fa ارزیابی قابلیت رگرسیون وزنی جغرافیایی در بهبود پیش‌بینی رشد اراضی شهری با استفاده از سلول‌های خودکار سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <span style="font-family:b nazanin;">رگرسیون وزنی جغرافیایی منطقی (</span><span dir="LTR"><span style="font-size:8.0pt;">GWLR</span></span><span style="font-family:b nazanin;">) نسخه محلی مدل رگرسیون منطقی (</span><span dir="LTR"><span style="font-size:8.0pt;">LR</span></span><span style="font-family:b nazanin;">) است که در هر مکان رابطه متفاوتی را بین متغیرهای وابسته و مستقل برآورد می‌کند. در تحقیق حاضر از مدل </span><span dir="LTR"><span style="font-size:8.0pt;">GWLR</span></span><span style="font-family:b nazanin;"> در توسعه قوانین تبدیل سلولهای خودکار(</span><span dir="LTR"><span style="font-size:8.0pt;">CA</span></span><span style="font-family:b nazanin;">) استفاده و کارایی آن در پیش‌بینی رشد شهری در مقابل مدل </span><span dir="LTR"><span style="font-size:8.0pt;">CA</span></span><span style="font-family:b nazanin;"> مبتنی بر رگرسیون منطقی (</span><span dir="LTR"><span style="font-size:8.0pt;">Logistic-CA</span></span><span style="font-family:b nazanin;">) مورد ارزیابی&nbsp; 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</span>&nbsp;<span style="font-family:b nazanin;">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 </span><span dir="LTR"><span style="font-size:8.0pt;">GWLR</span></span><span style="font-family:b nazanin;"> در</span>&nbsp;<span style="font-family:b nazanin;">تعریف</span>&nbsp;<span style="font-family:b nazanin;">قوانین</span>&nbsp;<span style="font-family:b nazanin;">تبدیل </span><span dir="LTR"><span style="font-size:8.0pt;">CA</span></span><span style="font-family:b nazanin;"> منجر به افزایش قابل توجه دقت پیش بینی رشد شهری در مقایسه با مدل </span><span dir="LTR"><span style="font-size:8.0pt;">Logistic-CA</span></span><span style="font-family:b nazanin;"> می گردد. دقت</span>&nbsp;<span style="font-family:b nazanin;">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</span>&nbsp;<span style="font-family:b nazanin;">مقایسه با مدل </span><span dir="LTR"><span style="font-size:8.0pt;">Logistic-CA</span></span><span style="font-family:b nazanin;"> 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.</span><strong><span style="font-family:b nazanin;"></span></strong> Geographically Weighted Logistic Regression (GWLR) is a local version of logistic regression (LR) which estimates different relationships between independent and dependent variables at each location. In this research, local model (GWLR) is used for defining CA transition rules and evaluating GWLR capabilities in terms of enhancing urban development prediction accuracy. Also, a new parameter named &ldquo;Edge Expansion Coefficient&rdquo; was defined for the determination of tradeoff between two important urban development processes: edge expansion and spontaneous growth. Moreover, in order to assess the prediction accuracy, fuzzy Kappa statistic was applied along with the traditional Kappa coefficiency. The developed CA model in this study was run for the prediction of urban development in south west of Tehran metropolitan area during 2004-2013 period. The results of the study showed that, using GWLR model for defining CA&rsquo;s transition rules, one can significantly increase urban development prediction&rsquo;s accuracy compared to that of predicted urban development by CA model based on logistic regression (Logistic-CA). The prediction accuracies of the proposed model in this research and the Logistic-CA were 0.54 and 0.30, respectively, as measured by Kappa coefficient. Also, the prediction accuracies of the proposed model were calculated to be 0.68 and 0.76 when measured in terms of fuzzy Kappa statistic with halving distances of 50 and 100 meters in exponential distance decay function, respectively. سلول‌های خودکار, رگرسیون وزنی جغرافیایی, رگرسیون منطقی Cellular Automata, Geographically Weighted Regression, Logistic Regression 43 64 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-410-2&slc_lang=fa&sid=1 Babak Mirbagheri بابک میرباقری b_mirbagheri@mail.kntu.ac.ir 10031947532846005366 10031947532846005366 Yes K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Abbas Alimohammadi عباس علیمحمدی 10031947532846005367 10031947532846005367 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی