پردازش‌خودکار بر مبنای فن تداخل‌سنجی با پراکنشگرهای دائمی جهت پایش فرونشست (مطالعۀ موردی: آبخوان هرات و مروست)

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 5، دوره 13، شماره 3 - شماره پیاپی 48، مهر 1401، صفحه 72-93   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2022.684418

نویسندگان

ابوالفضل محمدی فتح آباد¹؛ سید علی الحسینی المدرسی^{* 2}

¹دانشجوی کارشناسی ارشد سنجش ازدور و سیستم‌اطلاعات‌جغرافیایی، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی یزد، یزد، ایران

²استاد، گروه سنجش ازدور، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی یزد، یزد، ایران

چکیده

پیشینه و هدف یکی از مسائلی که در اثر برداشت آب زیرزمینی اتفاق می‌افتد نشست زمین (Land subsidence) است. این وضعیت اکنون در بسیاری از نقاط خشک و نیمه خشک ایران و بویژه استان یزد گزارش شده است. به علاوه، در دهه‌های اخیر توسعه ناهمگن اراضی کشاورزی و استخراج بی‌رویه از آب‌های زیرزمینی مخازن آبخوان‌های هرات و مروست در استان یزد باعث بروز پدید فرونشست زمین در پیرامون اراضی کشاورزی شده است. بالا آمدن جداره فلزی میله چاه‌های عمیق، شکاف‌های افقی بر روی سطح زمین به‌طور مستقیم نشان‌دهنده میزان فرونشینی سطح است. تشخیص و نمایان‌سازی نواحی که به دلیل خطرپذیری و به مخاطره انداختن زندگی، مستعد فرونشست هستند ضروری است..از سوی دیگر باید توجه داشته باشیم که تاثیرات فرونشست ممکن است به وسیله دیگر فعالیت‌های طبیعی در ناحیه همچون فعالیت‌های آتشفشانی، زمین لرزه‌ها و زمین‌لغزش‌ها تسریع شود و با توجه به لرزه‌خیز بودن مناطق زیادی از کشور ما توجه به این پدیده اهمیت ویژه‌ای دارد. امروزه یکی از دقیق‌ترین و کم هزینه‌ترین روش‌ها برای شناسایی حرکات سطح زمین، فن تداخل سنجی راداری است. این روش با مقایسه فازهای دو تصویر راداری که از یک منطقه در دو زمان متفاوت اخذ شده‌اند، قادر به تعیین تغییرات سطح زمین با دقت و توان تفکیک مکانی در حد سانتی‌متر و حتی میلی‌متر در آن بازهی زمانی خواهد بود. در این مقاله ما برای نخستین بار با استفاده از تصاویر ماهواره‌ای سنتینل-1 و نرم‌افزارهای منبع باز سعی در پایش وجود فرونشست زمین در آبخوان‌های هرات و مروست نمودیم. در این تحقیق، سعی داریم با به به‌کارگیری داده‌های سری زمانی حس‌گر سنتینل-1 که تاکنون در مطالعه فرونشست مناطق موردمطالعه استفاده‌نشده است به اهداف زیر دست‌یابیم. هدف پژوهش حاضر، اجرا کردن فن تداخل سنجی با پراکنش کننده‌های دائمی با استفاده از پکیج یکپارچه SNAP2StaMPS است. هدف دیگر می‌توان به برآورد نرخ فرونشست با پردازش مجموعه‌ای از تصاویر سنجنده سنتینل-1 در بازه زمانی 20/02/2017 تا 10/02/2019، تقریباً دوساله سری زمانی است. و هدف آخر بررسی پتانسیل دادۀ این حس­گر در تحلیل سری زمانی و پایش تغییرات حاصل از فرونشست زمین بود.
