ارزیابی فرونشست دشت مرند با استفاده از روش تداخل‌سنجی راداری (InSAR)

نوع مقاله : مقاله پژوهشی

نویسندگان

شهرام روستایی

سیداسدالله حجازی

داود مختاری

داود امانی

گروه ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

10.22067/geoeh.2026.97067.1633

چکیده

این پژوهش با هدف ارزیابی فرونشست زمین در دشت مرند، با تداخل‌سنجی راداری (InSAR) و عوامل مؤثر بر بروز آن انجام شده است. تصاویر راداری در بازه زمانی ۲۰۲۰ تا ۲۰۲۴ نشان داد که نرخ فرونشست در این دشت بین صفر تا حداکثر ۷۴۵/۳ سانتیمتر در چهار سال متغیر بوده و میانگین آن حدود ۷۲۳/۱- سانتیمتر است. فرونشست از الگوی ناهمگن ولی پیوسته‌ای پیروی می‌کند، بیش از ۷۰ درصد مساحت دشت در کلاس‌های فرونشست متوسط به بالا قرار دارد. تحلیل عوامل مؤثر نشان داد که افت سطح آب زیرزمینی مهم‌ترین عامل محرک فرونشست است. این افت در مناطق جنوب‌شرقی و نیمه غربی دشت به بیش از ۱۰ متر نیز رسیده است. علاوه بر این، ضخامت زیاد آبخوان (تا ۲۸۲ متر)، غلبه رسوبات ریزدانه رسی و سیلتی کاهش تغذیه طبیعی آبخوان ، شیب کم زمین و فعالیت‌های انسانی مانند کشاورزی آبی و تغییر کاربری اراضی، از دیگر عوامل تشدیدکننده فرونشست در منطقه هستند. ارزیابی دقت روش با استفاده از منحنی ROC و محاسبه مساحت زیر منحنی (AUC=0.949) و ضریب جینی (GC=0.898) نشان‌دهنده عملکرد بسیار خوب مدل مورد استفاده است. یافته‌های پژوهش حاکی از وضعیت بحرانی فرونشست در دشت مرند به‌ویژه در نیمه غربی آن است

کلیدواژه‌ها

فرونشست زمین

تداخل سنجی راداری (InSAR)

آب زیرزمینی

تغییر شکل سطح زمین

سنتینل-1

موضوعات

• فرونشست زمین

---

©2026 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

 

 

مراجع

Abbaszadeh, A., Safari, A., & Ahmadabadi, A. (2024). Estimating the Subsidence Rate of Eyvanakey Plain and Analyzing the Role of Human Activities in its Occurrence. Journal of Geography and Environmental Hazards, 13(3), 35-55. [In Persian] https://doi.org/10.22067/geoeh.2024.87559.1477

Amiri, F., Momeni, M., & Mirassi, S. (2023). Assessing subsidence risk of Lordegan county using radar interferometry technique. Quantitative Geomorphological Research, 12(2), 230-244. [In Persian] https://doi.org/10.22034/gmpj.2023.405603.1443

Asadzadeh, F., Kaki, M., Shakiba, S., & Raei, B. (2016). Impact of Drought on Groundwater Quality and Groundwater Level in Qorveh-Chardoli Plain. Iran-Water Resources Research, 12(3), 153-165. [In Persian] https://www.iwrr.ir/article_32629.html?  

Azarm, Z., Mehrabi, H., & Nadi, S. (2023). Investigating the Relationship between Subsidence and Groundwater Level Changes using InSAR Time Series Analysis (Isfahan Study Area). Journal of Geography and Environmental Hazards, 11(4), 173-192. [In Persian] https://doi.org/10.22067/geoeh.2022.75774.1199

Batubara, B., Kooy, M., & Zwarteveen, M. (2023). Politicising land subsidence in Jakarta: How land subsidence is the outcome of uneven sociospatial and socionatural processes of capitalist urbanization. Geoforum, 139, 103689. https://doi.org/10.1016/j.geoforum.2023.103689

Ding, P., Jia, C., Di, S., Wu, J., & Wei, R. (2021). Analysis and evaluation of land subsidence along linear engineering based on InSAR data. Journal of Civil Engineering, 25(9), 3477-3491. https://doi.org/10.1007/s12205-021-0201-z

El Kamali, M., Papoutsis, I., Loupasakis, C., Abuelgasim, A., Omari, K., & Kontoes, C. (2021). Monitoring of land surface subsidence using persistent scatterer interferometry techniques and ground truth data in arid and semi-arid regions, the case of Remah, UAE. Science Total Environment, 776, 145946. https://doi.org/10.1016/j.scitotenv.2021.145946

Ferretti, A., Monti-Guarnieri, A., Prati, C., & Rocca, F. (2007).  InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications.

