Original paper

Neural Network Modelling of Tehran Land Subsidence Measured by Persistent Scatterer Interferometry

Dehghani, Maryam; Zoej, Mohammad Javad Valadan; Entezam, Iman

Abstract

A large area located in the southwest of Tehran is subject to land subsidence induced by over-exploitation of groundwater. Since the use of conventional SAR Interferometry was not possible due to the large spatial baseline and rapid temporal decorrelation, persistent scatterer interferometry (PS-InSAR) using two different ascending and descending datasets of ENVISAT ASAR was applied in order to monitor the deformation. PS-InSAR is a recently developed technique used to address the decorrelation problem by identifying scatterers, called persistent scatterers (PS), the echo of which varies little in time. The estimation of the deformation rate was thus possible only in the PS pixels. In order to retrieve the spatial pattern of the subsidence, deformation rate at non-PS pixels were estimated by a proposed neural network modelling method separately applied on both descending and ascending datasets. Input variables of the network are geology and hydrogeology parameters of the aquifer system, while the network output is the subsidence rate. The performance of the neural network trained by the PS pixels was tested on a separate validation data. It was found that the trained network is able to predict the subsidence rate with the accuracy of less than 5 mm/a. The results were then compared to the levelling measurements acquired over a different time interval. The root-mean-square error (RMSE) between the measurements and the modelled deformation rate across the leveling tracks is 19.8 mm/a. The different deformation rates of both datasets in some points were most likely due to the different time intervals covered by the radar and levelling data. Neural network-based sensitivity analysis was finally performed to evaluate the influences of different geology and hydrogeology factors on the subsidence. The sensitivity analysis results that were interestingly similar for both radar datasets showed that the hydraulic conductivity, the thickness of fine-grained sediments and the water level decline are the first three most effective factors on the subsidence occurrence in Tehran basin.

Kurzfassung

Ein großes Gebiet südwestlich von Teheran ist von Bodensenkungen wegen übermäßiger Grundwasserentnahme betroffen. Die vorliegende Untersuchung baut auf zwei Datensätzen von ENVISAT ASAR auf, einem in Nord- und einem in Südrichtung geflogenen. Früher war der Einsatz von SAR Interferometrie wegen langer Basen und zu schneller zeitlicher Veränderungen am Objekt nicht möglich. Die neue Persistent Scatterer Methode (PS-InSAR) nutzt Objekte, deren Reflexionscharakteristik nur einer geringen zeitlichen Variabilität unterliegt. Allerdings kann die Deformation nur an ausgewählten, den so genannten PS-Pixeln bestimmt werden. Die dazwischenliegenden Räume wurden in dieser Untersuchung durch neuronale Netze überbrückt, die geologische und hydrogeologische Parameter berücksichtigen. Die innere Genauigkeit der Methode wurde durch unterschiedliche Trainingsdatensätze überprüftund ergab eine Genauigkeit der Prognose des Senkungsbetrages von weniger als 5 mm/a. Die äußere Genauigkeit wurde durch Nivellement bestimmt und ergab einen RMS-Fehler entlang der Nivellementslinien von 19,8 mm/a. Die große Abweichung dürfte auf unterschiedliche Zeitintervalle zwischen der SAR-Datenerfassung und den Nivellements beruhen. Die neuronalen Netze wurden außerdem zur Bewertung des Einflusses von geologischen und hydrogeologischen Parametern auf die Senkungsraten eingesetzt. Als die drei wichtigsten Einflussfaktoren haben sich die hydraulische Leitfähigkeit des Untergrundes, die Mächtigkeit der feinkörnigen Sedimente und der Rückgang des Grundwasserspiegels gezeigt. Beide SAR-Datensätze führten zum gleichen Ergebnis.

Keywords

persistent scattererneural networkmodellingsensitivity analysis