[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
مطالعه فرونشست در مناطق شهری و تأثیر آن بر زیرساخت‌های حمل‌ونقلی با استفاده از روش مبتنی بر پراکنشگرهای دائمی
محمدرضا ارجمندراد، بهزاد وثوقی، زهرا قربانی*
چکیده:   (93 مشاهده)
در مناطق شهری، تغییرشکل زیرساخت ­های حمل و نقلی و شبکه ­های جاده­ای ممکن است منجر به حوادث ایمنی جدی شود. بنابراین مدیریت و نظارت برای جلوگیری از حوادث حمل و نقل و اطمینان از کیفیت ساخت و سازها، به ویژه در مناطقی با فرونشست زمین مانند استان قم، حیاتی است. آمار پایین بارندگی سالانه، خشک‌سالی‌های پیاپی و نیز جنس خاک منطقه سبب شده تا این استان به ویژه شهر قم در زمره مناطق مستعد فرونشست زمین قرار گیرند. نبود ایستگاه دائمی ژئودینامیک در محدوده شهری قم و همچنین پرهزینه و زمان‌بر بودن انجام عملیات ترازیابی سبب شد تا فناوری تداخل­ سنجی راداری به‌عنوان یکی از روش­های برتر جهت پایش تغییرشکل زمین انتخاب شود. در این مطالعه، از روش تداخل ­سنجی راداری با دریچه مصنوعی مبتنی بر پراکنشگرهای دائمی (PS-InSAR) به منظور پایش و بازرسی زیرساخت­ ها استفاده شده است، زیرا امکان دستیابی به نتایج قابل اعتماد در شناسایی و پیشگیری از ناپایداری­های زیرساختی را در طول زمان فراهم می­ کند. برای برآورد نرخ فرونشست زمین در شهر قم از 29 تصویر راداری پایین ­رو سنجنده سنتینل-1 طی بازه زمانی ژانویه 2019 تا نوامبر 2020 استفاده‌شده است. جهت پردازش تصاویر راداری و تحلیل سری زمانی از نرم‌افزار GMTSAR2StaMPS (G2S)  استفاده‌شده است. نتایج نشان داد که محدوده جنوب شرقی شهر قم دارای فرونشستی به میزان 5/54- میلی‌متر بر سال در راستای خط دید ماهواره است. موضوع نگران‌کننده کشیده شدن فرونشست زمین به محدوده مرکزی شهر و آسیب در زیرساخت‌های مهم شهری می‌باشد که جهت پیشگیری از این مسئله باید تدابیر کارآمدی در نظر گرفته شود. بررسی پیزومترهای منطقه و هیدروگراف قم-کهک نشان‌دهنده افت 8/1 متری تراز سطح آب در بازه زمانی مهر 1396 تا مهر 1400 است که این امر موجب فرونشستی در حدود 5/7- سانتی‌متر بر سال در راستای قائم در جنوب‌شرقی قم شده‌است. همچنین با توجه به تطابق خوب نتایج حاصل از تداخل‌سنجی راداری و افت سطح آب‌های زیرزمینی در منطقه می‌توان بهره‌برداری بی‌رویه از منابع آب زیرزمینی جهت مصارف کشاورزی دلیل اصلی فرونشست در این محدوده دانست.

 
شماره‌ی مقاله: 8
واژه‌های کلیدی: فرونشست، قم، تداخل‌سنجی راداری، سنتینل-1،  آب زیرزمینی، چاه‌های پیزومتر
     
