Mapeo de Susceptibilidad a la Subsidencia del Suelo Usando Radar de Apertura Sintética Interferométrico (InSAR) y Modelos de Aprendizaje Automático en una Región Semiarida de Irán
Autores: Gharechaee, Hamidreza; Samani, Aliakbar Nazari; Sigaroodi, Shahram Khalighi; Baloochiyan, Abolfazl; Moosavi, Maryam Sadat; Hubbart, Jason A.; Sadeghi, Seyed Mohammad Moein
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mapeo de Susceptibilidad a la Subsidencia del Suelo Usando Radar de Apertura Sintética Interferométrico (InSAR) y Modelos de Aprendizaje Automático en una Región Semiarida de Irán
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Extracción de aguas subterráneas
Hundimiento del terreno
Técnicas de interferometría radar
Aprendizaje automático
Susceptibilidad al hundimiento
Variables influyentes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La mayoría de los estudios publicados identifican la extracción de agua subterránea como la principal causa de la subsidencia del terreno (LS). Sin embargo, las causas de la LS no son únicamente atribuibles a la extracción de agua subterránea. Otras prácticas de uso del suelo también pueden afectar la ocurrencia de la LS. En este estudio, se utilizaron técnicas de interferometría radar y modelos de aprendizaje automático (ML) para la predicción, zonificación de susceptibilidad y priorización de variables influyentes en la ocurrencia de la LS en la cuenca de Bakhtegan. La tasa de LS se caracterizó aplicando un radar de apertura sintética interferométrica (InSAR). Se utilizó el método de eliminación recursiva de características (RFE) para detectar y seleccionar la combinación dominante de indicadores para preparar un mapa de susceptibilidad a la LS. Se utilizaron tres modelos de ML, incluyendo bosque aleatorio (RF), vecinos más cercanos (KNN) y árboles de clasificación y regresión (CART), para desarrollar modelos predictivos. Los tres modelos tuvieron un rendimiento aceptable. Entre los modelos de ML, el modelo RF tuvo el mejor desempeño (es decir, métricas de eficiencia de Nash-Sutcliffe, eficiencia de Kling-Gupta, coeficiente de correlación y sesgo porcentual de 0.76, 0.78, 0.88 y 0.70 para la fase de validación, respectivamente). El análisis realizado sobre las salidas de los tres modelos de ML mostró que las clases de susceptibilidad a la LS alta y muy alta se encontraban en o cerca de tierras agrícolas irrigadas. Los resultados indican que la principal causa de la LS en la región de estudio no se debe a los retiros de agua subterránea. En cambio, la distancia de las presas y la proximidad a anticlinales, fallas y minas son los identificadores más importantes de la susceptibilidad a la LS. Además, la mayor probabilidad de susceptibilidad a la LS se encontró a distancias menores de 18 km de los sinclinales, de 6 a 13 km de los anticlinales, 23 km de las presas y distancias menores de 20 a más de 144 km de las minas. Los métodos validados presentados en este estudio son reproducibles, transferibles y recomendados para mapear la susceptibilidad a la LS en zonas climáticas semiáridas y áridas con condiciones ambientales similares.
Descripción
La mayoría de los estudios publicados identifican la extracción de agua subterránea como la principal causa de la subsidencia del terreno (LS). Sin embargo, las causas de la LS no son únicamente atribuibles a la extracción de agua subterránea. Otras prácticas de uso del suelo también pueden afectar la ocurrencia de la LS. En este estudio, se utilizaron técnicas de interferometría radar y modelos de aprendizaje automático (ML) para la predicción, zonificación de susceptibilidad y priorización de variables influyentes en la ocurrencia de la LS en la cuenca de Bakhtegan. La tasa de LS se caracterizó aplicando un radar de apertura sintética interferométrica (InSAR). Se utilizó el método de eliminación recursiva de características (RFE) para detectar y seleccionar la combinación dominante de indicadores para preparar un mapa de susceptibilidad a la LS. Se utilizaron tres modelos de ML, incluyendo bosque aleatorio (RF), vecinos más cercanos (KNN) y árboles de clasificación y regresión (CART), para desarrollar modelos predictivos. Los tres modelos tuvieron un rendimiento aceptable. Entre los modelos de ML, el modelo RF tuvo el mejor desempeño (es decir, métricas de eficiencia de Nash-Sutcliffe, eficiencia de Kling-Gupta, coeficiente de correlación y sesgo porcentual de 0.76, 0.78, 0.88 y 0.70 para la fase de validación, respectivamente). El análisis realizado sobre las salidas de los tres modelos de ML mostró que las clases de susceptibilidad a la LS alta y muy alta se encontraban en o cerca de tierras agrícolas irrigadas. Los resultados indican que la principal causa de la LS en la región de estudio no se debe a los retiros de agua subterránea. En cambio, la distancia de las presas y la proximidad a anticlinales, fallas y minas son los identificadores más importantes de la susceptibilidad a la LS. Además, la mayor probabilidad de susceptibilidad a la LS se encontró a distancias menores de 18 km de los sinclinales, de 6 a 13 km de los anticlinales, 23 km de las presas y distancias menores de 20 a más de 144 km de las minas. Los métodos validados presentados en este estudio son reproducibles, transferibles y recomendados para mapear la susceptibilidad a la LS en zonas climáticas semiáridas y áridas con condiciones ambientales similares.