پژوهش های سنجش از دور و اطلاعات مکانی

دوفصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

همکاران دفتر نشریه

اصول اخلاقی انتشار مقاله

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

آیین نامه ها و مصوبات

مطالعه تطبیقی تصاویر راداری و اپتیک در برآورد میدان جابجایی سطح زمین(منطقه مورد مطالعه: شهرستان مراغه)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران

چکیده

پیشینه و اهداف: پدیده ی جابجایی سطح زمین، به‌ویژه فرونشست و تغییرات افقی، یکی از مهم‌ترین تهدیدهای زیست‌ محیطی و عمرانی در بسیاری از مناطق جهان و ایران به شمار می‌رود. به‌همین دلیل پایش و اندازه‌گیری دقیق آن از اهمیت بالایی بر‌خوردار است. در سال‌های اخیر، استفاده از فناوری‌های سنجش از دور مانند تداخل‌سنجی راداری و ردیابی انحراف پیشرفت چشمگیری داشته است. همچنین، تصاویر اپتیکی و داده‌‌های پهپادی نیز امکان بازسازی مدل‌های سه‌بعدی و استخراج تغییرات سطح زمین را فراهم کرده‌اند. باوجود این، اغلب مطالعات موجود تنها از یکی از این روش‌ها بهره گرفته‌اند و کمتر پژوهشی به بررسی تلفیق داده‌های راداری و اپتیکی پرداخته است. بنابراین، هدف اصلی پژوهش حاضر بررسی جامع میدان جابجایی سطح زمین با استفاده از تلفیق تصاویر راداری و اپتیک است.
روش‌ها‌: انتخاب روستاهای بلبل، جوکو، تازه‌کند نصیرپور، بالی‌قایا و لاله‌زار واقع در شهرستان مراغه، به‌عنوان مناطق مطالعه، این امکان را فراهم می‌سازد که رفتار جابجایی در بافت‌های متفاوت (مسکونی و مسطح) مورد ارزیابی قرار گیرد. در این پژوهش، جابجایی سطح زمین با استفاده از دو رویکرد متفاوت، یعنی اندازه‌گیری جابجایی عمودی و اندازه‌گیری جابجایی مسطحاتی ، برای منطقه ی مورد مطالعه بررسی و مقایسه شد. تحلیل‌ها بر اساس میانگین تغییرات در دو نوع بافت زمین، شامل مناطق مسکونی و شهری و مناطق مسطح و هموار انجام گرفت. به‌این منظور از تلفیق سه روش تداخل‌سنجی، ردیابی انحراف و استفاده از تصاویر اپتیک فتوگرامتری و تکنیک تبدیل سه‌بعدی مدل تصاویر استفاده شد. در تکنیک تداخل‌سنجی 7 تصویر راداری با فواصل حدودا 3 ماهه جمع‌آوری و پردازش شدند. در تکنیک ردیابی انحراف 7 تصویر راداری جمع‌آوری و پردازش شدند که در مجموع 12 پردازش انجام شد. 4 سری تصویر پهپادی نیز با فواصل زمانی حدودا 4 ماهه از منطقه برداشت و پردازش شد.
یافته‌ها: در بخش جابجایی عمودی، نتایج نشان داد که بیشترین نشست در روستای لاله‌زار رخ داده‌است؛ به‌طوری که در مناطق مسکونی و شهری بین ۱۳ تا ۱۵ سانتی‌متر و در مناطق مسطح و هموار بین ۱۲ تا ۱۴ سانتی‌متر کاهش ارتفاع زمین مشاهده شد. این میزان نشست می‌تواند ناشی از برداشت بیش از حد آب‌های زیرزمینی و ویژگی‌های زمین‌شناسی خاص این روستا باشد. در مقابل، کمترین نشست به روستای بالی‌قایا مربوط است که میزان تغییرات آن در مناطق مسکونی حدود ۲ تا ۳ سانتی‌متر و در مناطق مسطح و هموار حدود ۷ سانتی‌متر بوده‌است. در بخش جابجایی مسطحاتی، بیشترین مقدار مربوط به روستای بلبل بود که در مناطق مسطح و هموار حدود ۵ تا ۶ میلی‌متر و در مناطق مسکونی حدود 8/1 تا 1/2 میلی‌متر جابجایی افقی ثبت شد. کمترین جابجایی مسطحاتی نیز در روستای بالی‌قایا با مقادیری کمتر از 5/1 میلی‌متر در مناطق مسکونی و حدود ۴ میلی‌متر در مناطق سطح و هموار گزارش گردید.
نتیجه‌گیری:  مقایسه ی کلی بین دو روش نشان می‌دهد که هرچند روند تغییرات در هر دو روش تقریباً یکسان است و هر دو روش روستاهای دارای بیشترین و کمترین جابجایی را به‌صورت مشابه شناسایی کرده‌اند، اما مقادیر عددی در برخی موارد اختلاف دارند. این اختلاف‌ها می‌تواند به دلیل حساسیت متفاوت هر روش به نوع جابجایی (افقی یا عمودی)، شرایط تصویربرداری و الگوریتم‌های پردازش باشد. به‌طور کلی، استفاده ی ترکیبی از هر دو روش می‌تواند دید جامع‌تری از وضعیت جابجایی زمین فراهم کند و دقت تصمیم‌گیری در مدیریت منابع، پایش فرونشست و برنامه‌ریزی عمرانی را تا حد زیادی بهبود بخشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A Comparative study of radar and optical imagery in estimating ground displacement fields (study area: Maraghe)

