Xác định cấu trúc nền địa chất và nhận dạng các hang ngầm bằng phương pháp đo ảnh điện đa cực

Từ khóa:

Sụt lún
phương pháp đo ảnh điện đa cực
karst

https://doi.org/10.59382/j-ibst.2024.vi.vol1-9

Tóm tắt:

Tai biến sụt lún thường xuyên xảy ra ở Việt Nam không chỉ ở khu vực miền núi mà cả khu vực đồng bằng và trong các khu dân cư đông đúc. Khu vực nghiên cứu thuộc tỉnh Thanh Hóa đã từng ghi nhận các vụ sụt lún đất xảy ra trong quá khứ. Trên có sở các kết quả đo địa vật lý bằng phương pháp ảnh điện đa cực đã xác định được: 1) Khu vực nghiên cứu nằm trên nền địa hình karst với hệ thống các hang ngầm lớn và dày đặc; 2) Nền địa chất khu vực nghiên cứu gồm 04 lớp tương ứng với các giá trị điện trở suất khác nhau gồm lớp phủ bở rời (r = 5 ¸ 39 Wm), lớp phong hóa mạnh (r = 40 ¸ 150 Wm), lớp ít phong hóa (r = 151¸ 214 Wm) và lớp đá tươi (r> 214 Wm); 3) Có 03 dạng hang karst tại khu vực nghiên cứu gồm: các hang hở dạng hàm ếch bị lấp nhét bởi vật liệu trầm tích ở bên trên và chứa nhiều nước với độ sâu trung bình từ 7 ¸ 15m; các hang kín không chứa nước được bao quanh bởi đá gốc bị phong hóa mạnh; các hang kín chứa nước hoặc vật liệu bở rời ngậm nhiều nước có khả năng gây ra sụt lún cao. 

Nội dung:

Tài liệu tham khảo:

1. Advanced Geosciences, Inc., (2009). Instruction Manual of AGI EarthImager 2D, p139.
2. Bui, D. T., Shahabi, H., Shirzadi, A., Chapi, K., Pradhan, B., Chen, W., et al. (2018). Land subsidence susceptibility mapping in South Korea using machine learning algorithms. Sensors, 18(8), 2464.
3. Elmahdy, S. I., Mohamed, M. M., Ali, T. A., Abdalla, J. E. D., & Abouleish, M. (2022). Land subsidence and sinkholes susceptibility mapping and analysis using random forest and frequency ratio models in Al Ain, UAE. Geocarto International, 37(1), 315–331.
4. Geotomo Software (2007) RES2DINV. Rapid 2D resistivity and IP inversion using the least-squares methods. User’s manual, p138.
5. https://nhandan.vn/lai-phat-sinh-ho-sut-tai-xa-quy-loc-thanh-hoa-post345794.html
6. https://nld.com.vn/thoi-su-trong-nuoc/xuat-hien-ho-tu-than-sau-ca-chuc-met-o-thanh-hoa-20141028151441025.htm
7. https://oceanservice.noaa.gov/facts/subsidence.html
8. https://www.usgs.gov/special-topics/water-science-school/science/land-subsidence#publications
9. Ilia, I., Loupasakis, C., & Tsangaratos, P. (2018). Land subsidence phenomena investigated by spatiotemporal analysis of groundwater resources, remote sensing techniques, and random forest method: The case of Western Thessaly, Greece. Environmental Monitoring and Assessment, 190(11), 623.
10. Jackson, Julia A., ed. (1997). "Karst". Glossary of geology (Fourth ed.). Alexandria, Virginia: American Geological Institute. ISBN 0922152349.
11. Lê Duy Bách, Đặng Trần Quân (2001). Địa chất khoáng sản tỷ lệ 1: 50.000 nhóm tờ Thanh Hóa ( E-48-IV). Cục Địa chất và Khoáng sản Việt Nam .
12. Loke M.H., (2004). Electrical imaging surveys for environmental and engineering studies: a practical guide to 2-D and 3-D surveys, p61. https://sites .ualbe rta.ca/~unswo rth/UA-class es/223/loke_cours e_notes .pdf.
13. Mohammady, M., Pourghasemi, H. R., & Amiri, M. (2019). Land subsidence susceptibility assessment using random forest machine learning algorithm. Environmental Earth Sciences, 78(16), 503.
14. Rahmati, O., Falah, F., Naghibi, S. A., Biggs, T., Soltani, M., Deo, R. C., et al. (2019). Land subsidence modeling using tree-based machine learning algorithms. Science of the Total Environment, 672, 239–252.
15. Smith, R. G., & Majumdar, S. (2020). Groundwater storage loss associated with land subsidence in western United States mapped using machine learning. Water Resources Research, 56(7), e2019WR026621.
16. Trần Văn Tỷ, Huỳnh Văn Hiệp. (2017). Hiện trạng khai thác nước dưới đất và mối tương quan giữa hạ thấp cao độ mực nước và sụt lún đất: Nghiên cứu tại Trà Vinh và thành phố Cần Thơ. Can Tho University Journal of Science Môi trường 2017:128.
17. Tsimur Davydzenka et al. (2014). Unveiling the Global Extent of Land Subsidence: The Sinking Crisis, Geophysical Research Letters. volume 51 Issue 4
18. What is Karst? (PDF). Environmental Science Institute. The University of Texas at Austin. December 2020.
19. Zhou, C., Gong, H., Chen, B., Li, X., Li, J., Wang, X., et al. (2019). Quantifying the contribution of multiple factors to land subsidence in the Beijing Plain, China with machine learning technology. Geomorphology, 335, 48–61.