تکمیل شبکه جاده جنگلی با هدف توسعه گردشگری با استفاده از شبکه عصبی مصنوعی و GIS (پژوهش موردی: جنگل خیرود)

مقدمه: گردشگری در جنگل می تواند در توسعه طرح های جنگلداری به ویژه در زمان استراحت موثر واقع شود. مناطق جنگلی از مکان های مهم برای حفاظت سیستم های محیط زیستی و منابع طبیعی و همچنین ارائه فرصت های تفرجی برای مردم هستند. از این رو تفرج جنگلی به عنوان توسعه گردشگری، از عوامل موثر و تامین کننده مزایای مستقیم و غیرمستقیم اقتصادی، اجتماعی، فرهنگی و محیطی بسیاری است. هدف این پژوهش طراحی و تکمیل شبکه جاده جنگلی و افزودن مسیرهای پیاده روی با هدف توسعه گردشگری در جنگل خیرود با استفاده از قابلیت های شبکه عصبی مصنوعی و GIS است. مواد و روش ها: ابتدا لایه های شیب، جهت، ارتفاع، زمین شناسی، خاک، درصد تاج آشکوب و جاده موجود تهیه شد و تک تک لایه ها طبقه بندی داخلی و وزن دهی شدند. طبقه بندی داخلی لایه ها توسط نظر یک کارشناس و محقق در زمینه مهندسی جنگل و گردشگری در جنگل و وزن دهی لایه ها با استفاده از روش تحلیل سلسله مراتبی (AHP) انجام گرفت. با تلفیق لایه های مختلف و وزن نظیر هر یک به روش وزن دهی خطی (WLC)، نقشه شایستگی بخش پاتم به عنوان بخش آموزش شبکه عصبی برای عبور شبکه جاده تهیه شد. ارزش هر سلول از شکل ها به همراه مختصات، توسط نرم افزار ArcGIS استخراج شد و همه داده ها به دامنه ۱ تا ۵ نگاشته شدند. در این پژوهش برای مدل سازی، از شبکه عصبی پرسپترون چندلایه ((MLP با ۳۰ نورون در لایه مخفی استفاده شد. داده های شیب، جهت، ارتفاع، زمین شناسی، خاک، درصد تاج آشکوب و جاده موجود به عنوان ورودی و داده شایستگی عبور جاده بخش پاتم به عنوان خروجی برای آموزش به شبکه داده شد و شبکه عصبی، میزان مطلوبیت برای هر سه بخش فعال جنگل را براساس بخش پاتم برآورد کرد. یافته ها: نتایج روی هم گذاری لایه های شبکه جاده موجود، نقشه منظر و نقشه شایستگی منطقه پژوهش، نشان داد که شبکه جاده موجود بسیاری از مناطق دارای پتانسیل گردشگری را در دسترس گردشگران قرار داده است؛ بنابراین برای تکمیل شبکه دسترسی به مناطق دارای پتانسیل گردشگری جنگل با استفاده از برنامه جانبی PEGGER در محیط نرم افزار ArcView و در نظر گرفتن شکل منظر و شکل شایستگی، مسیرهای پیاده روی به طول حدود ۱۴ کیلومتر طراحی شد. در طول طراحی سعی شد که جاده از مناطق مطلوب تر (پیکسل های دارای ارزش کمتر) عبور کند. طبق نتایج، شبکه عصبی مصنوعی پرسپترون چندلایه با ضریب تبیین (R۲) ۹۰۲/۰ و مجذور میانگین مربعات خطا (RMSE) ۱۲۶/۰، توانایی بیشتری از رگرسیون خطی برای برآورد ارزش مطلوبیت عبور جاده نشان داد. نتیجه گیری: نتایج این پژوهش قابلیت روش هوشمند مبتنی بر شبکه عصبی مصنوعی و GIS را برای طراحی و برنامه ریزی شبکه جاده نشان می دهد و نتیجه نشان دهنده افزایش توانایی یادگیری شبکه MLP با افزایش تکرار تا تکرار ۷ ام است.

تکمیل شبکه جاده جنگلی با هدف توسعه گردشگری با استفاده از شبکه عصبی مصنوعی و GIS (پژوهش موردی: جنگل خیرود) Keywords:

توسعه گردشگری , سیستم اطلاعات جغرافیایی (GIS) , شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) , شکل شایستگی , مدل سازی