نویسندگان [English]

  • yahya djamour
  • asghar milan
  • leily zamany

Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

چکیده [English]

Background and Objectives: The phenomenon of ground surface displacement—particularly subsidence and horizontal movement—is one of the most significant environmental and geotechnical threats in many regions of the world, including Iran. Therefore, accurate monitoring and measurement of these displacements are of great importance. In recent years, the application of remote sensing technologies such as radar interferometry (InSAR) and offset tracking has made remarkable progress. Additionally, optical imagery and UAV (drone) data have enabled the reconstruction of 3D models and the extraction of surface deformation patterns. However, most previous studies have utilized only one of these techniques, and few have focused on integrating radar and optical data. Accordingly, the main objective of this study is to conduct a comprehensive investigation of ground displacement fields through the integration of radar and optical imagery.
Methods: Five villages-Bolbol, Joko, Tazehkand Nasirpour, Bali Qaya, and Lalehzar, located in the southeastern region of Maragheh County, were selected as study areas to allow the assessment of displacement behavior across different land types (residential/urban and flat/rural areas). Ground displacement was analyzed using two distinct approaches: vertical displacement (subsidence/uplift) and horizontal displacement. The analyses were based on average deformation values within the two major land categories. Three complementary techniques were employed: radar interferometry (InSAR), offset tracking, and optical photogrammetry using 3D model reconstruction. In the interferometry technique, seven Sentinel-1 radar images with approximately three-month intervals were collected and processed. Similarly, seven radar images were processed for offset tracking, resulting in a total of twelve radar-based analyses. Furthermore, four series of drone images (Mavic 3) were captured and processed at approximately four-month intervals.
Findings: In the vertical displacement analysis, the greatest subsidence occurred in Lalehzar Village, where ground elevation decreased by approximately 13–15 cm in residential/urban areas and 12–14 cm in flat terrains. This level of subsidence is likely related to excessive groundwater extraction and the unique geological conditions of the region. Conversely, the lowest subsidence was recorded in Bali Qaya Village, with changes of about 2–3 cm in residential areas and around 7 cm in flat regions. Regarding horizontal displacement, the highest value was observed in Bolbol Village, with movements of about 5–6 mm in flat terrains and 1.8–2.1 mm in residential areas. The lowest horizontal displacement was found in Bali Qaya Village, where horizontal shifts were less than 1.5 mm in residential areas and about 4 mm in flat terrains.
Conclusion: Overall comparison between the methods indicates that, although the displacement trends observed by both approaches are nearly identical—and both successfully identify the same regions with maximum and minimum displacement—the numerical values differ slightly in some cases. These discrepancies can be attributed to each method’s sensitivity to different displacement types (vertical or horizontal), imaging conditions, and processing algorithms. In general, the combined use of radar and optical approaches provides a more comprehensive understanding of surface deformation patterns and significantly enhances the accuracy of decision-making in resource management, subsidence monitoring, and urban planning.

