Spatial Monitoring and Prediction of Urban Heat Island Phenomena using Geostatistics and Machine Learning

Abstract

Spatial interpolation is a highly effective numerical computation method for efficiently accessing spatial data without the necessity of measuring every point within a given area. The techniques of Inverse Distance Weighting (IDW) and Kriging are among the most fundamental methods for spatial interpolation within both geostatistical and non-geostatistical frameworks, providing reliable means for generating spatial information. However, both IDW and Kriging rely solely on numerical data for spatial information generation, neglecting the environmental factors associated with the locations being estimated. Machine learning algorithms are employed to enhance numerical computations and serve as tools for understanding various factors that influence these computations. This research aims to enhance and compare traditional interpolation techniques, specifically Inverse Distance Weighting (IDW) and Ordinary Kriging (OK), with new interpolation methods such as OK combined with Support Vector Machine (SVM), OK combined with Random Forest (RF), and OK combined with K-Nearest Neighbors (KNN). The latter techniques integrate the correction concept of OK with machine learning approaches to classify coverage areas and weight spatial data related to land surface temperature (LST) in urban regions. The study reveals that the IDW technique produces Tmax and Tmin values that are closest to the actual measured values, followed by OK + SVM, OK, OK + RF, and OK + KNN in that order. Furthermore, when evaluating data from 1,650 LST interpolation points using each technique against statistical tests such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE), it was found that OK + SVM yielded the most favorable results, outperforming both IDW and OK.

การประมาณค่าบนช่วงเป็นหนึ่งในระเบียบวิธีการคำนวณเชิงตัวเลขที่มีประสิทธิภาพสูงสำหรับการเข้าถึงข้อมูลเชิงพื้นที่ได้อย่างมีประสิทธิภาพโดยไม่จำเป็นจะต้องวัดข้อมูลทุกๆ จุดของพื้นที่ เทคนิค IDW และ Kriging เป็นเทคนิคที่พื้นฐานที่สุดสำหรับการประมาณค่าบนช่วงในกลุ่มของธรณีสถิติและไม่ใช่ธรณีสถิติที่มีความน่าเชื่อถือสำหรับการสร้างข้อมูลเชิงพื้นที่ แต่อย่างไรก็ตาม 2 เทคนิคดังกล่าว IDW และ Kriging เป็นการสร้างข้อมูลเชิงพื้นที่ที่ได้มาจากของมูลเชิงตัวเลขเท่านั้น ซึ่งวิธีดังกล่าวไม่ได้คำนึงถึงปัจจัยแวดล้อมของตำแหน่งที่ต้องประมาณค่า การเรียนรู้ของเครื่องเป็นอัลกอริทึมที่ใช้ในการพัฒนาการคำนวณเชิงตัวเลข รวมทั้งยังเป็นเครื่องมือที่ใช้ในการประยุกต์ใช้ในการเรียนรู้ปัจจัยต่างๆ ที่ส่งผลต่อการคำนวณเชิงตัวเลขเพื่อให้ได้มาซึ่งข้อมูลเข้าใกล้กับค่าความเป็นจริงมากที่สุด การวิจัยนี้มีจุดมุ่งหมายเพื่อปรับปรุงและเปรียบเทียบเทคนิคการประมาณค่าบนช่วงแบบดั้งเดิม คือ IDW และ Ordinary Kriging (OK) และเทคนิคการประมาณค่าบนช่วงแบบใหม่ คือ OK + SVM เทคนิคหลังรวมแนวคิดการแก้ไข OK เข้ากับการเรียนรู้ SVM OK + RF เทคนิคหลังรวมแนวคิดการแก้ไข OK เข้ากับการเรียนรู้ RF และ OK + KNN เทคนิคหลังรวมแนวคิดการแก้ไข OK เข้ากับการเรียนรู้ KNN เพื่อจําแนกพื้นที่ปกคลุมและถ่วงน้ำหนักการแก้ไขข้อมูลเชิงพื้นที่ที่เกี่ยวข้องกับอุณหภูมิผิวดิน (LST) ในเขตเมือง การศึกษาพบว่าเทคนิค IDW สร้างค่าของ Tmax และ Tmin ที่ใกล้เคียงกับค่าที่วัดได้จริงมากที่สุด ตามด้วย OK + SVM OK OK + RF และ OK + RF ตามลําดับ นอกจากนี้ เมื่อประเมินข้อมูลจากการประมาณค่าแบบช่วงจำนวน 1,650 จุดที่ดึงมาจาก LST โดยใช้แต่ละเทคนิคเทียบกับการทดสอบทางสถิติ เช่น MAE, MSE และ RMSE พบว่า OK + SVM ให้ผลลัพธ์ที่ที่สุดและดีกว่า IDW และ OK สรุปได้ว่า OK + SVM ให้ผลลัพธ์การแก้ไขที่ดีขึ้นเมื่อเทียบกับวิธีการแก้ไขแบบดั้งเดิม