این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های محیط زیست، جلد ۱۲، شماره ۲۳، صفحات ۵۵-۶۶
عنوان فارسی پیش بینی مناطق دارای توان اکوتوریسم با شبکه عصبی مصنوعی
چکیده فارسی مقاله استفاده تفرجی از منطقه باید مطابق توان محیط‌زیستی آن انجام گیرد. بنابراین، این پژوهش با هدف ارایه یک روش برای مدل‌سازی و رتبه‌بندی مناطق دارای توان اکوتوریسم انجام شد. بدین منظور از روش سیستمی مخدوم با توجه به ویژگی‌های منطقه و شبکه عصبی پرسپترون چندلایه (MLP) برای ارزیابی توان اکولوژیکی منطقه حفاظت ‌شده ارسباران استفاده شد. در گام نخست منابع اکولوژیکی و اقتصادی- اجتماعی شناسایی و نقشه‌های آن‌ها تهیه شدند، سپس با تجزیه و تحلیل و جمع‌بندی داده‌ها در نرم‌افزار ArcGIS نقشه توان اکوتوریسم حاصل شد. در مرحله بعد با استفاده از نتایج روش سیستمی، شبکه عصبی آموزش داده شد و ساختارهای مختلف آن مورد ارزیابی قرار گرفتند و در نهایت نقشه مناطق مناسب گردشگری براساس خروجی شبکه عصبی مدل‌سازی شد. در مرحله آخر با دخالت دادن معیارهای اقتصادی- اجتماعی و جاذبه‌های تفرجی اولویت‌بندی و ارزیابی نهایی انجام گرفت. ارزیابی توان اکولوژیکی با روش سیستمی نشان داد، منطقه دارای توان برای تفرج متمرکز طبقه دو (06/0%) و تفرج گسترده طبقه دو (33/10%) است. توپولوژی 3-9-7 به عنوان بهترین طبقه‌بندی با دقت کلی 98% جهت طبقه‌بندی مناطق تفرجی انتخاب شد و بهترین عملکرد شبکه عصبی به کلاس تفرج متمرکز و کمترین عملکرد به کلاس تفرج گسترده تعلق گرفت. براساس نقشه مدل‌سازی شده، 17/0% منطقه به تفرج متمرکز طبقه 2، 09/10% به تفرج گسترده طبقه 2 و 74/89% به نامناسب برای تفرج اختصاص یافت. مطالعه حاضر نشان داد شبکه عصبی مصنوعی قابلیت طبقه‌بندی مناطق مناسب گردشگری را با دقت بالا دارد.
کلیدواژه‌های فارسی مقاله ارزیابی توان اکولوژیکی، اکوتوریسم، تجزیه و تحلیل سیستمی، شبکه عصبی مصنوعی، منطقه حفاظتشده ارسباران،
عنوان انگلیسی Predicting of Areas with Ecotourism Capability Using Artificial Neural Network
چکیده انگلیسی مقاله Recreational use of the area must be performed conforms to its ecological capability. Therefore, this study was carried out with the aim of providing a method for modelling and ranking the areas with ecotourism capability. For this purpose, Makhdoum systemic method, regarding to the region specifications, and multi-layer perceptron artificial neural network (MLP) were used to evaluate the ecological capability of Arasbaran protected area. At first, ecological and socio-economic resources were identified and maps of them were provided. Then, ecotourism capability map was prepared by analyzing and overlaying of data in ArcGIS. In the next step, using the results of the systemic method, neural network was trained and its various structures were evaluated. Finally, map of the suitable tourism areas was modeled based on neural network output. In the end, using the socio-economic criteria and recreational attractions, prioritize and final evaluation was performed. Regarding to the systemic analysis, the area has the capability for intensive recreation class-2 (0.06%), and extensive recreation class-2 (10.33%). Topology 7-9-3 was selected as the best classifier with an overall accuracy of 98% for recreational regions classification. The best and the lowest of neural network application were shown to belong to intensive recreation class, and extensive recreation class, respectively. Based on modeled map, 0.17%, 10.09%, and 89.74% of the area were shown to belong to intensive recreation-class 2, extensive recreation-class 2, and unsuitable for recreation, respectively. This study showed artificial neural network has potential for classification of the suitable tourism areas with high accuracy. 
کلیدواژه‌های انگلیسی مقاله ارزیابی توان اکولوژیکی, اکوتوریسم, تجزیه و تحلیل سیستمی, شبکه عصبی مصنوعی, منطقه حفاظتشده ارسباران
نویسندگان مقاله منیژه طالبی |
دانشجوی دکتری مهندسی جنگل، دانشکده منابع طبیعی، دانشگاه تهران

باریس مجنونیان |
استاد گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، ایران

مجید مخدوم |
استاد گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، ایران

احسان عبدی |
دانشیار گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، ایران

محمود امید |
استاد گروه مهندسی مکانیک ماشین‏های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، ایران

نشانی اینترنتی https://www.iraneiap.ir/article_137073_c737a8b8ef4b66a36cc818ad8ac97dd6.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات