دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,499
تعداد مقالات18,354
تعداد مشاهده مقاله59,527,065
تعداد دریافت فایل اصل مقاله20,821,902
کوشش وطن, محمدعلی, اصغری زمانی, اکبر, روستایی, شهریور. (1403). مقایسه تطبیقی رگرسیون‌های خطی چندگانه و جنگل تصادفی در تخمین متوسط دمای سطح زمین: مطالعه موردی شهر تبریز. سامانه مدیریت نشریات علمی, 4(10), 94-78. doi: 10.22034/rsgi.2024.61983.1079
محمدعلی کوشش وطن; اکبر اصغری زمانی; شهریور روستایی. "مقایسه تطبیقی رگرسیون‌های خطی چندگانه و جنگل تصادفی در تخمین متوسط دمای سطح زمین: مطالعه موردی شهر تبریز". سامانه مدیریت نشریات علمی, 4, 10, 1403, 94-78. doi: 10.22034/rsgi.2024.61983.1079
کوشش وطن, محمدعلی, اصغری زمانی, اکبر, روستایی, شهریور. (1403). 'مقایسه تطبیقی رگرسیون‌های خطی چندگانه و جنگل تصادفی در تخمین متوسط دمای سطح زمین: مطالعه موردی شهر تبریز', سامانه مدیریت نشریات علمی, 4(10), pp. 94-78. doi: 10.22034/rsgi.2024.61983.1079
کوشش وطن, محمدعلی, اصغری زمانی, اکبر, روستایی, شهریور. مقایسه تطبیقی رگرسیون‌های خطی چندگانه و جنگل تصادفی در تخمین متوسط دمای سطح زمین: مطالعه موردی شهر تبریز. سامانه مدیریت نشریات علمی, 1403; 4(10): 94-78. doi: 10.22034/rsgi.2024.61983.1079

مقایسه تطبیقی رگرسیون‌های خطی چندگانه و جنگل تصادفی در تخمین متوسط دمای سطح زمین: مطالعه موردی شهر تبریز

نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 4، شماره 10، فروردین 1403، صفحه 94-78    اصل مقاله (1.01 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/rsgi.2024.61983.1079
نویسندگان
محمدعلی کوشش وطن1؛ اکبر اصغری زمانی* 2؛ شهریور روستایی2
1دانشجوی دکتری جغرافیا و برنامه ریزی شهری. گروه، جغرافیا و برنامه ریزی شهری ، دانشکده برنامه ریزی و علوم محیطی،دانشگاه تبریز، شهر تبریز، کشور ایران
2هیات علمی گروه جغرافیا و برنامه ریزی شهری ، دانشکده برنامه ریزی و علوم محیطی،دانشگاه تبریز، شهر تبریز، کشور ایران
چکیده
دمای سطح زمین به‌عنوان یکی از پارامترهای مهم و پایه‌ای در مباحث اقلیمی، نشان‌دهنده رابطه بین اتمسفر و زمین می‌باشد. با درنظرداشتن مشکلات زیست‌محیطی شهرها از جمله شدت یافتن جزایر حرارتی شهری، تخمین دمای سطح زمین با دقت مطلوب و همچنین استخراج عوامل مؤثر بر آن نقش قابل‌توجهی را در مدیریت حرارتی محیط‌های شهری و همچنین اتخاذ استراتژی‌های انطباقی با جزایر حرارتی دارد. پژوهش حاضر در این راستا به مقایسه دو روش رگرسیونی خطی چندگانه و جنگل تصادفی پرداخته است. از تصاویر مادیس روزانه در بازه شب (10:30) جهت استخراج دمای سطح زمین فصل تابستان شهر تبریز بهره گرفته شد. تصاویر مذکور در سامانه گوگل ارث انجین پردازش شده و برای بازه 2018 الی 2022 میانگین‌گیری گردید. بر اساس نتایج پژوهش، جنگل تصادفی با ضریب تعیین 0.924 (0.004 = RMS) عملکرد بسیار بهتری را نسبت به رگرسیون خطی چندگانه از خود نشان داد. جهت استخراج اهمیت شاخص‌ها نیز از جنگل تصادفی بهره گرفته شد. بر اساس نتایج اهمیت شاخص‌ها، شاخص‌های نور شب (51.06 درصد)، ضریب دید به آسمان (48.01 درصد) و مساحت ناحیه رو به باد (45.27) به ترتیب مهم‌ترین شاخص‌های اثرگذار بر متوسط دمای سطح زمین شبانه فصل تابستان شهر تبریز هستند. نتایج پژوهش حاضر علاوه بر آشکار نمودن قوت رگرسیون جنگل تصادفی در تخمین دمای سطح زمین، اهمیت شاخص‌های متعدد بر آن را نیز آشکار می‌کند. در این راستا، یافته‌های این مطالعه برای مدیریت حرارتی محیط شهری تبریز و اتخاذ استراتژی‌های سازگاری با جزایر حرارتی آن کاربردی خواهد بود.

