تعيين عوامل موثر بر دماي سطح زمين شهر تهران با استفاده از تصاوير لندست و تركيب رگرسيون وزن‌دار جغرافيايي و الگوريتم ژنتيك

با توجه به توسعه شهرنشيني و تغيير در محيط حرارتي شهري، شناسايي عوامل مكاني موثر بر دماي سطح زمين در مناطق شهري از اهميت بالايي برخوردار است. از اين‌رو با شناسايي اين عوامل مي‌توان در جهت پيشگيري هرچه بيشتر اين پديده بااستفاده از آموزش عمومي، وضع قوانين و سياست‌هاي مديريتي كارآمد و نظارت بيشتر جهت مقابله با عوامل محرك افزايش دماي سطح زمين برآييم. در اين تحقيق، هدف شناسايي تركيب بهينه عوامل مكاني موثر بر دماي سطح زمين شهر تهران است. در اين راستا، جهت شناسايي عوامل موثر از روش رگرسيون وزن‌دار جغرافيايي (GWR) و جهت انتخاب تركيب بهينه عوامل موثر بر روي دماي سطح زمين شهر تهران از الگوريتم ژنتيك استفاده شد. روش تركيبي پيشنهادي روش مناسبي براي مسائل رگرسيون مكاني است زيرا اين روش با دو خواص منحصر به فرد داده‌هاي مكاني يعني خودهمبستگي و ناايستايي مكاني سازگار مي‌باشد. در اين تحقيق داده‌هاي دماي سطح زمين شهر تهران در دو تاريخ 27 مرداد 93 و 30 مرداد 94 بااستفاده از تصاوير ماهواره لندست8 بدست آمد و از دو روش وزن‌دهي گوسين و مكعبي سه‌گانه در GWR استفاده شد. مقدار تابع برازش (1-R2) براي دو تاريخ اشاره شده در فوق، بااستفاده از هسته گوسين 21752/0 و 23448/0 و با استفاده از هسته مكعبي سه‌گانه 10452/0 و 14494/0 به‌دست آمد. تاثير عوامل كاربري اراضي، تراكم ساخت و ساز و فاصله از راه‌ها در دماي سطح زمين شهر تهران از ساير عوامل بيشتر بود. همچنين با استفاده از هسته مكعبي سه‌گانه براي وزن‌دهي در GWR، نتايج دقيق‌تر و مناسب‌تري به‌دست آمد.

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 non-urbanized 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 non-stationarity. 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 Tri-cubic weighting in GWR. The values of 1-R2 by using the Gaussian kernel were equal to 0.21752 and 0.23448, as well as by using the the Tri-cubic 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 tri-cubic kernel for GWR provided more accurate results.