Evaluating Land Subsidence with SAR Interferometric Time Series and Spatial Analyses

Document Type : Research Paper

Authors

Department of Geomatics Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran

Abstract

Land subsidence is an environmental phenomenon of the gradual or sudden subsidence of the land. The purpose of the present study is to evaluate the land subsidence in Shabestar plain of East Azerbaijan province. Using Small Baseline Subset (SBAS) time series analysis method, the crust surface displacement rate between 2018 and 2021 is investigated. The maximum subsidence is seen in the southern and southeastern parts of the plain with a maximum rate of about 8 cm per year in the direction of the satellite line of sight. Also, using AHP the conditioning factors are weighted and the land subsidence susceptibility (LSS) is modeled using spatial analyses. Thereupon, Shabstar plain was classified into five regions with the LSS: "Very High": 3%, "High": 20%, "Moderate": 25%, "Low": 33% and "Very Low": 19% of the total area of the plain. To verify the accuracy of the subsidence susceptibility model, the displacement map obtained from radar interferometry was utilized, the area under the ROC curve of 86% confirmed the good prediction accuracy of the model. Also, the model was assessed by performing sensitivity analysis for most important conditioning factors. The introduced model can provide useful and reliable information for managers and decision-makers of the region for the effective and timely 'prevention' and 'mitigation' planning with low cost and time.

Highlights

The maximum land subsidence rate of about -79 mm per year in the direction of line of sight of the sensor is seen using SBAS time series method. The maximum subsidence is seen in the southern and southeastern parts of the plain. The obtained land subsidence susceptibility map was classified into 5 classes; namely the areas with the highest sensitivity to subsidence (Very High: 3%), areas with high probability of land subsidence (High: 20%), areas with moderate probability of land subsidence (Medium: 25%) and areas with low and very low susceptibility to land subsidence: (Low: 33%) and (Very low: 19%) classes in the land subsidence susceptibility map.

In this article, two methods have been used to verify the accuracy of the land subsidence sensitivity map that follows: a) Using displacement map produced by InSAR time series analysis method. The area under ROC curve showed the prediction accuracy of 86% b) Sensitivity analysis to the conditioning factors with highest weights. According to the performed validations, the effectiveness of the proposed method for evaluating land subsidence in Shabstar Plain was confirmed.

 

Conclusion

According to the InSAR time series results, land subsidence is more visible in the southern areas of Shabastar Plain. In the generated land subsidence susceptibility map, these areas were mainly located in the class ‘very high’ sensitivity to land subsidence too. Based on AHP method applied for weighing conditioning factors, among the selected factors, 'underground water level changes',  'geology' and 'land use' were the factors with highest weights; 36.8 %, 22.6% and 18.7% accordingly. The important role of the three factors in causing land subsidence was investigated and the existence of a direct and significant relationship between the important conditioning factors and land subsidence that occurred in the Shabstar plain in the period from 2018 to 2021 was confirmed.

By using the proposed method, it is possible to get a correct understanding of the region in terms of land subsidence occurred and prediction of land subsidence occurrence according to a set of conditioning factors and concerning their weights. This paper showed that the combination of SAR interferometry time series and spatial analysis can be an efficient and low-cost method to evaluate land subsidence in land subsidence prone areas. The method used in this paper can be useful for other areas where there is lack of enough field data about the occurred land subsidence or its preparation is time consuming and expensive. The results of this study can help managers and related authorities plan for necessary actions accurately and timely in the prevention and mitigation phase.