تازه های تحقیق

شناسایی عوامل مؤثر بر دمای سطح زمین در شهرها به جهت مدیریت حرارتی مؤثر نواحی شهری و همچنین اتخاذ استراتژی‌های انطباقی با جزایر حرارتی امری ضروری است. در این راستا، هدف پژوهش حاضر مطالعه تطبیقی رگرسیون‌های خطی چندگانه و جنگل تصادفی در تخمین دمای سطح زمین شبانه فصل تابستان شهر تبریز و همچنین رتبه‌بندی عوامل مؤثر بر آن بود.

بر اساس نتایج عملکرد دو روش رگرسیونی، روش رگرسیونی جنگل تصادفی خطای کمتری را نسبت به رگرسیونی خطی چندگانه از خود نشان داد؛ بنابراین، از این روش جهت استخراج عوامل مؤثر استفاده شد. بدین اساس، مهم‌ترین شاخص در دمای سطح زمین شبانه تابستان شهر تبریز، شاخص نور شب است. این شاخص دارای همبستگی قابل‌توجهی با فعالیت‌های انسانی (فعالیت‌های صنعتی و غیره) است که در طول شب رخ می‌دهد. دومین شاخص نیز شاخص ضریب دید به آسمان می‌باشد. مورفولوژی شهر تبریز به‌ویژه نواحی مرکزی آن دارای بافت فشرده و همچنین بلندمرتبه است که نقش مهم این عامل را در تغییرات دمایی محیط شهری توجیه می‌نماید. سومین عامل مهم نیز شاخص مساحت رو به باد بود. این عامل از موارد مهم در مطالعه جزایر حرارتی است که محصورشدگی محیط شهری به جهت عدم نفوذپذیری باد را نشان می‌دهد. هر چه محیط شهری فشرده باشد، ضریب نفوذ باد نیز کاهش‌یافته و روند تخلیه حرارتی با سرعت کمتری انجام می‌شود. چهارمین عامل مؤثر بر دمای سطح زمین نیز آلبدو بود که از مؤلفه‌های اساسی کنترل و کاهش جزایر حرارتی است. شهر تبریز نیز دارای وسعت بالایی از سطوح تیره و غیرقابل‌نفوذ است که باعث ذخیره گرمایی در طول روز شده و در شب آن را در محیط شهری آزاد می‌نماید. شاخص‌های پوشش گیاهی و مساحت سطح نفوذناپذیر نیز به ترتیب کمترین اهمیت را در دمای سطح زمین شبانه فصل تابستان داشته‌اند. کمبود پوشش گیاهی نیز از دیگر مشکلات شهر تبریز است که از آن رنج می‌برد. کمبود این مقوله و پراکنش نامناسب آن و همچنین کم‌بودن نسبت مساحتی پهنه‌های سبز نیز منجر به کاهش اهمیت آن در تخمین دمای سطح زمین شده است. پوشش گیاهی از جمله مهم‌ترین استراتژی‌های کاهش جزایر حرارتی است که در وهله اول موردتوجه برنامه‌ریزان می‌باشد. البته این استراتژی باید در قالب توجه به منابع آبی و همچنین نوع اقلیم به مرحله اجرا در آید.

کلیدواژه‌ها
دمای سطح زمین؛ رگرسیون جنگل تصادفی؛ رگرسیون خطی چندگانه؛ یادگیری ماشینی؛ تبریز
اصل مقاله