کلیدواژه‌ها [English]

  • Interferometry
  • Offset Tracking
  • UAV Photogrammetry Subsidence
  • Horizontal Displacement
  • Radar Imagery
  • Optical Imagery

COPYRIGHTS 
© 2026 The Author(s). This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)  

مراجع
[1] Li S, Yang X. Sentinel-1 InSAR-derived land subsidence assessment along the Texas Gulf Coast. Geomat Nat Hazards Risk. 2023;14(1):1245-63. doi: 10.1016/j.jngse.2023.105209
[2] Crosetto M, Monserrat O, Cuevas-González M, Devanthéry N, Crippa B. Interferometric SAR monitoring of land subsidence: Persistent scatterer vs distributed scatterer techniques. Remote Sens. 2016;8(6):1-22.
doi: 10.5194/isprsarchives-XLI-B7-835-2016
[3] Ferretti A, Prati C, Rocca F. Permanent scatterers in SAR interferometry. IEEE Trans Geosci Remote Sens. 2001;39(1):8-20. doi: 10.1109/36.898661
[4] Li Z, Elliott JR, Hooper A. Integration of GPS and InSAR data for resolving 3D crustal deformation. Earth Space Sci. 2019;6(5):856-75. doi: 10.1029/2019EA001036
[5] Wang HM, Wang Y, Jiao X, Qian GR. Risk management of land subsidence in Shanghai. Desalination Water Treat. 2014;52(4-6):1122-9. doi: 10.1080/19443994.2013.826337
[6] Bamler R, Hartl P. Synthetic aperture radar interferometry. Inverse Probl. 1998;14(4):R1-54.
doi: 10.1088/0266-5611/14/4/001
[7] Liu Y, Ma T, Du Y. Compaction of muddy sediment and its significance to groundwater chemistry. Procedia Earth Planet Sci. 2017;17:392-5. doi: 10.1016/j.proeps.2016.12.099
[8] Gambolati G, Teatini P. Geomechanics of subsurface water withdrawal and injection. Water Resour Res. 2015;51(6):3922-55. doi: 10.1002/2014WR016841
[9] Solari L, Rosi A, Bianchini S, Casagli N, Raspini F. SAR interferometry for monitoring ground displacements in mountain regions. Earth Surf Process Landf. 2019;44(1):58-76. doi: 10.1002/esp.4470
[10] Jin YF, Yin ZY, Wu ZX, Zhou WH. Identifying parameters of easily crushable sand and application to offshore pile driving. Ocean Eng. 2018;154:416-29.
doi: 10.1016/j.oceaneng.2018.01.023
[11] Jin YF, Yin ZY, Shen SL, Hicher PY. Selection of sand models and identification of parameters using an enhanced genetic algorithm. Int J Numer Anal Methods Geomech. 2016; 40(8):1219-40. doi: 10.1002/nag.2487
[12] Bendarzsevszkij A, Eszterhai V, Gere L, Klemensits P, Polyák E. World Economic Forum. Environ Sci Pollut Res. 2017.
doi: 10.1007/s11356-024-32075-w
[13] Goudarzi M, Farahpour M, Mousavi SA. Use of Landsat TM digital data in land cover mapping and rangeland condition classification: A case study of Namrood watershed. Iran J Range Desert Res. 2006;13(3):265-77. [In Persian]
[14] Hooper A, Bekaert D, Spaans K, Arıkan M. Recent advances in SAR interferometry time series analysis for measuring crustal deformation. Tectonophysics. 2012;514-517:1-13.
doi: 10.1016/j.tecto.2011.10.013
[15] Raspini F, Bianchini S, Moretti S. Exploitation of satellite SAR data for the detection and monitoring of slow-moving landslides. Remote Sens. 2018;10(7):1121.
doi: 10.3390/rs10071121