Galloway, D. L., & Burbey, T. J. (2011). Regional land subsidence accompanying groundwater extraction. Hydrogeology Journal, 19(8), 1459. https://doi.org/10.1007/s10040-011-0775-5

Guo, H., Yuan, Y., Wang, J., Cui, J., Zhang, D., Zhang, R., ... & Zhao, S. (2023). Large-scale land subsidence monitoring and prediction based on SBAS-InSAR technology with time-series sentinel-1A satellite data. Remote Sensing, 15(11), 2843. https://doi.org/10.3390/rs15112843

Haghshenas Haghighi, M., & Motagh, M. (2024). Uncovering the impacts of depleting aquifers: A remote sensing analysis of land subsidence in Iran. Science Advances, 10(19), eadk3039. https://www.science.org/doi/10.1126/sciadv.adk3039

Hosseinzadeh, S. R., Akbari, E., Javanshiri, M., & Mohammadpour, Z. (2023). Spatial Analysis of Ground Subsidence using Radar Interferometry (Case Study: Central Plain of Ghaen City). Journal of Geography and Environmental Hazards, 11(4), 99-126. [In Persian] https://doi.org/10.22067/geoeh.2022.75138.1169

Hu, B., Zhou, J., Wang, J., Chen, Z., Wang, D., & Xu, S. (2009). Risk assessment of land subsidence at Tianjin coastal area in China. Environmental Earth Sciences, 59(2), 269. https://doi.org/10.1007/s12665-009-0024-6

Huang, L., Zhu, P., Zhang, T., He, L., Wu, W., Ge, Z., & Ai, H. (2025). Investigation of land subsidence in Guangdong Province, China, using PS-InSAR technique. Advances in Space Research, 75(4), 3507-3520. https://doi.org/10.1016/j.asr.2024.12.034

Jiang, H., Zhang, J., Liu, Y., Li, J., & Fang, Z. N. (2023). Does flooding get worse with subsiding land? Investigating the impacts of land subsidence on flood inundation from Hurricane Harvey. Science Total Environment, 865, 161072. https://doi.org/10.1016/j.scitotenv.2022.161072

Karimzadeh, S., Matsuoka, M., & Ogushi, F. (2018). Spatiotemporal deformation patterns of the Lake Urmia Causeway as characterized by multisensor InSAR analysis. Science Report, 8, 5357. https://doi.org/10.1038/s41598-018-23650-6

Lin, Z., Huili, G., Lingling, J., Yaoming, S., Xiaojuan, L., & Jun, J. (2009). Research on evolution of land subsidence induced by nature and human activity by utilizing remote sensing technology. In 2009 Joint Urban Remote Sensing Event (pp. 1-5). IEEE. https://doi.org/10.1109/URS.2009.5137693

Melet, A., Buontempo, C., Mattiuzzi, M., Salamon, P., Bahurel, P., Breyiannis, G., ... & Voukouvalas, E. (2021). European Copernicus Services to inform on sea-level rise adaptation: current status and perspectives. Frontiers in Marine Science, 8, 703425. https://doi.org/10.3389/fmars.2021.703425

Mohammady, M., Pourghasemi, H., & Amiri, M. (2021). Investigation of Subsidence Susceptibility in the Semnan Plain Using Entropy Model. Journal Watershed Manage Research, 12(23), 75-85. [In Persian] http://jwmr.sanru.ac.ir/article-1-1002-fa.html

Nadiri, A., Taheri, Z., Khatibi, R., Barzegari, G., & Dideban, K. (2018). Introducing a new framework for mapping subsidence vulnerability indices (SVIs): ALPRIFT. Science of The Total Environment, 628–629, 1043-1057. https://doi.org/10.1016/j.scitotenv.2018.02.031

Rajabi, M., Roostaei, S., & Mataee, S. (2024). Evaluation of kermanshah plain subsidence time series using small-based radar interferometry technique (SBAS). Quantitative Geomorphological Research, 13(1), 1-17. [In Persian] https://doi.org/10.22034/gmpj.2022.363452.1380

Raspini, F., Caleca, F., Del Soldato, M., Festa, D., Confuorto, P., & Bianchini, S. (2022). Review of satellite radar interferometry for subsidence analysis. Earth-Science Reviews, 235, 104239. https://doi.org/10.1016/j.earscirev.2022.104239

Ren, T., Gong, W., Gao, L., & Zhao, F. (2024). Understanding land subsidence in the Pearl River Delta region of China based on InSAR observations. Engineering Geology, 339, 107646. https://doi.org/10.1016/j.enggeo.2024.107646

Rostami, A., Entezari, M., & Zakerinejad, R. (2023). Assessment and analysis of subsidence risk in Hashtgerd Plain. Quantitative Geomorphological Research, 12(3), 140-156. [In Persian] https://doi.org/10.22034/gmpj.2023.414731.1454

Villaseñor-Reyes, C. I., Hernández-Madrigal, V. M., & Figueroa-Miranda, S. (2022). Identification and assessment of land subsidence development in rural areas using PS interferometry: a case study in Western Michoacan, Mexico. Environmental Earth Sciences, 81(16), 417. https://doi.org/10.1007/s12665-022-10545-z

Zhang, J., Ke, C., Shen, X., Lin, J., & Wang, R. (2023). Monitoring land subsidence along the subways in Shanghai on the basis of time-series InSAR. Remote Sensing, 15(4), 908. https://doi.org/10.3390/rs15040908