دمای سطح زمین به‌عنوان یکی از پارامترهای مهم و پایه‌ای در مباحث اقلیمی، نشان‌دهنده رابطه بین اتمسفر و زمین می‌باشد. با درنظرداشتن مشکلات زیست‌محیطی شهرها از جمله شدت یافتن جزایر حرارتی شهری، تخمین دمای سطح زمین با دقت مطلوب و همچنین استخراج عوامل مؤثر بر آن نقش قابل‌توجهی را در مدیریت حرارتی محیط‌های شهری و همچنین اتخاذ استراتژی‌های انطباقی با جزایر حرارتی دارد. پژوهش حاضر در این راستا به مقایسه دو روش رگرسیونی خطی چندگانه و جنگل تصادفی پرداخته است. از تصاویر مادیس روزانه در بازه شب (10:30) جهت استخراج دمای سطح زمین فصل تابستان شهر تبریز بهره گرفته شد. تصاویر مذکور در سامانه گوگل ارث انجین پردازش شده و برای بازه 2018 الی 2022 میانگین‌گیری گردید. بر اساس نتایج پژوهش، جنگل تصادفی با ضریب تعیین 924/0 (009/0 = RMS) عملکرد بسیار بهتری را نسبت به رگرسیون خطی چندگانه از خود نشان داد. جهت استخراج اهمیت شاخص‌ها نیز از جنگل تصادفی بهره گرفته شد. بر اساس نتایج اهمیت شاخص‌ها، شاخص‌های نور شب (06/51 درصد)، ضریب دید به آسمان (01/48 درصد) و مساحت ناحیه رو به باد (27/45) به ترتیب مهم‌ترین شاخص‌های اثرگذار بر متوسط دمای سطح زمین شبانه فصل تابستان شهر تبریز هستند. نتایج پژوهش حاضر علاوه بر آشکار نمودن قوت رگرسیون جنگل تصادفی در تخمین دمای سطح زمین، اهمیت شاخص‌های متعدد بر آن را نیز آشکار می‌کند. در این راستا، یافته‌های این مطالعه برای مدیریت حرارتی محیط شهری تبریز و اتخاذ استراتژی‌های سازگاری با جزایر حرارتی آن کاربردی خواهد بود.

مراجع
  1. Abbot, M. L. (2017). Using Statistics in the Social and Health Sciences with SPSS and Excel. John Wiley & Sons. DOI: 10.1002/9781119121077
  2. Abrougui, K. & Gabsi, K. & Mercatoris, B. & Khemis, C. & Amami, R. & Chehaibi, Sa. (2019). Prediction of organic potato yield using tillage systems and soil properties by artificial neural network and multiple linear regressions. Soil and Tillage Research. Vol. 190. pp 202-208. DOI: 10.1016/j.still.2019.01.011.
  3. Andrés-Anaya, P., Sánchez-Aparicio, M., del Pozo, S., & Lagüela, S. (2021). Correlation of Land Surface Temperature with IR Albedo for the Analysis of Urban Heat Island. Engineering Proceedings, 8(1). https://doi.org/10.3390/engproc2021008009
  4. Azadi Mubaraky, M., & Ahmadi, M. (2021). Investigation of urban heat islands of Tabriz metropolis using multi-time data of LANDSAT8 satellite based on hot spot analysis method. Regional Planning, 11(43), 47–63. https://doi.org/10.30495/jzpm.2021.3992 (In Persian).
  5. Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
  6. Bernard, J., Bocher, E., Petit, G., Palominos, S. (2018). "Sky View Factor Calculation in Urban Context: Computational Performance and Accuracy Analysis of Two Open and Free GIS Tools" Climate 6(3). https://doi.org/10.3390/cli6030060
  7. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  8. Breiman, L. (2002). Manual on setting up, using, and understanding random forests v3.1. https://www.stat.berkeley.edu/~breiman/Using_random_forests_V3.1.pdf
  9. Carlson, T. N., & Riziley, D. A. (1997). On the Relation between NDVI, Fractional Vegetation Cover, and Leaf Area Index. Remote Sensing of Environment, 62(3), 241–252. https://doi.org/10.1016/S0034-4257(97)00104-1
  10. Chan, J. C.-W., & Paelinckx, D. (2008). Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery. Remote Sensing of Environment, 112(6), 2999-3011. https://doi.org/10.1016/j.rse.2008.02.011
  11. Chen, Q., Cheng, Q., Chen, Y., Li, K., Wang, D., & Cao, S. (2021). The Influence of Sky View Factor on Daytime and Nighttime Urban Land Surface Temperature in Different Spatial-Temporal Scales: A Case Study of Beijing. Remote Sensing, 13(20). https://doi.org/10.3390/rs13204117
  12. Gadekar, K., Pande, C.B., Rajesh, J., Gorantiwar, S.D., Atre, A.A. (2023). Estimation of Land Surface Temperature and Urban Heat Island by Using Google Earth Engine and Remote Sensing Data. In: Pande, C.B., Moharir, K.N., Singh, S.K., Pham, Q.B., Elbeltagi, A. (eds) Climate Change Impacts on Natural Resources, Ecosystems and Agricultural Systems. Springer Climate. Springer, Cham. https://doi.org/10.1007/978-3-031-19059-9_14
  13. George, D. & Mallery, P. (2020). IBM SPSS Statistics 26 Step by Step: A Simple Guide and Reference. 16th Edition. Routledge: Taylor & Francis Group. https://www.routledge.com/IBM-SPSS-Statistics-26-Step-by-Step-A-Simple-Guide-and-Reference/George-Mallery/p/book/9780367174354
  14. Gong, D., Dai, X., Zhou, L. (2023). Satellite-Based Optimization and Planning of Urban Ventilation Corridors for a Healthy Microclimate Environment. Sustainability, 15(21):15653. https://doi.org/10.3390/su152115653
  15. Guha, S., Govil, H. (2020). Land surface temperature and normalized difference vegetation index relationship: a seasonal study on a tropical city. SN Appl. Sci. 2, 1661. https://doi.org/10.1007/s42452-020-03458-8
  16. Haghverdi, A., Noori, R., & Tisseyre, B. (2021). Estimating Land Surface Temperature using MODIS data: A Random Forest approach. Journal of Environmental Management, 298, 113491. https://doi.org/10.1016/j.jenvman.2021.113491
  17. Hodul, M., Knudby, A., Chak, H. (2016). "Estimation of Continuous Urban Sky View Factor from Landsat Data Using Shadow Detection" Remote Sensing 8(7). https://doi.org/10.3390/rs8070568
  18. Keerthi Naidu, B., Chundeli, F.A. (2023). Assessing LULC changes and LST through NDVI and NDBI spatial indicators: a case of Bengaluru, India. GeoJournal 88, 4335–4350. https://doi.org/10.1007/s10708-023-10862-1
  19. Koushesh Vatan, M. A., & Asghari Zamani, A. (2021). Study of land surface temperature concerning land-use in Tabriz city using the Landsat 8 data. Journal of Economic Geography Researches, 2(3), 49–58. https://jurs.znu.ac.ir/article_244529.html (In Persian).
  20. Koushesh Vatan, M. A., Asghari Zamani, A., Nemati, M., & Pourmohammad, F. (2021). A Comparison of Multiple Linear Regression and Random Forest Regression to Evaluate the Price of Residential Units (Case Study: North Valiasr, Tabriz). Geography and Territorial Spatial Arrangement, 11(40), 57–82. https://doi.org/10.22111/gaij.2021.6486 (In Persian).
  21. Li, H., Li, Y., Wang, T., Wang, Z., Gao, M., & Shen, H. (2021). Quantifying 3D building form effects on urban land surface temperature and modeling seasonal correlation patterns.