نوع مطالعه: پژوهشي | موضوع مقاله: ژئودزی و هیدروگرافی
فهرست منابع
1. Gao, M.; Gong, H.; Li, X.; Chen, B.; Zhou, C.; Shi, M.; Guo, L.; Chen, Z.; Ni, Z.; Duan, G. Land Subsidence and
2. Ground Fissures in Beijing Capital International Airport (BCIA): Evidence from Quasi-PS InSAR Analysis.
3. Remote Sens. 2019, 11, 1466.
4. Hu, S.; Zhang, H.; Zhang, L. Influence analysis of ground seam on urban overpass and disease prevention.
5. J. China Foreign Highw. 2018, 38, 167-172.
6. Bugajska, N. J., & Milczarek, W. J. (2021, March). Remote sensing monitoring of influence of underground mining in the area of the S3 Express Road. In IOP Conference Series: Earth and Environmental Science (Vol. 684, No. 1, p. 012028). IOP Publishing. [DOI:10.1088/1755-1315/684/1/012028]
7. Thapa, S., Chatterjee, R. S., Singh, K. B., & Kumar, D. (2016). LAND SUBSIDENCE MONITORING USING PS-InSAR TECHNIQUE FOR L-BAND SAR DATA. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 40. [DOI:10.5194/isprs-archives-XLI-B7-995-2016]
8. Tarighat, F., Foroughnia, F., & Perissin, D. (2021). Monitoring of power towers' movement using persistent scatterer SAR interferometry in south west of Tehran. Remote Sensing, 13(3), 407. [DOI:10.3390/rs13030407]
9. Lyu, M., Ke, Y., Li, X., Zhu, L., Guo, L., & Gong, H. (2020). Detection of seasonal deformation of highway overpasses using the PS-InSAR technique: A case study in Beijing urban area. Remote Sensing, 12(18), 3071. [DOI:10.3390/rs12183071]
10. Soodmand Afshar, R., & Ahmadi, S. (2020). Monitoring of land subsidence due to overexploitation of groundwater using PS-InSAR in the region in hamadan proviance, Iran. Engineering Journal of Geospatial Information Technology, 8(1), 79-99. [DOI:10.29252/jgit.8.1.79]
11. Deng, Z., Ke, Y., Gong, H., Li, X., & Li, Z. (2017). Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model. GIScience & Remote Sensing, 54(6), 797-818. [DOI:10.1080/15481603.2017.1331511]
12. Maghsoudi, Y., van der Meer, F., Hecker, C., Perissin, D., & Saepuloh, A. (2018). Using PS-InSAR to detect surface deformation in geothermal areas of West Java in Indonesia. International journal of applied earth observation and geoinformation, 64, 386-396. [DOI:10.1016/j.jag.2017.04.001]
13. Hussain, S., Hongxing, S., Ali, M., & Ali, M. (2021). PS-InSAR based validated landslide susceptibility modelling: a case study of Ghizer valley, Northern Pakistan. Geocarto International, 1-22. [DOI:10.1080/10106049.2020.1870165]
14. Dwivedi, R., Varshney, P., Tiwari, A., Narayan, A. B., Singh, A. K., Dikshit, O., & Pallav, K. (2015, March). Monitoring of landslides in Nainital, Uttarakhand, India: validation of PS-InSAR results. In 2015 Joint Urban Remote Sensing Event (JURSE) (pp. 1-4). IEEE. [DOI:10.1109/JURSE.2015.7120538]
15. Galve, J.P.; Castañeda, C.; Gutiérrez, F. Railway deformation detected by DInSAR over active sinkholes in
16. the Ebro Valley evaporite karst, Spain. Hazards Earth Syst. Sci. 2015, 15, 2439-2448. [DOI:10.5194/nhess-15-2439-2015]
17. Galve, J.P.; Castañeda, C.; Gutiérrez, F.; Herrera, G. Assessing sinkhole activity in the Ebro Valley mantled
18. evaporite karst using advanced DInSAR. Geomorphology 2015, 229, 30-44. [DOI:10.1016/j.geomorph.2014.07.035]
19. Villarroel, C.D.; Beliveau, G.T.; Forte, A.P.; Monserrat, O.; Morvillo, M. DInSAR for a regional inventory of
20. active rock glaciers in the Dry Andes Mountains of Argentina and Chile with سنتینل-1 data. Remote Sens.
21. 2018, 10, 1588.
22. Solari, L.; Ciampalini, A.; Raspini, F.; Bianchini, S.; Moretti, S. PSInSAR analysis in the pisa urban area (Italy):
23. A case study of subsidence related to stratigraphical factors and urbanization. Remote Sens. 2016, 8, 120. [DOI:10.3390/rs8020120]
24. Ferretti, A.; Prati, C.; Rocca, F. Permanent scatterers in SAR interferometry. IEEE Trans. Geosci. Remote Sens.
25. 2001, 39, 8-20.
26. Babaee, S.S., S. Khazai, and F. Ghasser Mobarake, Interferometric Processing Time Series COSMO-SkyMed Pictures to Calculate Subsidence Rate of the Ground and Underground Structures. ISSGE, 2017. 7(1): p. 55-67.
27. Sandwell, D., Mellors, R., Tong, X., Xu, X., Wei, M., & Wessel, P. http://topex. ucsd. edu/gmtsar/tar/GMTSAR_2ND_TEX. pdf.
28. Hooper, A., Bekaert, D., Hussain, E., & Spaans, K. (2018). StaMPS/MTI manual: Version 4.1 b. School of Earth and Environment, University of Leeds. Retrieved October, 15, 2019.
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology