نوع مقاله : مقاله پژوهشی

نویسندگان

• محمدعلی کوشش وطن ¹
• اکبر اصغری زمانی ²
• شهریور روستایی ²

¹ دانشجوی دکتری جغرافیا و برنامه ریزی شهری. گروه، جغرافیا و برنامه ریزی شهری ، دانشکده برنامه ریزی و علوم محیطی،دانشگاه تبریز، شهر تبریز، کشور ایران

² هیات 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.

کلیدواژه‌ها

• دمای سطح زمین
• رگرسیون جنگل تصادفی
• رگرسیون خطی چندگانه
• یادگیری ماشینی
• تبریز

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

A Comparative Study of Multiple Linear Regression and Random Forest in the Estimation of Land Surface Temperature: A Case Study of Tabriz City

نویسندگان [English]

• Mohammad Ali Koushesh Vatan ¹
• Akbar Asgari Zamni ²
• Shahrivar Roustaie ²

¹ University of Tabriz

² University of Tabriz

چکیده [English]

Land surface temperature, as one of the important and fundamental parameters in climatology, indicates the relationship between the atmosphere and the Earth. Considering the environmental issues of cities, including the intensification of urban heat islands, accurately estimating LST and identifying its influencing factors play a significant role in urban thermal management and adopting adaptive strategies for heat islands. In this regard, this study compares two regression methods: multiple linear regression and random forest in order to estimate the LST. Daily nighttime MODIS images were used to extract the LST of Tabriz city during the summer. These images were processed in the Google Earth Engine platform and averaged for the period from 2018 to 2022. According to the results, the random forest showed significantly better performance with a coefficient of determination of 0.924 (RMS = 0.009) compared to multiple linear regression. The random forest was also used to determine the importance of the indices. Based on the index importance results, night lights (51/06%), sky view factor (48/01%) and frontal area index (45/27%) were the most important factor affecting the nighttime summer LST in Tabriz city, respectively. The findings of this study, in addition to revealing the strength of the random forest regression in estimating LST, also highlight the importance of various indices in the LST. In this context, the study's results will be practical for managing the thermal environment of Tabriz city and adopting mitigation strategies for its heat islands.

کلیدواژه‌ها [English]

• Land Surface Temperature
• Random Forest Regression
• Linear Regression
• Machine learning
• Tabriz