پیش‌بینی احتمال رانش زمین با تلفیق داده‌های راداری و پارامترهای ژئومورفولوژی

پدیده های ناپایداری شیب همچون لغزش، جریانات گلی و رانش‌های زمین هر ساله در مناطق کوهستانی و شیبدار ایران خسارات جانی و مالی قابل توجهی ایجاد می‌کنند. پیش‌بینی این پدیده‌ها نیازمند تحلیل همزمان عوامل زمین‌شناسی، هیدرولوژیکی و توپوگرافی است که با روش‌های سنتی دشوار و پرهزینه است. امروزه تلفیق داده‌های راداری ماهواره‌ای با پارامترهای ژئومورفولوژی، امکان شناسایی مناطق پرخطر را با دقت بالا فراهم کرده است.

ماهواره‌های راداری مانند Sentinel-1 با استفاده از تکنیک‌های تداخل‌سنجی (InSAR)، قادرند جابجایی‌های میلی‌متری سطح زمین را در طول زمان رصد کنند. این جابجایی‌ها اغلب نشانه‌های اولیه ناپایداری شیب هستند که می‌توانند منجر به رانش شوند. همزمان، پارامترهای ژئومورفولوژی مانند شیب، جهت دامنه، انحنای سطح، نوع خاک، پوشش گیاهی و بارش تاریخی به‌عنوان لایه‌های اطلاعاتی در تحلیل‌ها گنجانده می‌شوند.

الگوریتم‌های یادگیری ماشین، به‌ویژه جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (SVM)، با ترکیب این داده‌های چندمنبعه، مدل‌های پیش‌بینی احتمال رانش زمین را ایجاد می‌کنند. این مدل‌ها پس از آموزش روی داده‌های تاریخی رانش‌ها، قادرند نقشه‌های خطر را برای مناطق مشابه تولید کنند. فرآیند به‌روزرسانی مدل‌ها با داده‌های جدید، دقت پیش‌بینی‌ها را به‌طور مداوم افزایش می‌دهد.

کاربردهای این سیستم‌ها در برنامه‌ریزی شهری، ایمن‌سازی جاده‌ها و خطوط انتقال نیرو، و هشدار زودهنگام به جوامع محلی بسیار گسترده است. همچنین، این اطلاعات می‌تواند در ارزیابی ریسک پروژه‌های عمرانی و معدنی مورد استفاده قرار گیرد. اگر به پایش تغییرات سطح زمین با روش‌های راداری علاقه دارید، مقاله پایش تغییرات یخچال‌های طبیعی با interferometry راداری و مدل‌های پیش‌بینی را نیز مطالعه کنید.

برای یادگیری روش‌های عملی تلفیق داده‌های راداری و ساخت مدل‌های پیش‌بینی زمین‌شناسی، دوره‌های تخصصی ما در حوزه سنجش از دور و Google Earth Engine ابزارهای لازم را به شما می‌آموزند.