Manije Talebi - دانشجوی دکتری مهندسی جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
Baris Majnounian - استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
Ehsan Abdi - دانشیار، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
Mahmoud Omid - استاد، گروه مهندسی مکانیک ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.

هدف از این پژوهش ارائه روشی هوشمند مبتنی بر شبکههای عصبی مصنوعی برای مدل سازی قابلیت منطقه حفاظتشده ارسباران برای عبور جاده برای طراحی و اصلاح و توسعه مناسب شبکه جاده و راههای ارتباطی موجود در منطقه است. ابتدا با استفاده از فرایند تحلیل سلسله مراتبی (AHP) و روش ترکیب وزندهی خطی (WLC) و به کارگیری لایه های اطلاعاتی موثر بر مسیریابی، نقشه شایستگی جادهسازی برای تهیه نمونه های آموزشی در محیط ArcGIS تهیه شد. در ادامه از شبکه پرسپترون چندلایه (MLP) برای برآورد مقدار مطلوبیت عبور جاده استفاده شد. برای ارزیابی عملکرد مدل شبکه عصبی نتایج به دست آمده با نتایج حاصل از رگرسیون خطی چندمتغیره مقایسه شدند. طبق نتایج به دست آمده، شبکه عصبی مصنوعی و روش آماری رگرسیون بهترتیب با ضریب تبیین (R۲)، ۹۰۸/۰ و ۹۰۱/۰ و مجذور میانگین مربعات خطا (RMSE)، ۰۳۸۵/۰ و ۰۴/۰ قابلیت لازم برای تعیین ارزش مطلوبیت عبور جاده نشان دادند و شبکه عصبی نتایج بهنسبت بهتری در مقایسه با رگرسیون نشان داد. همچنین با توجه به نتایج آنالیز حساسیت متغیرهای ورودی، چهار معیار شیب، سنگ بستر، حساسیت به فرسایش و بافت خاک بهترتیب بیشترین تاثیر را در برآورد مدل نشان دادند.

شبکه جاده, شبکه عصبی پرسپترون چندلایه, فرایند تحلیل سلسله مراتبی, نقشه شایستگی