ارزیابی مدل های رگرسیون کلی و رگرسیون موزون جغرافیایی در مدل سازی مکانی رطوبت خاک، مطالعه موردی: استان فارس

مدل‌سازی‌های مکانی از روش‌های درک و پیش‌بینی متغیرهای محیطی است. رطوبت سطحی خاک، متغیّر کلیدی برای توصیف خشک‌سالی، تبادلات آب و انرژی بین زمین و هوا کره است. رطوبت خاک علاوه بر اینکه از متغیرهای محیطی تاثیر می‌پذیرد بر بسیاری از پدیده‌های محیطی ازجمله رواناب، فرسایش خاک و تولید محصولات تاثیر می‌گذارد اما به دلیل ثابت نبودن شرایط مکانی و زمانی پارامترهای محیطی به‌شدت تغییرپذیر است. هدف از این مقاله ارزیابی مدل‌های رگرسیون کلی و رگرسیون موزون جغرافیایی در مدل‌سازی مکانی رطوبت خاک استان فارس است. در این راستا پراکندگی رطوبت خاک به‌عنوان متغیر وابسته و لایه‌های بارش، آب معادل برف، شاخص پوشش گیاهی و شاخص رطوبت توپوگرافی و به‌عنوان متغیرهای مستقل انتخاب گردید و سپس با استفاده از مدل رگرسیون کلی (ols) و رگرسیون موزون جغرافیایی (gwr) به مدل‌سازی مکانی اقدام شد. بر اساس معیارهای ارزیابی، نتایج نشان داد مدل gwr باr^2=0/71 قدرت تبیین و برآورد بهتری نسبت به مدل رگرسیون کلی باr^2=0/66دارد. بر اساس نتایج، عوامل مکانی بارش و رطوبت توپوگرافی بیش‌ترین اثر مثبت و تبخیر و تعرق اثر منفی بر رطوبت خاک در محدوده موردمطالعه را دارند.

Evaluation of OLS Regression Models and GWR Regression for Modeling Spatial Soil Moisture, Case Study: Fars Province

spatial modeling is one of the method for understanding and predicting environmental variables .soil surface moisture is a key variable for drought description , water and energy exchanges between the earth and the earth .soil moisture can affect many environmental phenomena such as runoff , soil erosion and crop production , but because of the lack of spatial and temporal conditions of soil parameters , soil moisture is highly changeable .the purpose of this paper is to evaluate the overall regression model and geographically weighted regression in spatial modeling of soil moisture in Fars province . soil moisture distribution as dependent variable and precipitation, snow equivalent water, vegetation index and topographic wetness index were selected as independent variables and then, using the general regression model and geographically weighted regression is used to model the spatial modeling .based on the evaluation criteria, the results showed the GWR model has better explanatory power with the R2=0/71 and a better estimate than the overall regression model with the R2=0/66. The spatial factors of precipitation and topographic wetness have the most positive effect and evapotranspiration had negative effect on soil moisture in the study area.The spatial factors of precipitation and topographic wetness have the most positive effect and evapotranspiration had negative effect on soil moisture in the study area.