مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح شهر مبتنی بر قطعات حاصل از قطعه بندی شی گرا در شهر تهران

گرم شدن محیط زیست شهری یکی از پیامدهای رشد شهری ناپایدار است. هدف این پژوهش بررسی امکان مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در فصل تابستان در شهر تهران است. بدین منظور، از تصویر لندست-۸ اخذ شده در سال ۲۰۱۸ به جهت محاسبه دمای سطح زمین استفاده شده و به منظور تعیین واحدهای مطالعاتی در این پژوهش از روش قطعه بندی شی­گرا بر روی تصویر سنجنده سنتینل-۲ سال ۲۰۱۸ استفاده گردیده و میزان پوشش گیاهی، جداسازی مناطق ساخته شده از مناطق ساخته نشده از این تصاویر استخراج شده است. همچنین روش شبکه عصبی پرسپترون چند لایه و روش شبکه عصبی کانولوشن به منظور مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در طی فصل تابستان مورد استفاده قرار گرفته است. نتایج به دست آمده از انتخاب ویژگی به روش جنگل تصادفی برای فصل تابستان نشان می­دهد که حضور پوشش گیاهی و کاربری­های شهری که شامل مناطق مسکونی، مناطق تجاری و خدماتی، مناطق صنعتی، زمین­های بایر است، و نیز لایه­های اطلاعاتی تراکم معابر و تراکم جمعیت در این فصل بر تغییرات دمای سطح زمین تاثیر گذار هستند. همچنین نتایج حاصل از مدل سازی و نتایج به دست آمده از آزمون آماری تی نمونه­های جفت شده نشان دهنده برتری روش شبکه عصبی کانولوشن با ریشه میانگین مربعات خطای ۶۱/۰ درجه سانتی­گراد، ضریب تعیین ۶۲/۰ و درصد خطای برآورد ۷۵/۱۷ نسبت به روش شبکه عصبی پرسپترون چند لایه با ریشه میانگین مربعات خطای ۸۲/۰، ضریب تعیین ۲۶/۰ و درصد خطای برآورد ۳۴/۲۳ است.

کلیدواژه ها:

Land surface temperature ، object-oriented segmentation ، urban structural parameters ، Deep Learning ، Machine Learning ، دمای سطح زمین ، قطعه بندی شی گرا ، پارامترهای ساختاری شهر ، یادگیری عمیق ، یادگیری ماشین