Keywords

Main Subjects

Full Text

پدیده فرونشست به عنوان جابجایی سطح زمین در جهت عمودی تعریف می‌شود که می‌تواند ناشی از فعالیت‌های انسانی یا پدیده‌های طبیعی باشد. طبق تعریف یونسکو، فرونشست زمین، فرونشست یا نشست سطح زمین است که به دلایل مختلف در مقیاس بزرگ رخ می‌دهد و می‌تواند به تدریج یا ناگهانی رخ دهد (لهستان، ۱۹۸۴). فرونشست زمین می‌تواند خسارات فیزیکی و اجتماعی خاصی را ایجاد کند. بنابراین، ارزیابی به موقع و قابل اعتماد این پدیده در مناطق آسیب‌پذیر ضروری است. در مطالعه حاضر، دشت شبستر به عنوان یکی از دشت‌های پرخطر واقع در استان آذربایجان شرقی به عنوان منطقه مورد مطالعه انتخاب شده است. داده‌ها و روش‌ها در این مقاله، با استفاده از روش تحلیل سری‌های زمانی SBAS، نقشه‌ای از نرخ جابجایی سطح پوسته دشت شبستر بین سال‌های ۲۰۱۸ تا ۲۰۲۱ تهیه شد. این دشت تقریباً در طول جغرافیایی ۴۵ درجه و ۱۱ دقیقه تا ۴۶ درجه و ۳ دقیقه و عرض جغرافیایی ۳۸ درجه و ۷ دقیقه تا ۳۸ درجه و ۲۳ دقیقه قرار دارد. اولین گام در تهیه نقشه جابجایی با استفاده از تداخل‌سنجی راداری (SAR)، انتخاب مجموعه مناسب از تصاویر SAR است. در این مطالعه از تصاویر Sentinel-1A استفاده شده است. از الگوریتم زیرمجموعه خط مبنای کوچک (SBAS) استفاده شد. 143 تداخل‌نگار برای 46 تصویر Sentinel-1A با استفاده از نرم‌افزار GMTSAR ایجاد شد، با این معیار که خطوط مبنای زمانی کمتر از 100 روز و خطوط مبنای مکانی کمتر از 100 متر باشند. نقشه جابجایی زمین دشت شبستر که نرخ جابجایی سالانه را نشان می‌دهد، به دست آمد. برای مدل‌سازی حساسیت فرونشست زمین منطقه مورد مطالعه، عوامل مؤثر بر فرونشست زمین با توجه به مطالعات قبلی انتخاب شدند. عوامل با استفاده از روش سلسله مراتبی تحلیلی (AHP) وزن‌دهی شدند. نقشه‌های عوامل طبقه‌بندی و زیرکلاس‌ها بر اساس نظرات کارشناسان رتبه‌بندی شدند. از همپوشانی وزنی برای ادغام همه عوامل با در نظر گرفتن وزن هر عامل و رتبه زیرکلاس‌ها در محیط GIS استفاده شد. با ترکیب وزنی معیارها و زیرمعیارهای به‌دست‌آمده در مراحل قبل، نقشه حساسیت فرونشست زمین تهیه شد.

References

  • Arabameri،, Lee, S., Rezaie, F., Chandra Pal, S., Asadi Nalivan, O., Saha, A., Chowdhuri, I., Moayedi, H. (2021), Performance Evaluation of GIS-Based Novel Ensemble Approaches for Land Subsidence Susceptibility Mapping, Frontiers in Earth Science, 9.
  • Berardino, P., Fornaro, G., Lanari, R., Sansosti, E. (2002), A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms, IEEE Transactions on geoscience and remote sensing, 40(11): 2375-2383.
  • Fadhillah, M. F., Achmad, A. R., Lee, C.-W. (2020), Integration of insar time-series data and GIS to assess land subsidence along subway lines in the Seoul metropolitan area, South Korea, Remote Sensing, 12(21): 3505.
  • Itoh, K. (1982), Analysis of the phase unwrapping algorithm, Applied optics, 21(14), 2470-2470.
  • Karimzadeh, S., Matsuoka, M. (2020), Ground Displacement in East Azerbaijan Province، Iran، Revealed by L-band and C-band InSAR Analyses، Sensors, 20(23): 6913.
  • Poland، F. (1984)، Guidebook to studies of land subsidence due to ground-water withdrawl, Unesco, 323 p.
  • Pradhan،، Abokharima، M. H.، Jebur، M. N.، Tehrany، M. S. (2014)، Land subsidence susceptibility mapping at Kinta Valley (Malaysia) using the evidential belief function model in GIS، Natural Hazards، 73(2): 1019-1042.
  • Saaty, T. L. (1977), A scaling method for priorities in hierarchical structures, Journal of Mathematical Psychology, 15(3), 234-281.
  • Saaty، L. (1980), The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation, McGraw-Hill International Book Company, 287 p.
  • Sousa, J. J., Ruiz, A. M., Bakoň, M., Lazecky, M., Hlaváčová, I., Patrício, G., Delgado, J. M., Perissin, D. (2016), Potential of C-Band SAR Interferometry for Dam Monitoring, Procedia Computer Science, 100: 1103-1114.

Files

Share

How to cite

Statistics