تحلیل مکانی-زمانی دمای سطح زمین با استفاده از روش انتخاب مبتنی بر ژنتیک (مطالعه موردی: شهر تهران)

امروزه درجه حرارت شهرها به طور قابل ملاحظه‌ای نسبت به حومه شهر بالاتر است که این پدیده ناشی از افزایش دمای سطح زمین و در نتیجه آن ایجاد جزایر گرمایی شهری می‌باشد. از این رو با توجه به توسعه شهرنشینی و تغییر در محیط حرارتی شهری، شناسایی عوامل موثر بر دمای سطح زمین در مناطق شهری با توجه به شرایط مکانی و زمانی آن از اهمیت بالایی برخوردار است و در نتیجه می‌توان در جهت پیشگیری هرچه بیشتر این پدیده با استفاده از آموزش عمومی، وضع قوانین و سیاست‌های مدیریتی کارآمد و نظارت بیشتر جهت مقابله با عوامل محرک افزایش دمای سطح زمین برآییم. هدف از این پژوهش شناسایی عوامل مکانی موثر بر دمای سطح زمین مناطق شهری در طول یک زمان مشخص و پیش بینی آن بر اساس عوامل موثر تعیین شده در الگوریتم پیشنهادی است. در این پژوهش یک روش انتخاب برای شناسایی عوامل موثر در پیش بینی دمای سطح زمین (lst) مناطق شهری از طریق ترکیب الگوریتم ژنتیک و رگرسیون وزن دار جغرافیایی زمان مند ارائه گردید. جهت ارزیابی روش پیشنهادی، از 9 لایه اطلاعاتی مختلف از جمله ارتفاع ساختمان‌ها، تراکم ساخت وساز، کاربری اراضی، فاصله از راه‌ها، تراکم جمعیت، آلودگی هوا، شیب، جهت و ارتفاع زمین به عنوان عوامل مکانی-زمانی برای پیش بینی نقشه lst در شهر تهران در مدت 5 سال استفاده شد. نتایج پژوهش نشانگر این است که نتایج پیش بینی با استفاده از عوامل موثر انتخابی در روش پیشنهادی، دقیق تر از همان نتایج با استفاده از تمام لایه های اطلاعاتی است. بر همین اساس نتایج تجربی این پژوهش عملکرد مناسب روش پیشنهادی در پیش بینی lst را نشان می دهد.

spatio-temporal analysis of land surface temperature using a genetic-based selection procedure (case study: tehran, iran)

introductiondue to the rising global temperature, especially in cities, which is often due to urban and population growth, followed by life, financial and environmental risks, identifying the factors affecting the land surface temperature (lst) in urban areas is of great importance. rising temperatures in urban areas have created a phenomenon called urban heat islands (uhi), which is a very dangerous phenomenon for humans and the environment. therefore, by identifying these factors, we can prevent this phenomenon as much as possible by using public education to the people, enacting effective management laws and policies, and more monitoring to deal with the stimuli of rising the lst. the main reason for the increase in lst in urban areas is due to urban growth in two-dimensional and three-dimensional direction, and this phenomenon is intensified by population growth and land use changes. numerous other factors, such as the heating of buildings, air pollution, and the use of unsuitable materials such as asphalt, which absorbs sunlight, cause rising the lst in the streets and alleys. the purpose of this study is to identify the spatial factors affecting the lst in urban areas during a certain time and predict it based on the effective factors determined by the proposed algorithm. in this study, a selection method for identifying the effective factors in predicting land surface temperature in urban areas through the combination of genetic algorithm and geographically and temporally weighted regression was presented. to evaluate the proposed method, nine factors including land use, distance to roads, population density, construction density, air pollution, aspect, slope, building height and elevation were used in this study as the spatiotemporal factors to predict land surface temperature in a desired time in tehran city, iran.materials & methodsin this study, an attempt was made to identify and investigate some factors affecting lst in urban areas. attempts have also been made to consider both natural and human factors. these factors include elevation, aspect, slope, land use, distance to roads, population density, construction density, air pollution and building height. in order to find the most effective factors on lst, a combination of genetic selection method and geographically and temporally weighted regression (gtwr) was used in which lst is estimated through the spatial data during a certain time.