[16] Zhang L, Wang S, Wei Y. Integration of differential InSAR and optical data for land surface deformation analysis in Enshi City, China. Front Earth Sci. 2023; 11:1101848.
doi: 10.3389/feart.2023.1101848
[17] Bonforte A, et al. Present-day surface deformation of Sicily derived from Sentinel-1 InSAR time-series. arXiv. 2022. doi: 10.48550/arXiv.2208.08183
[18] Chen C, et al. Deep learning framework for detecting ground deformation in the built environment using satellite InSAR data. arXiv. 2020. doi: 10.48550/arXiv.2005.03221
[19] Cao X, He K, Hu X, Luo G, Zhou Y, Zhou R, et al. Combined InSAR and optical dataset unravelling the characteristics of hillslope erosion in burned areas in Xichang, China. Catena. 2024; 244:108123. doi: 10.1016/j.catena.2024.108123
[20] Yu W, Li W, Wu Z, Lu H, Xu Z, Wang D, et al. Integrated remote sensing investigation of suspected landslides: A case study of the Genie Slope on the Tibetan Plateau, China. Remote Sens. 2024;16(13):2412. doi: 10.3390/rs16132412
[21] Chen H, Zhao C, Tomás R, Reyes-Carmona C, Kang Y. Integrating InSAR and non-rigid optical pixel offsets to explore the kinematic behaviors of the Lanuza complex landslide. Remote Sens Environ. 2025; 320:114651.
doi: 10.1016/j.rse.2025.114651
[22] Handwerger AL, Lacroix P, Bell AF, Booth AM, Huang MH, Mudd SM, et al. Multi-sensor remote sensing captures geometry and slow-to-fast sliding transition of the 2017 Mud Creek landslide. Sci Rep. 2025; 15:29831.
doi: 10.1038/s41598-025-11399-8
[23] Hanssen RF. Radar interferometry: Data interpretation and error analysis. Dordrecht: Springer; 2001.
doi: 10.1007/0-306-47633-9
[24] Liang D, Guo H, Zhang L, Cheng Y, Zhu Q, Liu XT. Time-series snowmelt detection over the Antarctic using Sentinel-1 SAR images on Google Earth Engine. Remote Sens Environ. 2021; 264:112318. doi: 10.1016/j.rse.2021.112318
[25] Li J, Li ZW, Ding XL, Wang QJ, Zhu JJ, Wang CC. Investigating mountain glacier motion with the method of SAR intensity-tracking: Removal of topographic effects and analysis of the dynamic patterns. Earth-Sci Rev. 2014;138(1):179-95.
doi: 10.1016/j.earscirev.2014.08.016
[26] Zhang Y, Handwerger AL, Fielding EJ, Huang M. Integrating InSAR and non-rigid optical pixel offsets to explore the Lanuza landslide. Remote Sens Environ. 2025; 305:113689.
doi: 10.1016/j.rse.2024.113689
[27] Liu Y, Ma T, Du Y. Compaction of muddy sediment and its significance to groundwater chemistry. Procedia Earth Planet Sci. 2017; 17:392-5. doi: 10.1016/j.proeps.2016.12.099
[28] Mousavi Z, Dehghani M, Sahebi MR. Monitoring land subsidence in the arid region of Mashhad, northeast Iran, using SBAS InSAR technique. J Arid Environ. 2020; 174:104045. [In Persian] doi: 10.1016/j.jaridenv.2019.104045
[29] Karimi N, Namdari S. Estimation of severity and extent of desertification in Iran using Landsat satellite images and spectral mixture analyses methods during 1984 and 2015. Iran J Range Desert Res. 2019;26(2):500-15. [In Persian]
doi: 10.22092/ijrdr.2019.119369
[30] Raspini F, Bianchini S, Moretti S. Exploitation of satellite SAR data for the detection and monitoring of slow-moving landslides. Remote Sens. 2018;10(7):1121.
