آمار

تعداد نشریات11
تعداد شماره‌ها226
تعداد مقالات2,285
تعداد مشاهده مقاله3,519,787
تعداد دریافت فایل اصل مقاله2,580,402
برزابادی, پرستو, رزاقپور, افسانه, اصلانی, مهدی, شریفی, علیرضا. (1404). تحلیل‎ ‎و‎ ‎پایش‎ ‎فرونشست‎ ‎زمین‎ ‎در‎ ‎نواحی‎ ‎شرقی‎ ‎شیراز‎ ‎با‎ ‎استفاده‎ ‎از‎ ‎تکنیک‎ DInSAR ‎. فناوری آموزش, (), 321-332. doi: 10.22061/jrsgr.2025.12229.1105
پرستو برزابادی; افسانه رزاقپور; مهدی اصلانی; علیرضا شریفی. "تحلیل‎ ‎و‎ ‎پایش‎ ‎فرونشست‎ ‎زمین‎ ‎در‎ ‎نواحی‎ ‎شرقی‎ ‎شیراز‎ ‎با‎ ‎استفاده‎ ‎از‎ ‎تکنیک‎ DInSAR ‎". فناوری آموزش, , , 1404, 321-332. doi: 10.22061/jrsgr.2025.12229.1105
برزابادی, پرستو, رزاقپور, افسانه, اصلانی, مهدی, شریفی, علیرضا. (1404). 'تحلیل‎ ‎و‎ ‎پایش‎ ‎فرونشست‎ ‎زمین‎ ‎در‎ ‎نواحی‎ ‎شرقی‎ ‎شیراز‎ ‎با‎ ‎استفاده‎ ‎از‎ ‎تکنیک‎ DInSAR ‎', فناوری آموزش, (), pp. 321-332. doi: 10.22061/jrsgr.2025.12229.1105
برزابادی, پرستو, رزاقپور, افسانه, اصلانی, مهدی, شریفی, علیرضا. تحلیل‎ ‎و‎ ‎پایش‎ ‎فرونشست‎ ‎زمین‎ ‎در‎ ‎نواحی‎ ‎شرقی‎ ‎شیراز‎ ‎با‎ ‎استفاده‎ ‎از‎ ‎تکنیک‎ DInSAR ‎. فناوری آموزش, 1404; (): 321-332. doi: 10.22061/jrsgr.2025.12229.1105

تحلیل‎ ‎و‎ ‎پایش‎ ‎فرونشست‎ ‎زمین‎ ‎در‎ ‎نواحی‎ ‎شرقی‎ ‎شیراز‎ ‎با‎ ‎استفاده‎ ‎از‎ ‎تکنیک‎ DInSAR ‎

