TY - JOUR T1 - Evaluating the Capability of Geographically Weighted Regression in Improvement of Urban Growth Simulation PerformanceUsing Cellular Automata TT - ارزیابی قابلیت رگرسیون وزنی جغرافیایی در بهبود پیش‌بینی رشد اراضی شهری با استفاده از سلول‌های خودکار JF - kntu-jgit JO - kntu-jgit VL - 6 IS - 2 UR - http://jgit.kntu.ac.ir/article-1-588-fa.html Y1 - 2018 SP - 43 EP - 64 KW - Cellular Automata KW - Geographically Weighted Regression KW - Logistic Regression N2 - رگرسیون وزنی جغرافیایی منطقی (GWLR) نسخه محلی مدل رگرسیون منطقی (LR) است که در هر مکان رابطه متفاوتی را بین متغیرهای وابسته و مستقل برآورد می‌کند. در تحقیق حاضر از مدل GWLR در توسعه قوانین تبدیل سلولهای خودکار(CA) استفاده و کارایی آن در پیش‌بینی رشد شهری در مقابل مدل CA مبتنی بر رگرسیون منطقی (Logistic-CA) مورد ارزیابی قرار گرفت. همچنین پارامتری تحت عنوان ضریب رشد حاشیه ای برای تعیین توازن بهینه میان فرایندهای رشد حاشیه ای و رشد خود انگیخته که از جمله فرایندهای مهم در رشد اراضی شهری محسوب می‌شوند، تعریف گردید. جهت ارزیابی دقت مدل نیز از آماره کاپای فازی در کنار ضریب معمول کاپا استفاده شد. مدل پیشنهادی در تحقیق حاضر جهت پیش بینی توسعه بخشی از اراضی شهری واقع در جنوب غرب منطقه کلانشهری تهران برای دوره زمانی 1391-1383 اجرا گردید. نتایج این مطالعه نشان داد استفاده از مدل GWLR در تعریف قوانین تبدیل CA منجر به افزایش قابل توجه دقت پیش بینی رشد شهری در مقایسه با مدل Logistic-CA می گردد. دقت پیش بینی مدل توسعه داده شده در تحقیق حاضر بر حسب ضریب کاپا برابر 54/0 می باشد که افزایش دقتی معادل 24/0 را در مقایسه با مدل Logistic-CA نشان می دهد. همچنین دقت مدل پیشنهادی بر اساس شاخص کاپای فازی با در نظر گرفتن فواصل50 و 100 متری برای تابع نمایی افت فاصله، به 69/0 و 76/0 می‌رسد. M3 10.29252/jgit.6.2.43 ER -