 

 

 

  1. Building and Environment, 204, 108132. https://doi.org/https://doi.org/10.1016/j.buildenv.2021.108132
  2. Li, L., Zhao, Z., Wang, H., Shen, L., Liu, N., & He, B.-J. (2022). Variabilities of Land Surface Temperature and Frontal Area Index Based on Local Climate Zone. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15, 2166–2174. https://doi.org/10.1109/JSTARS.2022.3153958
  3. Li, Z. L., Tang, R., Wan, Z., Bi, Y., Zhou, C., Tang, B., ... & Zhang, X. (2013). A review of current methodologies for regional evapotranspiration estimation from remotely sensed data. Sensors, 13(5), 5977-6010. https://doi.org/10.3390/s130505977
  4. Li, Z., Wu, F., Ma, H., Xu, Z., Wang, S. (2022). Spatiotemporal Evolution and Relationship between Night Time Light and Land Surface Temperature: A Case Study of Beijing, China. Land. 211(4):548. https://doi.org/10.3390/land11040548
  5. Liang, S. (2000). Narrowband to broadband conversions of land surface albedo I Algorithms. Remote Sensing of Environment, 76, 213–238. www.elsevier.com/locate/rse
  6. Liaw, Andy & Wiener, Matthew. (2001). Classification and Regression by RandomForest. RNews. 23. https://www.researchgate.net/publication/228451484_Classification_and_Regression_by_RandomForest
  7. Makhija R., Ali S., Jaya Krishna R. (2021) Detecting Influencers in Social Networks Through Machine Learning Techniques. In: Hassanien A., Bhatnagar R., Darwish A. (eds) Advanced Machine Learning Technologies and Applications. AMLTA 2020. Advances in Intelligent Systems and Computing, vol 1141. Springer, Singapore. https://doi.org/10.1007/978-981-15-3383-9_23.
  8. Mallick, J., Rahman, A., & Singh, C. K. (2013). Modeling urban heat islands in heterogeneous land surface and its correlation with impervious surface area by using night-time ASTER satellite data in highly urbanizing city, Delhi-India. Advances in Space Research, 52(4), 639–655. https://doi.org/10.1016/j.asr.2013.04.025
  9. Mansourmoghaddam, M., Rousta, I., Ghafarian Malamiri, H., Sadeghnejad, M., Krzyszczak, J., Ferreira, CSS. (2024). Modeling and Estimating the Land Surface Temperature (LST) Using Remote Sensing and Machine Learning (Case Study: Yazd, Iran). Remote Sensing, 16(3):454. https://doi.org/10.3390/rs16030454
آمار
تعداد مشاهده مقاله: 605
تعداد دریافت فایل اصل مقاله: 507


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب