[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 208 روز
میانگین انتشار: 345 روز
..
:: دوره 7، شماره 3 - ( 9-1398 ) ::
جلد 7 شماره 3 صفحات 172-159 برگشت به فهرست نسخه ها
مقایسه عملکرد روش رگرسیون وزن‌دار جغرافیایی و روش حداقل مربعات برای مدل‌سازی روابط فضایی دمای سطح دریای عمان
علی بحری ، یونس خسروی* ، آزاده توکلی
دانشگاه زنجان
چکیده:   (3774 مشاهده)
در مباحث دریایی، مطالعه‌ی دمای سطح دریا (SST) و بررسی روابط مکانی آن با سایر متغیرهای اقیانوسی از اهمیت ویژه‌ای برخودار است، به‌گونه‌ای که شناخت دقیق و مناسب روابط SST با سایر متغیرها، امکان بررسی و مطالعه بسیاری از فرآیندهای اقیانوسی و جوّی را فراهم می‌سازد. لذا، در این پژوهش مدل‌سازی روابط فضایی SST با متغیرهای سرعت باد سطحی (SWS)، غلظت کلروفیل a، طول و عرض جغرافیایی در دریای عمان توسط روش حداقل مربعات معمولی (OLS) و روش رگرسیون وزن‌دار جغرافیایی (GWR) موجود در نرم افزار ArcGIS، بین سال‌های 2003 تا 2016 صورت پذیرفت و خروجی‌های حاصل از این دو روش با یکدیگر مقایسه شد. نتایج حاصل از روش OLS نشان داد که متغیر سرعت باد سطحی بیشترین اثرگذاری را در برآورد مقادیر SST در دریای عمان دارا بوده است و سایر متغیرها رابطه‌ای منفی و تأثیرگذاری پایینی را در برآورد SST به نمایش گذاشته‌اند. اما در مدل GWR مشخص شد که متغیر طول جغرافیایی بیشترین تأثیرگذاری و رابطه مثبت را در برآورد مقادیر SST داشته است. در این مدل نیز متغیر SWS رابطه‌ای مثبت با SST داشته است اما تأثیرگذاری آن نسبت به مدل OLS کمتر بوده است. سایر متغیرها نیز رابطه‌ای منفی با SST داشته‌اند. در ادامه، با استفاده از ضریب تبیین محلی (R2) مشخص شد که مدل GWR برای برآورد مقادیر SST در دریای عمان از دقت بالاتری نسبت به مدل OLS برخوردار بوده است؛ به‌گونه‌ای که مدل GWR توانسته است 85 درصد تغییرات مکانی SST در دریای عمان را توجیه کند ولی مدل OLS فقط 55 درصد تغییرات مکانی این متغیر را توجیه کرده است. دقت بالاتر مدل GWR در برآورد مقادیر SST نیز در بخش‌های شرقی و غربی دریای عمان دیده شد و این مدل در بخش مرکزی این دریا از دقت پایین‌تری برخوردار بود.
واژه‌های کلیدی: دمای سطح دریا (SST)، مدل‌سازی، حداقل‌مربعات‌معمولی (OLS)، رگرسیون وزن‌دار‌جغرافیایی (GWR)، دریای عمان
متن کامل [PDF 2335 kb]   (1921 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1396/12/12 | پذیرش: 1397/10/25 | انتشار: 1398/9/30
فهرست منابع
1. [1] D.C. Montgomery, E.A. Peck, and G.G. Vining, "Introduction to Linear Regression Analysis (Vol. 3)". John Wiley & Sons. 2001.
2. [2] S. Shamshiri, H. Shahbazi, and S. Taghipour Javi, "Analyzing the Relations between Spatial Variables in Khanmirza Plain: Comparison of Geological Weighted Regression and Ordinary Least Square Models", Geography and Development Iranian Journal, 15 (48), 95-112, 2017. (Persian)
3. [3] B. Alijani, "Spatial Analysis in Geography Studies", Journal of Spatial Analysis Environmental Hazarts, 2 (3), 1-14, 2015. (Persian) [DOI:10.18869/acadpub.jsaeh.2.3.1]
4. [4] M.F. Goodchild, "A spatial geographical perspective on GIS", International Journal of Geographical Information System, 1, 327-334, 1988. [DOI:10.1080/02693798708927820]
5. [5] L. Scott, and A. Getis, "Spatial statistics. In Kemp K (ed) Encyclopedia of geographic informations", Sage, Thousand Oaks, CA. 2008.
6. [6] M.M. Fischer, and A. Getis, "Handbook of Applied Spatial Analysis", Springer, Verlag Berlin Heidelberg. 2010. [DOI:10.1007/978-3-642-03647-7]
7. [7] A. Esfandiyar Nejad, R. Kamalian, and M. Kianipoor, "Estimation of sea surface temperature using satellite data", 6th International Conference on Coasts, Ports and Marine Structures, Tehran, Iranian Ports and Maritime Organization. 2004. (Persian)
8. [8] M. Gholami, "The role of surface temperature of the Caspian Sea on the climate of its southern regions", M.sc Thesis of Physical oceanography, Islamic Azad University. 2010. (Persian)
9. [9] K.L. Matuszewskaa, and J.A. Urbański, "Prediction of near-bottom water salinity in the Baltic Sea using Ordinary Least Squares and Geographically Weighted Regression models", Estuarine, Coastal and Shelf Science, 149, 255-263, 2014. [DOI:10.1016/j.ecss.2014.09.003]
10. [10] Q. Chen, K. Mei, R.A. Dahlgren, T. Wang, J. Gong, and M. Zhang, "Impacts of land use and population density on seasonal surface water quality using a modified geographically weighted regression", Science of The Total Environment, 572, 450-466, 2016. [DOI:10.1016/j.scitotenv.2016.08.052]
11. [11] M. Erfanian, M. Hoosiankhah, and A. Alijanpoor, "Modeling the Effects of Land Use on Water Quality Parameters Using OLS and GWR Multivariate Regression Methods in Fars Province Watersheds", Journal of Environmental Studies, 42 (2), 353-373, 2016. (Persian)
12. [12] Y. Khosravi, H. Lashkari, and H. Asakereh, "Spatial variability of water vapour in south and southwest of Iran", Quarterly Journal of MAUSAM, 68, 9-22, 2017.
13. [13] S. Balyani, "Spatial analysis of annual precipitation of Khuzestan province; an approach of spatial regressions analysis", Researches in Geographical Sciences, 16 (43), 125-147, 2017. (Persian)
14. [14] M. Nazeer, and M. Bilal, "Evaluation of Ordinary Least Square (OLS) and Geographically Weighted Regression (GWR) for Water Quality Monitoring: A Case Study for the Estimation of Salinity", Journal of Ocean University of China, 17 (2), 305-310, 2018. [DOI:10.1007/s11802-018-3380-6]
15. [15] B. Rezaee, S. Tajgaleh, and M. Sadeghi, "Marine Industries and Technologies", First Edition, Presidency of the Islamic Republic of Iran: Vice-Presidency for Science and Technology, Tehran, 2015. (Persian)
16. [16] S.A. Pionkovski, and T. Chiffings, "Long-Term Changes of Temperature in the Sea of Oman and the Western Arabian Sea", International Journal of Oceans and Oceanography, 8, 53-72, 2014.
17. [17] A.H. Safargholi, A. Mohammadi, and M. Najartabarbishe, "Iranian Marine Register", Second Edition, Presidency of the Islamic Republic of Iran: Vice-Presidency for Science and Technology, Tehran, 2015. (Persian)
18. [18] W.E. Johns, G.A. Jacobs, J.C. Kindle, S.P. Murray, and M. Carron, "Arabian Marginal Seas and Gulfs". Report of a workshop held at Stennis Space Center, Mississippi, May 11-13, 1999. RSMAS Technical Report #2000-01, University of Miami, 60pp, 1999.
19. [19] F. Yao, and W.E. Johns, "A HYCOM modeling study of the Persian Gulf: 1. Model configurations and surface circulation", Journal of Geophysical Research, 115, C1 1017, 2010. [DOI:10.1029/2009JC005781]
20. [20] R.M. Reynolds, "Physical oceanography of the Gulf, Strait of Hormuz, and the Gulf of Oman-Results from the Mt Mitchell expedition", Marine Poll Bull, 27, 35-59, 1993. [DOI:10.1016/0025-326X(93)90007-7]
21. [21] Y. Khosravi, and E. Abbasi, "Spatial Analysis of Environmental Data", First Edition, Azarkelk Publishers, Zanjan, 2016. (Persian)
22. [22] J. Tu, and Z. Xia, "Examining Spatially Varying Relationships Between Land Use And Water Quality Using Geographically Weighted Regression I: Model Design And Evaluation", Science of The Total Environment, 407, 358-378, 2008. [DOI:10.1016/j.scitotenv.2008.09.031]
23. [23] S.A. Fotheringham, C. Brunsdon, and M. Charlton, "Geographically Weighted Regression the analysis of spatially varying relationships", John Wiley & Sons, 2002.
24. [24] J. Gao, and S. Li, "Detecting spatially nonstationary and scale-dependent relationships between urban landscape fragmentation and related factors using Geographically Weighted Regression". Applied Geography, 31, 292-302, 2011. [DOI:10.1016/j.apgeog.2010.06.003]
25. [25] C. Brunsdon, S.A. Fotheringham, and M. Charlton, "Geographically Weighted Regression-Modelling Spatial Non-Stationarity", Journal of the Royal Statistical Society. Series D (The Statistician), 47, 431-443, 1998. [DOI:10.1111/1467-9884.00145]
26. [26] S.A. Fotheringham, M. Charlton, and C. Brunsdon, "Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis". Environmental Planning, 30, 1905-1927, 1998. [DOI:10.1068/a301905]
27. [27] H. Asakereh, H. "Fundamentals of Statistical Climatology", First Edition, University of Zanjan, Zanjan, 2011.
28. [28] S.P. Xie, C. Deser, G.A. Vecchi, J. Ma, H. Teng, and A.T. Wittenberg, " Global warming pattern formation: Sea surface temperature and rainfall ", Journal of Climate, 23, 966-986. 2010. [DOI:10.1175/2009JCLI3329.1]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Bahri A, Khosravi Y, Tavakoli A. Comparison of the Performance of Geographically Weighted Regression and Ordinary Least Squares for modeling of Sea surface temperature in Oman Sea. jgit 2019; 7 (3) :159-172
URL: http://jgit.kntu.ac.ir/article-1-747-fa.html

بحری علی، خسروی یونس، توکلی آزاده. مقایسه عملکرد روش رگرسیون وزن‌دار جغرافیایی و روش حداقل مربعات برای مدل‌سازی روابط فضایی دمای سطح دریای عمان. مهندسی فناوری اطلاعات مکانی. 1398; 7 (3) :159-172

URL: http://jgit.kntu.ac.ir/article-1-747-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 7، شماره 3 - ( 9-1398 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.07 seconds with 38 queries by YEKTAWEB 4660