کاربرد مدل رگرسیون وزن دار فضایی(GWR)در بررسی روابط بین متغیرهای فضایی در یک پهنه شهری، نمونه موردی: منطقه 7 شهرداری تهران

نوع مقاله: مقاله پژوهشی

چکیده

شهرها محل اسکان افراد و برخوردار از ابعاد متعددی از جمله اقتصادی، اجتماعی و کالبدی هستند. روابط متقابل این مولفه ها با یکدیگر در قالب جریان هایی ظاهر می شوند که بر کیفیت محیط انسان ساخت از کی طرف و یکفیت زندگی انسان از طرفی دیگر موثرند. به همین دلیل، بررسی این روابط از حیث مقدار و جهت حائز اهمیت است. تحلیل های کلاسیک آماری همانند همبستگی و رگرسیون، از جمله روش های معمول برای این منظور هستند. اما، از آنجا که در این روش ها، اطلاعات معمولاً در گستره وسیعی از فضا بررسی می شوند، ضرائب خطای ناشی از دخالت عامل فضا بالا بوده و نمیتوان ادامه روند روابط را به صورت دقیق پیش بینی کرد. یکی از روش های جدید برای دستیابی به دقت بالاتر در تحلیل روابط متأثر از فضا، روش رگرسیون وزن دار فضایی است. این روش برای نخستین بار در دهه اخیر توسط فوترینگام ، چالتون و برانسدون اساتید دانشگاه های بریتانیا معرفی گردید. روش رگرسیون وزن دار فضایی، کاربردهای متنوعی از جمله آشکار کردن و تحلیل متغیر ها در مقیاس محلی دارد، و در تحقیقات مرتبط با فضا در رشته هایی همانند برنامه ریزی شهری و منطقه ای، محیط شناسی، ژئوماتیک، جغرافیا و ... مورد استفاده قرار گرفته است. در این مقاله سعی شده است تا نتایج حاصل از تحلیل تراکم شهری با مدل رگرسیون وز ندار فضایی در منطقه 7 شهر تهران معرفی گردد. میزان تراکم ساختمانی و تراکم جمعیتی در منطقه 7 تهران به کمک برخی ازمتغیرهای اجتماعی- اقتصادی همانند قیمت زمین، سطح سواد و سطح اشتغال در سطح محلی و به تعداد 1200 بلوک شهری پیش بینی گردیده است. به منظور پی بردن به دقت و اهمیت رگرسیون وز ندار فضایی، خروجی حاصله از این مدل با خروجی بدست آمده از رگرسیون معمولی (OLS) به صورت گراف یکی و عددی مورد مقایسه قرار گرفته است. نتایج این مقایسه، بیانگر دقت بالاتر و برتری نسبی روش رگرسیون وزن دار فضایی در تحلیل تراکم شهری است.

کلیدواژه‌ها


عنوان مقاله [English]

GWR Model Application in Investigation of Spatial Variables in an Urban District: Case Study of Region 7, Municipality of Tehran

چکیده [English]

Cities as individuals' settlement place encompass environmental and socio-economical aspects. Interactions among these components are resulted in flows which impacts upon built environment and quality of life both. The investigation of such relationships is of high importance for urban planners. Traditional regression and correlation analysis assume that global statistics adequately describe the local relations that might exist in the data. However, the risk of miscalculation is high due to the intervention of spatial causes. Geographically Weighted Regression (GWR) is the spatial extension of non-spatial regression analysis, introduced recently to achieve a higher accuracy in spatial analysis. This method was primarily suggested by Fotheringham, Charlton and Brunsdon working with Newcastle upon Tyne University in 2002. GWR has varied applications in detecting and analyzing variables in a local scale which make it helpful for researches in space-related disciplines such as urban and regional planning, environmental sciences, surveying and geography. This paper examines the Region 7, Tehran Municipality in terms of urban density using Geographically Weighted Regression (GWR). It is attempted to forecast the amount of dwelling density and population density with factors associated with socio-economic including land price, literacy level, and employment status in a local level on 1200 urban blocks. Ordinary least squares (OLS) regression models yield only a single estimate of the relationships. In comparison, GWR allows an estimate of the spatial variation of this relationship. The results of the GWR model in comparison with global model showed a higher precise and better goodness-of-fit statistics.

کلیدواژه‌ها [English]

  • Space
  • Urban Modeling
  • Regression
  • Geographically Weighted Regression
  • GIS