تعیین عوامل موثر بر دمای سطح زمین شهر تهران با استفاده از تصاویر لندست و ترکیب رگرسیون وزن‌دار جغرافیایی و الگوریتم ژنتیک

با توجه به توسعه شهرنشینی و تغییر در محیط حرارتی شهری، شناسایی عوامل مکانی موثر بر دمای سطح زمین در مناطق شهری از اهمیت بالایی برخوردار است. از این‌رو با شناسایی این عوامل می‌توان در جهت پیشگیری هرچه بیشتر این پدیده بااستفاده از آموزش عمومی، وضع قوانین و سیاست‌های مدیریتی کارآمد و نظارت بیشتر جهت مقابله با عوامل محرک افزایش دمای سطح زمین برآییم. در این تحقیق، هدف شناسایی ترکیب بهینه عوامل مکانی موثر بر دمای سطح زمین شهر تهران است. در این راستا، جهت شناسایی عوامل موثر از روش رگرسیون وزن‌دار جغرافیایی (gwr) و جهت انتخاب ترکیب بهینه عوامل موثر بر روی دمای سطح زمین شهر تهران از الگوریتم ژنتیک استفاده شد. روش ترکیبی پیشنهادی روش مناسبی برای مسائل رگرسیون مکانی است زیرا این روش با دو خواص منحصر به فرد داده‌های مکانی یعنی خودهمبستگی و ناایستایی مکانی سازگار می‌باشد. در این تحقیق داده‌های دمای سطح زمین شهر تهران در دو تاریخ 27 مرداد 93 و 30 مرداد 94 بااستفاده از تصاویر ماهواره لندست8 بدست آمد و از دو روش وزن‌دهی گوسین و مکعبی سه‌گانه در gwr استفاده شد. مقدار تابع برازش (1-r^2) برای دو تاریخ اشاره شده در فوق، بااستفاده از هسته گوسین 0.21752 و 0.23448 و با استفاده از هسته مکعبی سه‌گانه 0.10452 و 0.14494 به‌دست آمد. تاثیر عوامل کاربری اراضی، تراکم ساخت و ساز و فاصله از راه‌ها در دمای سطح زمین شهر تهران از سایر عوامل بیشتر بود. همچنین با استفاده از هسته مکعبی سه‌گانه برای وزن‌دهی در gwr، نتایج دقیق‌تر و مناسب‌تری به‌دست آمد.

Determining Effective Factors on Land Surface Temperature of Tehran Using LANDSAT Images And Integrating Geographically Weighted Regression With Genetic Algorithm

Due to urbanization and changes in the urban thermal environment and since the land surface temperature (LST) in urban areas are a few degrees higher than in surrounding nonurbanized areas, identifying spatial factors affecting on LST in urban areas is very important. Hence, by identifying these factors, preventing this phenomenon become possible using general education, inserting rules and also retaining efficient management policies and more monitoring to counter the stimulating factors of increasing land surface temperature. The goal of this research is to identify the effective factors on land surface temperature in Tehran. In this regard, a geographically weighted regression (GWR) was used to identify the effective factors and a genetic algorithm (GA) was employed to select the best combination of these factors. The recommended combination method is a suitable method for spatial regression issues, because it is compatible with two unique properties of spatial data, i.e. the spatial autocorrelation and spatial nonstationarity. In this study, land surface temperature data in Tehran was obtained on August 18, 2014 and August 21, 2015 using Landsat 8 satellite imagery, and was used in two methods of Gaussian and Tricubic weighting in GWR. The values of 1R2 by using the Gaussian kernel were equal to 0.21752 and 0.23448, as well as by using the the Tricubic kernel were equal to 0.10452 and 0.14494 for August 18, 2014 and August 21, 2015, respectively. The results showed that the effects of factors such as land use, construction density, and distance from roads on land surface temperature in Tehran were more than other factors. Also, using the tricubic kernel for GWR provided more accurate results.