پژوهش های سنجش از دور و اطلاعات مکانی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 آبان 1404    اصل مقاله (1.23 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2025.12229.1105
نویسندگان
پرستو برزابادی؛ افسانه رزاقپور؛ مهدی اصلانی؛ علیرضا شریفی*
گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 17 فروردین 1404،  تاریخ بازنگری: 06 تیر 1404،  تاریخ پذیرش: 04 آبان 1404 
چکیده
پیشینه و اهداف: در ایران، گسترش ناپایدار شهری و برداشت بی‌رویه از منابع آب زیرزمینی موجب تشدید و گسترش پدیده فرونشست در کلان‌شهرهایی مانند تهران، مشهد، اصفهان و شیراز شده است. به‌ویژه نواحی شهری شیراز که دارای خاک‌های آبرفتی، تراکم بالای ساخت‌وساز و کاهش شدید سطح آب‌های زیرزمینی هستند، به یکی از کانون‌های اصلی فرونشست در جنوب کشور تبدیل شده‌اند. با توجه به قابلیت بالای داده‌های راداری ماهواره Sentinel-1 در تحلیل تغییرات زمین و نقش مؤثر روش DInSAR در پایش سریع این پدیده، هدف این پژوهش، تحلیل الگوهای مکانی-زمانی فرونشست در نواحی شهری شیراز، بررسی عوامل طبیعی و انسانی موثر و ارائه راهکارهایی برای کاهش مخاطرات و حمایت از توسعه پایدار شهری است.
روش‌ها‌: در این پژوهش از ۲۴ تصویر راداری Sentinel-1A در مد IW با پلاریزاسیون VV در سال‌های ۲۰۱۵ تا ۲۰۲۵ استفاده شد. تمامی پردازش‌ها در نرم‌افزار SNAP انجام گرفت. ابتدا داده‌ها با استفاده از فایل‌های POD تصحیح مداری و سپس کالیبراسیون رادیومتریکی برای استخراج Sigma0 انجام شد. برای کاهش نویز اسپکل از فیلتر Lee با پنجره ۷×۷ استفاده شد. سپس با انتخاب ۱۵ جفت تصویر با خطای زمانی کمتر از ۳۶۵ روز و خطای مکانی عمودی زیر ۱۵۰ متر، اینترفروگرام‌ها تولید و فرآیند Unwrapping با الگوریتم MCF-SNAPHU اجرا گردید. برای کاهش خطاهای اتمسفری، تصاویر با شرایط رطوبتی مشابه انتخاب، فیلتر Goldstein اعمال، ماسک توپوگرافی استفاده و تحلیل واریوگرام اجرا شد. تحلیل‌های آماری) میانگین، چولگی، کشیدگی، تحلیل مکانی Moran’s I و تحلیل رگرسیون چندمتغیره (برای بررسی اثر متغیرهای برداشت آب، نوع خاک، تراکم ساخت‌وساز و شیب زمین) بر نرخ فرونشست انجام شد.
یافته‌ها: یافته‌ها نشان داد میانگین نرخ فرونشست ۱۸.۴ میلی‌متر در سال با انحراف معیار ۸.۲ میلی‌متر است. سه کانون اصلی فرونشست با نرخ‌های ۲۵ تا ۴۵ میلی‌متر در سال در شمال، مرکز و جنوب محدوده مورد مطالعه شناسایی شد. تحلیل آماری نیز توزیع چولگی مثبت (۱.۲۳) و کشیدگی (۲.۸۷) را تأیید کرد. بررسی آماری چندمتغیره نشان داد برداشت آب زیرزمینی با ضریب β=۰.۷۸ و سطح معناداری کمتر از ۰.۰۰۱، قوی‌ترین عامل فرونشست است.
نتیجه‌گیری: روش DInSAR به‌عنوان ابزاری سریع و نسبتاً دقیق در پایش فرونشست اثربخش است، به‌ویژه در مناطقی که داده‌های زمینی محدود هستند. این مطالعه ضمن تأکید بر نقش مؤثر عوامل انسانی در تشدید فرونشست، بر ضرورت نظارت پیوسته، بهره‌گیری از سامانه‌های هوشمند نظارتی، و بازنگری در الگوهای توسعه شهری تأکید می‌کند. از جمله پیشنهادهای پژوهش می‌توان به توسعه مدل‌های یادگیری ماشین با داده‌های Sentinel-1، تلفیق داده‌های GNSS  برای افزایش دقت تحلیل، و تهیه تغییرات کاربری اراضی با تصاویر Landsat و Sentinel-2 اشاره کرد. محدودیت پژوهش شامل نبود داده‌های میدانی به‌روز از سطح آب زیرزمینی و پراکندگی زمانی برخی تصاویر بود.
کلیدواژه‌ها
فرونشست؛ داده‌های راداری؛ اینترفروگرام
عنوان مقاله [English]
Monitoring and Analysis of Land Subsidence in Eastern Shiraz Using the DInSAR ‎Technique ‎
نویسندگان [English]
P. Borzabadi؛ A. Razaghpoor؛ M. Aslani؛ A. Sharifi
Department of Geoinformtion and Geomatics Engineering, Facutly of Civil, Water, and Environment Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]
Background and Objectives: Land subsidence is considered one of the most significant geomorphological hazards in arid and semi-arid regions, threatening groundwater resources, urban infrastructure, and agricultural lands for decades. In Iran, unregulated urban expansion and excessive groundwater extraction have intensified this phenomenon in major cities such as Tehran, Mashhad, Isfahan, and Shiraz. In particular, the eastern areas of Shiraz, characterized by alluvial soils, high building density, and sharp declines in groundwater levels, have become one of the primary hotspots of subsidence in southern Iran. Given the high potential of Sentinel-1 radar data for analyzing land deformation and the effectiveness of DInSAR in rapid monitoring, this study aims to analyze the spatiotemporal patterns of land subsidence in eastern Shiraz, investigate natural and anthropogenic contributing factors, and propose solutions for risk mitigation and support of sustainable urban development.
Methods: This study employed 24 Sentinel-1A SAR images (IW mode, VV polarization) from 2015 to 2025. Processing was conducted in SNAP software. Orbital corrections were applied using POD files, followed by radiometric calibration to extract Sigma0 values. A 7×7 Lee filter was used to reduce speckle noise. Fifteen image pairs with temporal baselines less than 365 days and perpendicular baselines below 150 meters were selected to generate interferograms. Phase unwrapping was performed using the SNAPHU algorithm with the Minimum Cost Flow (MCF) method. To minimize atmospheric effects, image pairs with similar humidity were chosen, and additional filtering included the Goldstein filter, topographic masking, and variogram analysis. The final phase data were analyzed statistically using mean, skewness, and kurtosis, as well as spatially through Moran’s I. Multiple regression analysis was also conducted to evaluate the influence of groundwater extraction, soil type, building density, and slope on the observed subsidence rates.
Findings: The results showed an average subsidence rate of 18.4 mm/year with a standard deviation of 8.2 mm. Three main subsidence hotspots with rates of 25–45 mm/year were identified in the north, center, and south of the study area. Statistical analysis indicated a positively skewed distribution (1.23) with a kurtosis of 2.87. Multivariate regression analysis showed that groundwater extraction (β = 0.78, p < 0.001) was the most influential factor. Soil type (clay), building density, and slope also had significant effects, with positive and negative contributions. Moran’s, I test confirmed a clustered spatial pattern of subsidence (I = 0.742).
Conclusion: DInSAR proved to be an effective and relatively accurate tool for monitoring land subsidence, especially in regions with limited in-situ data. This study underscores the significant role of human activities in exacerbating land subsidence and highlights the need for continuous monitoring, smart supervisory systems, and a reassessment of urban development patterns. Suggested future directions include developing machine learning models with Sentinel-1 data, integrating GNSS observations to enhance accuracy, and conducting land use change analysis using Landsat and Sentinel-2 imagery. The main limitations of the study were the lack of up-to-date groundwater level data and the temporal sparsity of some satellite images.
کلیدواژه‌ها [English]
Subsidence, Radar data, Interferogram
مراجع