مواد و روش‌ها آبخوان هرات و مروست درواقع مناطق موردمطالعه در این تحقیق شامل، آبخوان هرات و مروست واقع در استان یزد می‌باشند. آبخوان هرات و مروست ازنظر زمین‌شناسی بخشی از زون‌های زاگرس (افیولیت، رادیولاریت) و سنندج- سیرجان هستند. مناطق مورد مطالعه موجود در حوضۀ درجه ۲ آبریز کویر ابرقو و سیرجان با کد 44 و مساحتی برابر با 57125.3 کیلومترمربع واقع شده است. در این پژوهش تعداد 24 داده مربوط به سنجنده سنتینل-1، در سطح تصویر مختلط تک منظر، گذر بالا، قطبش VV و شماره قطعه 93 مربوط به بازه زمانی تقریباً دوساله را در هر دو منطقه موردمطالعه مورد پردازش قرار گرفت. به‌طورکلی، قسمت اعظم پروسه پردازش و تحلیل سری زمانی تداخل سنجی با پراکنش کننده‌های دائمی (PSI) در این مقاله توسط دو نرم‌افزار متن‌باز اسنپ و استمپس صورت گرفت گرفت. درنهایت، برای خودکار نمودن مراحل تداخل سنجی از نوع تک مرجع، از مجموعه‌ای کد نوشته به زبان برنامه‌نویسی پایتون به نام SNAP2StaMPS که به‌خوبی بر اساس گراف‌های نرم‌افزار اسنپ طراحی‌شده است، استفاده شد.
نتایج و بحث یکی از نتایج پردازش تداخل‌سنجی به اساس الگوریتم خودکار SNAP2StaMPS در این پژوهش، تولید تداخل‌نگاشت که فاز توپوگرافی از روی آن‌ها حذف‌شده است، بود. از دیگر نتایج شاخص پراکندگی انحراف استاندارد برای نقشه متوسط جابجایی، هر دو آبخوان هرات و مروست به ترتیب برابر با 4.19 و 3.65 میلی‌متر در سال بود. همچنین از نتایج اصلی در این پژوهش برآورد نقشه متوسط جابجایی، آبخوان هرات بین -40.33 تا 11.46 میلی‌متر در سال و برای آبخوان مروست بین -39.79 تا 10.63 میلی‌متر در سال در راستای دید ماهواره در طول بازه زمانی موردمطالعه (2017 تا 2019) به دست آمد. بدین منظور ناحیه‌های به‌صورت تصادفی و ناحیه‌های نیز بر اساس شواهد میدانی فرونشست در هر دو محدوده مطالعاتی انتخاب شدند نواحی مربوط به آبخوان هرات شامل، 1) قنات سفید و 2) شمال چشمه‌علی و 3) شهر هرات و نواحی 4) قنات شوشوران 5) چاه حاجی‌آباد ناصری و 6) شهر مروست، مربوط به آبخوان مروست را می‌توان نام برد. در این مقاله با توجه عدم وجود ابزارهای تخصصی، جهت ارزیابی و صحت سنجی تنها راه بررسی نتایج، انطباق آن با شواهد زمینی فرونشست، نمودار­های سری زمانی و هیدرو گراف واحد آبخوان است.  با توجه به نتایج هیدرو گراف واحد آبخوان­های آبرفتی هرات و مروست، سطح آب زیرزمینی در آبخوان هرات در طول دوره 8 ساله از سال 1390 تا 1398 بر اساس داده‌های 28 چاه مشاهده‌ای در حدود 5.5 متر افت نموده است، برای آبخوان محدوده مطالعاتی مروست این هیدرو گراف نشان‌دهنده افت آب زیرزمینی در حدود 7 متر در طی دوره هشت‌ساله هست. نتایج سری زمانی حاصل از تداخل سنجی تصاویر مورداستفاده در این مقاله، نشان‌دهنده شیب‌خط برازشی که درواقع میزان وجهت جابجایی (به سمت بالا یا پایین) را نشان می‌دهد، حاکی یک‌روند نزولی رو به پایین در ناحیه شماره دوم (قنات سفید از آبخوان هرات) و پنجم (قنات شو شوران از آبخوان مروست) به ترتیب میزان آن برابر با حدود 5 و 7 سانتی‌متر را نشان می‌دهند. که این نتایج ارتباط معنی‌داری با هیدرو گراف واحد هر دو آبخوان دارد.
نتیجه‌گیری در این تحقیق، برای برآورد نرخ پدیده فرونشست در آبخوان‌های هرات و مروست از استان یزد، از فن تداخل سنجی با پراکنش گرهای دائمی با استفاده از داده‌های سنجنده سنتینل-1 و پکیج منبع باز SNAP2StaMPS، استفاده شد. همچنین، پتانسیل نرم­افزارهای استمپس و اسنپ جهت پردازش تداخل سنجی راداری بررسی شد، و همچنین جزئیات اجرای بسته نرم‌افزاری استپ به استمپس را نشان داده شد. به طور کلی، بر اساس خروجی­های پردازش شده از این پکیچ و نتایج حاصل از صحت سنجی می­توان به توانایی روش خودکار ارائه شده در این پژوهش جهت پایش فرونشست پی برد و از این الگوریتم در مناطق مطالعاتی دیگر استفاده کرد. 

