پیش بینی مناطق دارای توان اکوتوریسم با شبکه عصبی مصنوعی

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 (0.06%) و تفرج گسترده طبقه دو (10.33%) است. توپولوژی 397 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، 0.17% منطقه به تفرج متمرکز طبقه 2، 10.09% به تفرج گسترده طبقه 2 و 89.74% به نامناسب برای تفرج اختصاص یافت. مطالعه حاضر نشان داد شبکه عصبی مصنوعی قابلیت طبقه‏بندی مناطق مناسب گردشگری را با دقت بالا دارد.

Predicting of Areas with Ecotourism Capability Using Artificial Neural Network

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 multilayer perceptron artificial neural network (MLP) were used to evaluate the ecological capability of Arasbaran protected area. At first, ecological and socioeconomic 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 socioeconomic criteria and recreational attractions, prioritize and final evaluation was performed. Regarding to the systemic analysis, the area has the capability for intensive recreation class2 (0.06%), and extensive recreation class2 (10.33%). Topology 793 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 recreationclass 2, extensive recreationclass 2, and unsuitable for recreation, respectively. This study showed artificial neural network has potential for classification of the suitable tourism areas with high accuracy.