[1] Shirzaei M, Bürgmann R, Fielding EJ. Measuring, modelling and projecting coastal land subsidence. Nat Rev Earth Environ. 2021;2(1):40–58. doi:10.1038/s43017-020-00115-x.

[2] Herrera-García G, et al. Mapping the global threat of land subsidence.Science.2021;371(6524):34–36.

doi:10.1126/science.abb8549.

[3] Davydzenka T, Tahmasebi P, Shokri N. Unveiling the global extent of land subsidence: The sinking crisis. Geophys Res Lett. 2024;51(4):e2023GL104497. doi:10.1029/2023GL104497.

[4] Bokhari R, et al. Land subsidence analysis using synthetic apertureradardata.Heliyon.2023;9(3): e14690.

doi:10.1016/j.heliyon.2023.e14690.

[5] Ao Z, et al. A national-scale assessment of land subsidence in China’s major cities. Science. 2024;384(6693):301–306.

doi:10.1126/science.adl4366.

[6] Motagh M, et al. Quantifying groundwater exploitation induced subsidence in the Rafsanjan plain, southeastern Iran, using InSAR time-series and in situ measurements. Eng Geol. 2017;218:134–151. doi:10.1016/j.enggeo.2017.01.011.

[7] Azarakhsh Z, Azadbakht M, Matkan A. Estimation, modeling, and prediction of land subsidence using Sentinel-1 time series in Tehran-Shahriar plain: A machine learning-based investigation. Remote Sens Appl Soc Environ. 2022;25:100691.

doi:10.1016/j.rsase.2021.100691.

[8] Moradi A, et al. Assessments of land subsidence in Tehran metropolitan, Iran, using Sentinel-1A InSAR. Environ Earth Sci. 2023;82(23):569. doi:10.1038/s41598-022-25659-4.

[9] Karami E, et al. Monitoring of land surface displacement based on SBAS-InSAR time-series and GIS techniques: A case study over the Shiraz Metropolis, Iran. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. 2023;10:371–378.

doi:10.1007/s10040-023-02657-y.

[10] Ou Q, et al. Large-scale interseismic strain mapping of the NE Tibetan Plateau from Sentinel-1 interferometry. J Geophys Res Solid Earth. 2022;127(6):e2022JB024176.

doi:10.1007/s12665-023-11225-2.