کلیدواژه‌ها

ماهواره سنتینل-1؛ فرونشست زمین؛ تداخل‌سنجی تفاضلی(DInSAR)؛ آبخوان هرات و مروست؛ تداخل سنجی با پراکنش گرهای دائمی (PSI)

مراجع

Arvin A, Vahabzadeh G, Mousavi SR, Bakhtyari Kia M. 2019. Geospatial modeling of land subsidence in the south of the Minab watershed using remote sensing and GIS. Journal of RS and GIS for Natural Resources, 10(3): 19-34. (In Persian).

Bamler R, Hartl P. 1998. Synthetic aperture radar interferometry. Inverse problems, 14(4): R1-R54. doi:http://dx.doi.org/10.1088/0266-5611/14/4/001.

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. doi:http://dx.doi.org/10.1109/TGRS.2002.803792.

Bozzano F, Esposito C, Franchi S, Mazzanti P, Perissin D, Rocca A, Romano E. 2015// 2015. Analysis of a Subsidence Process by Integrating Geological and Hydrogeological Modelling with Satellite InSAR Data. In: Lollino G, Manconi A, Guzzetti F, Culshaw M, Bobrowsky P, Luino F (eds) Engineering Geology for Society and Territory - Volume 5, Cham. Springer International Publishing, pp 155-159.

Bozzano F, Esposito C, Franchi S, Mazzanti P, Perissin D, Rocca A, Romano E. 2015// 2015. Analysis of a Subsidence Process by Integrating Geological and Hydrogeological Modelling with Satellite InSAR Data. In: Lollino G, Manconi A, Guzzetti F, Culshaw M, Bobrowsky P, Luino F (eds) Engineering Geology for Society and Territory - Volume 5, Cham. Springer International Publishing, pp 155-159. https://doi.org/110.1007/1978-1003-1319-09048-09041_09031.

Cian F, Blasco JMD, Carrera L. 2019. Sentinel-1 for monitoring land subsidence of coastal cities in Africa using PSInSAR: a methodology based on the integration of SNAP and StaMPS. Geosciences, 9(3): 124. doi:https://doi.org/10.3390/geosciences9030124.

Crosetto M, Monserrat O, Cuevas-González M, Devanthéry N, Crippa B. 2016. Persistent Scatterer Interferometry: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 115: 78-89. doi:https://doi.org/10.1016/j.isprsjprs.2015.10.011.

Dehghani M. 2016. Landslide Monitoring Using Hybrid Conventional and Persistent Scatterer Interferometry. Journal of the Indian Society of Remote Sensing, 44(4): 505-513. doi:https://doi.org/10.1007/s12524-015-0536-3.

Delgado Blasco J, Foumelis M. Automated SNAP Sentinel-1 DInSAR processing for StaMPS PSI with open source tools (version 1.0. 1). Zenodo Available online: doi:http://doiorg/105281/zenodo1322353.

Delgado Blasco JM, Foumelis M, Stewart C, Hooper A. 2019. Measuring urban subsidence in the Rome metropolitan area (Italy) with Sentinel-1 SNAP-StaMPS persistent scatterer interferometry. Remote Sensing, 11(2): 129. doi:https://doi.org/10.3390/rs11020129.

Ferretti A, Prati C, Rocca F. 2000. Nonlinear subsidence rate estimation using permanent scatterers in differential SAR interferometry. IEEE Transactions on geoscience and remote sensing, 38(5): 2202-2212. doi:http://dx.doi.org/10.1109/36.868878.

Ferretti A, Prati C, Rocca F. 2001. Permanent scatterers in SAR interferometry. IEEE Transactions on Geoscience and Remote sensing, 39(1): 8-20. doi:http://dx.doi.org/10.1109/36.898661

FerrettiA M, GuarnieriA P. 2007. InSAR Principles: GuidelinesforSARInterferometryProcessingand Interpretation. ESAPublications.

