دوره 27، شماره 3 - ( 1402 )                   جلد 27 شماره 3 صفحات 158-132 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shamsoddini A, Arianezhad S. Modeling the effect of city structural parameters on city surface temperature based on segments obtained from object-oriented segmentation in Tehran city. MJSP 2023; 27 (3) :132-158
URL: http://hsmsp.modares.ac.ir/article-21-72815-fa.html
شمس الدینی* علی، آریانژاد سحر. مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح شهر مبتنی بر قطعات حاصل از قطعه بندی شی گرا در شهر تهران. آمایش فضا و ژئوماتیک. 1402; 27 (3) :132-158

URL: http://hsmsp.modares.ac.ir/article-21-72815-fa.html

مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح شهر مبتنی بر قطعات حاصل از قطعه بندی شی گرا در شهر تهران
علی شمس الدینی 1، سحر آریانژاد2
1- دانشگاه تربیت مدرس، دانشکده علوم انسانی، گروه سنجش ازدور و سیستم اطلاعات جغرافیایی ، ali.shamsoddini@modares.ac.ir
2- دانشگاه تربیت مدرس، دانشکده علوم انسانی، گروه سنجش ازدور و سیستم اطلاعات جغرافیایی
چکیده:   (642 مشاهده)
گرم شدن محیط زیست شهری یکی از پیامدهای رشد شهری ناپایدار است. هدف این پژوهش بررسی امکان مدل‌سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در فصل تابستان در شهر تهران است. بدین منظور، از تصویر لندست-8 اخذ شده در سال 2018 به جهت محاسبه دمای سطح زمین استفاده شده و به منظور تعیین واحدهای مطالعاتی در این پژوهش از روش قطعه‌بندی شی­گرا بر روی تصویر سنجنده سنتینل-2 سال 2018 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 مدل‌سازی 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 مدل‌سازی و نتایج به دست آمده از آزمون آماری تی نمونه­های جفت شده نشان دهنده برتری روش شبکه عصبی کانولوشن با ریشه میانگین مربعات خطای 61/0 درجه سانتی­گراد، ضریب تعیین 62/0 و درصد خطای برآورد 75/17 نسبت به روش شبکه عصبی پرسپترون چند لایه با ریشه میانگین مربعات خطای 82/0، ضریب تعیین 26/0 و درصد خطای برآورد 34/23 است.
واژه‌های کلیدی: دمای سطح زمین، قطعه بندی شی گرا، پارامترهای ساختاری شهر، یادگیری عمیق، یادگیری ماشین
متن کامل [PDF 2215 kb]   (1007 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: فنون پردازش داده های مکانی در برنامه ریزی محیطی
دریافت: 1402/9/16 | پذیرش: 1402/12/28 | انتشار: 1402/7/10
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.