خلاصة:
فروچاله های نوعی از اشکال کارستی است که به شکل گودال هایی در سطح زمین آشکار می‌شوند. شناسایی این فروچاله ها در مدیریت منابع آب بسیار حیاتی هستند، چرا که آلودگی این مکان ها باعث آلودگی منابع آب منطقه می شود. حوضه کارستی بیستون ـ پرآو از آن جهت مهم است که باعث ایجاد سراب هایی در شهرهای بیستون و کرمانشاه بوده و بخشی از آب این شهرها را تامین می‌کند. این پژوهش با هدف شناسایی فروچاله های این حوزه و همچنین شناسایی مناطق مستعد فروچاله انجام شده است. در این پژوهش با تلفیق سیستم اطلاعات جغرافیایی و فرآیند تحلیل شبکه، معیارهای مختلف ایجاد فروچاله نظیر بارش، دما، تبخیر، سنگ‌شناسی، جنس خاک، شیب، ارتفاع، گسل، آبراهه و پوشش گیاهی رتبه بندی شده اند. نتایج فرآیند تحلیل شبکه نشان داد که سنگ شناسی با 87/24 درصد مهم‌ترین عامل ایجاد فروچاله است. پس از ترکیب لایه ها، نقشه مناطق محتمل فروچاله مشخص گردید و با استفاده از تفسیر تصاویر World Imagery و Google Earth فروچاله های موجود در منطقه تشخیص داده شد. سپس برای بررسی نتایج کار از شاخص های صحت، دقت و کیفیت استفاده شد که نتایج آن‌ها به ترتیب 98/42، 41/69 و 55/65 بود. بالا بودن شاخص صحت نشان می دهد کارایی بالا در شناسایی فروچاله های موجود است، اما پایین بودن دو شاخص دیگر بیانگر ضعف روش نیست، بلکه دو شاخص دقت و کیفیت نشان دهنده مناطقی است که احتمال فروچاله شدن را دارند، اما درحال حاضر یا فروچاله نبوده و یا در داده های مرجع نیستند. در نهایت می توان گفت که این روش کارایی مناسبی برای شناسایی فروچاله ها و مناطق مستعد فروچاله ها را دارد.
Sinkhole is a type of karst form that appear as pits on the surface of the earth. Identification of these sinkholes is crucial in the management of water resources, as contamination of these sites causes contamination of water resources in the region. Bistoon-Parav Karst Basin is important because it creates mirages in the cities of Bistoon and Kermanshah and provides part of the water to these cities. The purpose of this study was to identify sinkholes in this area as well as identify potential areas of sinkholes. In this research, using the analysis network process, different criteria for sinkhole formation such as precipitation, temperature, evaporation, lithology, soil type, slope, elevation, fault, stream and vegetation are ranked. The results of the analysis network process showed that lithology with 24.87% are the most important cause of the sinkhole. After combining the layers, a map of the possible sinkhole areas was identified. Furthermore, sinkholes in the area were detected using the interpretation of World Imagery and Google Earth imagery. The accuracy, completeness and quality indices were used to evaluate the results of the work, which were 98.42, 69.41 and 65.55, respectively. The high accuracy index indicates high performance in detecting existing sinkholes, but the low two indices do not indicate the weakness of the method, rather, the two indicators of completeness and quality indicate areas that are likely to form sinkholes. However, at the moment they are either not crashed or they are not in the reference data. In the end it can be said that this method is suitable for identifying sinkholes and susceptible areas of sinkholes.
(
, 
, 
)