Foroughnia F, Nemati S, Maghsoudi Y. 2018. PS-InSAR Time Series Analysis Using Sentinel-1A and ENVISAT-ASAR Data Stacks for Subsidence Estimation in Tehran. Iranian Journal of Remote Sensing & GIS, 10(1): 57-72.

Foumelis M, Blasco JMD, Desnos Y-L, Engdahl M, Fernández D, Veci L, Lu J, Wong C. 2018. ESA SNAP-StaMPS integrated processing for sentinel-1 persistent scatterer interferometry. In: IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, pp 1364-1367.

Galloway D, Burbey T. 2011. Review: regional land subsidence accompanying groundwater extraction. Hydrogeology 19: 1459–1486. doi:https://doi.org/10.1007/s10040-011-0775-5

Hooper A, Bekaert D, Spaans K, Arıkan M. 2012. Recent advances in SAR interferometry time series analysis for measuring crustal deformation. Tectonophysics, 514-517: 1-13. doi:https://doi.org/10.1016/j.tecto.2011.10.013.

Hooper A, Spaans K, Bekaert D, Cuenca MC, Arıkan M, Oyen A. 2010. StaMPS/MTI manual. Delft Institute of Earth Observation and Space Systems Delft University of Technology, Kluyverweg, 1: 2629.

Jelének J, Kopačková V, Fárová K. 2018. Post-earthquake landslide distribution assessment using sentinel-1 and-2 data: The example of the 2016 mw 7.8 earthquake in New Zealand. In: Proceedings, vol 7. MDPI AG, pp 361. doi:https://doi.org/310.3390/ecrs-3392-05174.

Mahapatra P, der Marel Hv, van Leijen F, Samiei-Esfahany S, Klees R, Hanssen R. 2018. InSAR datum connection using GNSS-augmented radar transponders. Journal of Geodesy, 92(1): 21-32. doi:https://doi.org/10.1007/s00190-017-1041-y.

Mancini F, Grassi F, Cenni N. 2021. A workflow based on SNAP–StaMPS open-source tools and GNSS data for PSI-Based ground deformation using dual-orbit sentinel-1 data: Accuracy assessment with error propagation analysis. Remote Sensing, 13(4): 753.

Orellana F, Delgado Blasco JM, Foumelis M, D’Aranno PJ, Marsella MA, Di Mascio P. 2020. Dinsar for road infrastructure monitoring: Case study highway network of Rome metropolitan (Italy). Remote Sensing, 12(22): 3697. doi:https://doi.org/10.3390/rs12223697.

Scheiber R, Moreira A. 2000. Coregistration of interferometric SAR images using spectral diversity. IEEE Transactions on Geoscience and Remote Sensing, 38(5): 2179-2191. doi:https://doi.org/10.1109/36.868876.

Takaku J, Tadono T, Tsutsui K, Ichikawa M. 2016. Validation of" AW3D" global DSM generated from Alos Prism. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 3: 25. doi:http://dx.doi.org/10.5194/isprs-annals-III-4-25-2016.

Villasenor J, Zebker H. 1992. Temporal decorrelation in repeat pass-radar interferometry. In: In: IGARSS'92; Proceedings of the 12th Annual International Geoscience and Remote Sensing Symposium, Houston, TX, May 26-29, 1992. Vol. 2 (A93-47551 20-43). Institute of Electrical and Electronics Engineers, Inc.

Zan De F, Guarnieri AM. 2006. TOPSAR: Terrain observation by progressive scans. IEEE Transactions on Geoscience and Remote Sensing, 44(9): 2352-2360. doi:http://dx.doi.org/10.1109/TGRS.2006.873853.

Zarekamali M, Alhoseini Almodaresi SA, Naghdi K. 2017. Comparing the magnitude of the earth’s vertical relocation using the SBAS algorithm in X and C radar bands (Case study: Tehran lands). Journal of RS and GIS for Natural Resources, 8(3): 104-120. (In Persian).

Zhou X, Chang N-B, Li S. 2009. Applications of SAR interferometry in earth and environmental science research. Sensors, 9(3): 1876-1912. doi: https://doi.org/10.3390/s90301876.

Zhu XX, Wang Y, Montazeri S, Ge N. 2018. A review of ten-year advances of multi-baseline SAR interferometry using TerraSAR-X data. Remote Sensing, 10(9): 1374. doi:https://doi.org/10.3390/rs10091374.