[11] Khoshlahjeh Azar M, Shami S, Nilfouroushan F. Integrated analysis of Hashtgerd plain deformation using Sentinel-1 SAR, geological and hydrological data. Sci Rep. 2022;12:21522.

doi:10.5194/isprs-annals-X-4-W1-2022-371-2023.

[12] Grebby S, et al. Delineating ground deformation over the Tengiz oil field, Kazakhstan, using the Intermittent SBAS (ISBAS) DInSAR algorithm. Int J Appl Earth Obs Geoinf. 2019;81:37–46.

[13] Bockstiegel M, et al. Simulation of present and future land subsidence in the Rafsanjan plain, Iran, due to groundwater overexploitation using numerical modeling and InSAR data analysis. Hydrogeol J. 2024;32(1):289–305.

[14] Gharechaee H, et al. Land subsidence susceptibility mapping using Interferometric Synthetic Aperture Radar (InSAR) and machine learning models in a semiarid region of Iran. Land. 2023;12(4):843.

[15] Haghshenas Haghighi M, Motagh M. Uncovering the impacts of depleting aquifers: A remote sensing analysis of land subsidence in Iran. Sci Adv. 2024;10(19):eadk3039.

doi:10.3390/ijgi11090495.

[16] Weiss JR, et al. High-resolution surface velocities and strain for Anatolia from Sentinel-1 InSAR and GNSS data. Geophys Res Lett. 2020;47(17):e2020GL087376.

[17] Babaee S, et al. Spatiotemporal characterization of the subsidence and change detection in Tehran plain (Iran) using InSAR observations and Landsat 8 satellite imagery. Remote Sens Appl Soc Environ. 2024;36:101290.

[18] Rafiei F, et al. Aquifer and land subsidence interaction assessment using Sentinel-1 data and DInSAR technique. ISPRS Int J Geo-Inf. 2022;11(9):495.

doi:10.1038/s41598-022-17438-y.

[19] Wang R, et al. Large-scale surface deformation monitoring using SBAS-InSAR and intelligent prediction in typical cities of Yangtze River Delta. Remote Sens. 2023;15(20):4942.

doi:10.3390/rs15204942.

[20] Hinderer J, et al. Water depletion and land subsidence in Iran using gravity, GNSS, InSAR and precise levelling data. In: Beyond 100: The Next Century in Geodesy. Proc IAG Gen Assem; 2019 Jul 8–18; Montreal, Canada. Cham: Springer; 2020. p.153–159.

[21] Ghorbani Z, et al. Use of InSAR data for measuring land subsidence induced by groundwater withdrawal and climate change in Ardabil Plain, Iran. Sci Rep. 2022;12(1):13998.

[22] Kariminejad N, et al. Deep learning-based predictive models of land subsidence and collapsed pipes in Razavi Khorasan Province, Iran. Earth Sci Inf. 2024;17(4):3529–3545.

doi:10.1007/s12145-024-01349-9.

[23] Ashraf T, Yin F, Liu L, Zhang Q. Land subsidence detection using SBAS- and Stacking-InSAR with zonal statistics and topographic correlations in Lakhra Coal Mines, Pakistan. Remote Sens. 2024;16(20):3815.

[24] Nguyen TT, Tran HT. Analyzing of land subsidence by Sentinel-1 time-series images using PSInSAR method: A case study of Thai Nguyen, Vietnam. Remote Sens Appl Soc Environ. 2023;32:100987.

[25] Sadeghi M, Rahimi A, Hosseini M. High-resolution PSInSAR mapping of land subsidence in the Qom Plain and integration with groundwater data. J Remote Sens Hydrol. 2025;12(1):45–62.

[26] Zhang Y, Liu X, Wang J. 3D fault zone detection via SBAS-InSAR and GNSS in the Hangzhou urban and rural area. Remote Sens Environ. 2024;297:113873.

[27] He S, Li K, Chen Q. Deep learning-enhanced hybrid DInSAR for rapid urban subsidence prediction. ISPRS J Photogramm Remote Sens. 2025;198:100–113.

[28] Zhang L, Lai Z, Syvitski J. Variation of material fluxes in a large heterogenic subtropical river: A combination of climate change and human damming influences. J Hydrol Reg Stud. 2023;50:101560. doi:10.1016/j.ejrh.2023.101560.

آمار
تعداد مشاهده مقاله: 27
تعداد دریافت فایل اصل مقاله: 7


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب