ارزيابي قابليت رگرسيون وزني جغرافيايي در بهبود پيش‌بيني رشد اراضي شهري با استفاده از سلول‌هاي خودكار

Evaluating the Capability of Geographically Weighted Regression in Improvement of Urban Growth Simulation Performance Using Cellular Automata

رگرسيون وزني جغرافيايي منطقي (GWLR) نسخه محلي مدل رگرسيون منطقي (LR) است كه در هر مكان رابطه متفاوتي را بين متغيرهاي وابسته و مستقل برآورد مي‌كند. در تحقيق حاضر از مدل GWLR در توسعه قوانين تبديل سلولهاي خودكار(CA) استفاده و كارايي آن در پيش‌بيني رشد شهري در مقابل مدل CA مبتني بر رگرسيون منطقي (Logistic-CA) مورد ارزيابي قرار گرفت. همچنين پارامتري تحت عنوان ضريب رشد حاشيه اي براي تعيين توازن بهينه ميان فرايندهاي رشد حاشيه اي و رشد خود انگيخته كه از جمله فرايندهاي مهم در رشد اراضي شهري محسوب مي‌شوند، تعريف گرديد. جهت ارزيابي دقت مدل نيز از آماره كاپاي فازي در كنار ضريب معمول كاپا استفاده شد. مدل پيشنهادي در تحقيق حاضر جهت پيش بيني توسعه بخشي از اراضي شهري واقع در جنوب غرب منطقه كلانشهري تهران براي دوره زماني 1391-1383 اجرا گرديد. نتايج اين مطالعه نشان داد استفاده از مدل GWLR در تعريف قوانين تبديل CA منجر به افزايش قابل توجه دقت پيش بيني رشد شهري در مقايسه با مدل Logistic-CA مي گردد. دقت پيش بيني مدل توسعه داده شده در تحقيق حاضر بر حسب ضريب كاپا برابر 0/54 مي باشد كه افزايش دقتي معادل 0/24 را در مقايسه با مدل Logistic-CA نشان مي دهد. همچنين دقت مدل پيشنهادي بر اساس شاخص كاپاي فازي با در نظر گرفتن فواصل50 و 100 متري براي تابع نمايي افت فاصله، به 0/69 و 0/76 مي‌رسد.

Geographically Weighted Logistic Regression (GWLR) is a local version of logistic regression (LR) which estimates different relationships between independent and dependent variables at each location. In this research, local model (GWLR) is used for defining CA transition rules and evaluating GWLR capabilities in terms of enhancing urban development prediction accuracy. Also, a new parameter named “Edge Expansion Coefficient” was defined for the determination of tradeoff between two important urban development processes: edge expansion and spontaneous growth. Moreover, in order to assess the prediction accuracy, fuzzy Kappa statistic was applied along with the traditional Kappa coefficiency. The developed CA model in this study was run for the prediction of urban development in south west of Tehran metropolitan area during 2004-2013 period. The results of the study showed that, using GWLR model for defining CA’s transition rules, one can significantly increase urban development prediction’s accuracy compared to that of predicted urban development by CA model based on logistic regression (Logistic-CA). The prediction accuracies of the proposed model in this research and the Logistic-CA were 0.54 and 0.30, respectively, as measured by Kappa coefficient. Also, the prediction accuracies of the proposed model were calculated to be 0.68 and 0.76 when measured in terms of fuzzy Kappa statistic with halving distances of 50 and 100 meters in exponential distance decay function, respectively.