مقایسه عملکرد روش رگرسیون وزن‌دار جغرافیایی و روش حداقل مربعات برای مدل‌سازی روابط فضایی دمای سطح دریای عمان

در مباحث دریایی، مطالعه‌ی دمای سطح دریا (sst) و بررسی روابط مکانی آن با سایر متغیرهای اقیانوسی از اهمیت ویژه‌ای برخودار است، به‌گونه‌ای که شناخت دقیق و مناسب روابط sst با سایر متغیرها، امکان بررسی و مطالعه بسیاری از فرآیندهای اقیانوسی و جوّی را فراهم می‌سازد. لذا، در این پژوهش مدل‌سازی روابط فضایی sst با متغیرهای سرعت باد سطحی (sws)، غلظت کلروفیل a، طول و عرض جغرافیایی در دریای عمان توسط روش حداقل مربعات معمولی (ols) و روش رگرسیون وزن‌دار جغرافیایی (gwr) موجود در نرم افزار arcgis، بین سال‌های 2003 تا 2016 صورت پذیرفت و خروجی‌های حاصل از این دو روش با یکدیگر مقایسه شد. نتایج حاصل از روش ols نشان داد که متغیر سرعت باد سطحی بیشترین اثرگذاری را در برآورد مقادیر sst در دریای عمان دارا بوده است و سایر متغیرها رابطه‌ای منفی و تاثیرگذاری پایینی را در برآورد sst به نمایش گذاشته‌اند. اما در مدل gwr مشخص شد که متغیر طول جغرافیایی بیشترین تاثیرگذاری و رابطه مثبت را در برآورد مقادیر sst داشته است. در این مدل نیز متغیر sws رابطه‌ای مثبت با sst داشته است اما تاثیرگذاری آن نسبت به مدل ols کمتر بوده است. سایر متغیرها نیز رابطه‌ای منفی با sst داشته‌اند. در ادامه، با استفاده از ضریب تبیین محلی (r2) مشخص شد که مدل gwr برای برآورد مقادیر sst در دریای عمان از دقت بالاتری نسبت به مدل ols برخوردار بوده است؛ به‌گونه‌ای که مدل gwr توانسته است 85 درصد تغییرات مکانی sst در دریای عمان را توجیه کند ولی مدل ols فقط 55 درصد تغییرات مکانی این متغیر را توجیه کرده است. دقت بالاتر مدل gwr در برآورد مقادیر sst نیز در بخش‌های شرقی و غربی دریای عمان دیده شد و این مدل در بخش مرکزی این دریا از دقت پایین‌تری برخوردار بود.

Comparison of the Performance of Geographically Weighted Regression and Ordinary Least Squares for modeling of Sea surface temperature in Oman Sea

In Marine discussions, the study of sea surface temperature (SST) and study of its spatial relationships with other ocean parameters are of particular importance, in such a way that the accurate recognition of the SST relationships with other parameters allows the study of many ocean and atmospheric processes. Therefore, in this study, spatial relations modeling of SST with Surface Wind Speed (SWS), Chlorophyll a Concentration, latitude and longitude in Oman Sea between 2003 to 2016 was performed by Ordinary Least Squares (OLS) and Geographically Weighted Regression (GWR) method available in ArcGIS software and the outputs of the two methods were compared. The results of the OLS method showed that the Surface Wind Speed variable had the most effect on estimating SST values in the Oman Sea, and other variables had shown a low effect on the SST estimation. But in the GWR model, it was found that the longitude variable had the most effect in the estimation of SST values and had a positive relation with SST. In this model, the SWS variable has a positive relationship with SST, but its impact is less in compared with OLS model. Other variables also have a negative relationship with SST. Subsequently, using the local explanation coefficient (R2), it was determined that the GWR model had a higher accuracy than the OLS model for estimating SST values in the Oman Sea, so that the GWR model justify 85% of SST spatial changes in the Oman Sea, but the OLS model justifies only 55% of spatial variations of this parameter. The higher accuracy of the GWR model in the estimation of SST values was found in the eastern and western parts of the Oman Sea and this model was less accurate in the central part of the sea.