، ن. (1403). ارزیابی فرونشست زمین با استفاده از سری زمانی تداخل‌سنجی راداری و تحلیل‌های مکانی. جغرافیا و برنامه‌ریزی، 28(90)، -. https://doi.org/10.22034/gp.2024.58713.3194
عابدینی، م.، و نظری گزیک، ز. (1402). تجزیه و تحلیل میزان فرونشست زمین در محدوده شهر نیشابور. جغرافیا و روابط انسانی، 6(3)، 698-717. https://doi.org/10.22034/gahr.2024.437003.2039
عابدینی، م.، و نظری گزیک، ز. (1403). بررسی اثر افت آب‌های زیر‌زمینی بر فرونشست زمین مطالعه موردی: شهرستان چناران. جغرافیا و روابط انسانی، 6(4)، 669-689. https://doi.org/10.22034/gahr.2024.433326.2019
قربانی محمدآبادی، ص.، نژادحسینی، ر.، و گنجائیان، ح. (1402). تحلیل عوامل موثر در وقوع فرونشست دشت قهاوند با استفاده از تصاویر راداری و ماهواره ای. جغرافیا و روابط انسانی، 5(4)، 542-553. https://www.gahr.ir/article_171195_6d20fc6043064f7514b1f9f4c7c89efb.pdf
گرایی، پ. (1390) تعیین مناسب‌ترین روش پهنه‌بندی خطر زمین لغزش در حوضه آبخیز واستان – ساری. پژوهشهای دانش زمین، 2(2)، 93-114. https://esrj.sbu.ac.ir/article_94472_4324856f7f51350e2c363830bdfc2356.pdf
لشکری پور، غ. ر.، غفوری، م.، و کاظمی گلیان، ر. (1387). بررسی نشست زمین در دشت نیشابور و ارتباط آن با افت سطح آب های زیرزمینی. دانشگاه فردوسی مشهد. https://civilica.com/doc/1278767
نوری، س.، نوری جلیانی، ک.، کاظم، م.، نیکنام، م. ح.، محمودی، م.، آندونیان، ل.، و اکابری، آ. (1393). آنالیز جنگل های تصادفی: یک روش آماری مدرن برای غربالگری در مطالعات با بعد بالا و کاربرد آن در یک مطالعه همبستگی ژنتیکی جمعیت-پایه. مجله دانشگاه علوم پزشکی خراسان شمالی. ۱۳۹۰; 3(۵) :۹۳-۱۰۱.
Abbasnejad، A., Abbasnejad, B., Derakhshani, R., & Hemmati Sarapardeh, A. (2016). Qanat hazard in Iranian urban areas: explanation and remedies. Environmental Earth Sciences, 75, 1-14.
Adiyaman, I. B. (2012). Land Subsidence and Earth Fissures Due to Groundwater Pumping. Doctor of Philosophy With a Major in Civil Engineering, 198.
Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees Chapman & Hall. New York.
Bui, D. T., Shahabi, H., Shirzadi, A., Chapi, K., Pradhan, B., Chen, W.,…Saro, L. (2018). Land subsidence susceptibility mapping in South Korea using machine learning algorithms. Sensors (Switzerland), 18. https://doi.org/10.3390/s18082464
Ghorbanzadeh, O., Rostamzadeh, H., Blaschke, T., Gholaminia, K., & Aryal, J. (2018). A new GIS-based data mining technique using an adaptive neuro-fuzzy inference system (ANFIS) and k-fold cross-validation approach for land subsidence susceptibility mapping. Natural Hazards, 94, 497-517. https://doi.org/10.1007/s11069-018-3449-y
Hakim, W. L., Achmad, A. R., & Lee, C. W. (2020). Land subsidence susceptibility mapping in jakarta using functional and meta‐ensemble machine learning algorithm based on time‐series insar data. Remote Sensing, 12, 1-26. https://doi.org/10.3390/rs12213627
Manafiazar, A., Khamehchiyan, M., & Nadiri, A. (2019). Comparison of Vulnerability of the Southwest Tehran Plain Aquifer with Simple Weighting Model (ALPRIFT Model) and Genetic Algorithm (GA). Kharazmi Journal of Earth Sciences, 4(2), 199-212. https://doi.org/10.29252/gnf.4.2.199
Mohebbi Tafreshi, G., Nakhaei, M., & Lak, R. (2021). Land subsidence risk assessment using GIS fuzzy logic spatial modeling in Varamin aquifer, Iran. GeoJournal, 86, 1203-1223. https://doi.org/10.1007/s10708-019-10129-8
Park, I., Choi, J., Lee, M. J., & Lee, S. (2012). Application of an adaptive neuro-fuzzy inference system to ground subsidence hazard mapping. Computers & Geosciences, 48, 228-238.
Simpson, A. R., Dandy, G. C., & Murphy, L. J. (1994). Genetic algorithms compared to other techniques for pipe optimization. Journal of water resources planning and management, 120, 423-443.
Vorpahl, P., Elsenbeer, H., Märker, M., & Schröder, B. (2012). How can statistical models help to determine driving factors of landslides. Ecological Modelling, 239, 27-39.
Geography and Human Relationships
Volume 7, Issue 3 - Serial Number 27
Winter 2025
Pages 603-626

  • Receive Date 20 January 2025
  • Revise Date 15 February 2025
  • Accept Date 25 February 2025