doi: 10.3390/rs10071121
[31] Wang H, Li T, Chen Q, Zhao Z. Monitoring land subsidence in the Yangtze River Delta using Sentinel-1 data: Implications for urban infrastructure. GISci Remote Sens. 2025;62(1):101-19. doi: 10.1080/15481603.2025.2465349
[32] Ye S, Xue Y, Wu J, Yan X, Yu J. Progression and mitigation of land subsidence in China. Hydrogeol J. 2016;24(3):685-93.
doi: 10.1007/s10040-015-1356-9
[33] Jin YF, Yin ZY, Wu ZX, Zhou WH. Identifying parameters of easily crushable sand and application to offshore pile driving. Ocean Eng. 2018; 154:416-29.
doi: 10.1016/j.oceaneng.2018.01.023
[34] Pereira MA, Silva J, Santos FD. Integration of optical and SAR data for burned area mapping in Portugal. Remote Sens. 2015;7(2):1320-42. doi: 10.3390/rs70201320
[35] Massonnet D, Feigl KL. Radar interferometry and its application to changes in the Earth's surface. Rev Geophys. 1998;36(4):441-500. doi: 10.1029/97RG03139
[36] Zhang L, Wang S, Wei Y. Integration of differential InSAR and optical data for land surface deformation analysis in Enshi City, China. Front Earth Sci. 2023; 11:1101848.
doi: 10.3389/feart.2023.1101848
[37] Schmidt DA, Bürgmann R. Time-dependent land subsidence and uplift near the California-Nevada border observed by GPS and InSAR. J Geophys Res Solid Earth. 2019;124(8):8707-23.
doi: 10.1029/2019JB017354
[38] Shirzaei M, et al. Land subsidence risk to infrastructure in US metropolises. Nat Cities. 2025. [In Persian]
doi: 10.1038/s44284-025-00240-y
[39] Figueroa-Miranda S, Tuxpan-Vargas J, Ramos-Leal JA, Hernández-Madrigal VM, Villaseñor-Reyes CI. Land subsidence by groundwater over-exploitation from aquifers in tectonic valleys of Central Mexico: A review. Eng Geol. 2018;246:91-106. doi: 10.1016/j.enggeo.2018.09.023
[40] Duo L, Hu Z. Soil quality change after reclaiming subsidence land with Yellow River sediments. Sustainability. 2018;10(11):4310. doi: 10.3390/su10114310
[41] Wang Y, Zhang H, Wang Z. Integration of optical, SAR and DEM data for automated detection of debris-covered glaciers. ISPRS J Photogramm Remote Sens. 2021; 180:149-62.
doi: 10.1016/j.isprsjprs.2021.08.005
[42] Ganas A, Elias P, Bozionelos G, Papathanassiou G, Avallone A, Papastergios A, et al. Sentinel-1 reveals ground deformation patterns associated with the August 2016 earthquake sequence in Central Italy. Remote Sens. 2018;10(6):894.
doi: 10.3390/app12052630
[43] Hooper A, Bekaert D, Spaans K, Arıkan M. Recent advances in SAR interferometry time series analysis for measuring crustal deformation. Tectonophysics. 2012;514-517:1-13.
doi: 10.1016/j.tecto.2011.10.013
[44] Zhao P, Lu D, Wang G, Wu C, Huang Y, Yu S. Examining spectral reflectance saturation in Landsat imagery and corresponding solutions to improve forest aboveground biomass estimation. Remote Sens. 2016;8(6):469.
doi: 10.3390/rs8060469a
پژوهش های سنجش از دور و اطلاعات مکانی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 01 تیر 1405
فایل ها
سابقه مقاله
  • تاریخ دریافت: 22 آبان 1404
  • تاریخ بازنگری: 28 فروردین 1405
  • تاریخ پذیرش: 27 خرداد 1405
هم رسانی
ارجاع به این مقاله
آمار