شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در حوضه کمه استان اصفهان با استفاده از الگوریتم جنگل تصادفی
محورهای موضوعی : مربوط به گردشگری
شهره مرادپور
1
*
,
مجید غیاث
2
1 - دکترای ژئومورفولوژی، دانشکده علوم جغرافیایی و برنامه ریزی، دانشگاه اصفهان، ایران
2 - استادیار گروه گردشگری، دانشکده علوم جغرافیایی و برنامه ریزی، دانشگاه اصفهان، ایران
کلید واژه: حوضه کمه شهرستان سمیرم, هوش مصنوعی, الگوریتم یادگیری ماشین, آزمون عامل تورم واریانس,
چکیده مقاله :
در این پژوهش، از روش جنگل تصادفی، یکی از الگوریتم‌های یادگیری ماشین، برای شناسایی و پیش‌بینی مناطق مستعد گردشگری در حوضه کمه سمیرم استان اصفهان استفاده شده است. بیست منطقه شامل چشمه‌ها، آبشارها، امام‌زاده‌ها و بناهای تاریخی به‌عنوان داده‌های ورودی مدل در نظر گرفته شده‌اند. متغیرهای ارتفاع، شیب، جهت شیب، پوشش گیاهی، فاصله از رودخانه و جاده، تراکم رودخانه و جاده و موقعیت شیب نسبی، پس از انتخاب بر اساس ضریب تورم واریانس (VIF)، به‌عنوان متغیرهای پیش‌بینی‌کننده مورد استفاده قرار گرفتند. نتایج ارزیابی مدل با استفاده از معیارهای R2، RMSE و MAE نشان‌دهنده عملکرد بسیار مطلوب مدل جنگل تصادفی با R2برابر با 89/0 ، RMSE برابر با 33/1 و MAE برابر با 13/1 می‌باشد. فاصله از جاده‌ها (%100)، جهت شیب (33/84 %)، ارتفاع (83/%62) و پوشش گیاهی (72/%14) به‌عنوان مهم‌ترین متغیرهای پیش‌بینی‌کننده شناسایی شدند. نقشه حاصل از مدل، پتانسیل بالای مناطق مرکزی و شمالی حوضه کمه را برای جذب گردشگر نشان می‌دهد.
This study utilized the Random Forest algorithm, a machine learning technique, to identify and predict potential tourist destinations in the Khomeh basin, located in Semirom, Isfahan Province. Twenty areas, including springs, waterfalls, shrines, and historical structures, were considered as input data for the model. Variables such as elevation, slope, aspect, vegetation cover, distance to rivers and roads, river and road density, and relative slope position were selected based on the Variance Inflation Factor (VIF) and used as predictors. Evaluation metrics (R², RMSE, and MAE) demonstrated the outstanding performance of the Random Forest model, achieving an R² of 0.89, RMSE of 1.33, and MAE of 1.13. The most significant predictors identified were distance to roads (100%), aspect (84.33%), elevation (62.83%), and vegetation cover (14.72%). The resulting map highlighted the high potential of the central and northern regions of the Khomeh basin for attracting tourists.
1- احمدی، م.1389. شناسایی پهنه‌بندی مناسب برای توسعه ژئوتوریسم در استان ایلام با استفاده از سیستم اطلاعات جغرافیایی. پایان نامه کارشناسی ارشد رشته ژئومورفولوژی، دانشگاه تربیت معلم تهران.160.
2- تقوایی، م.، تقی زاده،. م.ه.، کیومرثی، ح. 1390. مکان‌یابی دهكده‌هاي گردشگري با استفاده از سيستم اطلاعات جغرافيايي و مدلSWOT (نمونه موردي: ساحل درياچه كافتر). مجله برنامه‌ریزی محیطی،22(2): 99-120.
3- سلیقه، م.، بهشتی جاوید، ا.1393. پهنه‌بندی مکان گزینی گردشگری فصلی شهرستان سمیرم بر پایه مقایسه روش تحلیل سلسله مراتبی و شاخص اقلیمی. مجله جغرافیا (فصلنامه علمی- پژوهشی و بین المللی انجمن جغرافیایی ایران). 41(12): 239- 255.
4- طالبی، ع.، گودرزی، س.، پور قاسمی، ح. 1397. بررسی امکان تهیه نقشه خطر زمین‌لغزش با استفاده از الگوریتم جنگل تصادفی (محدوده مورد مطالعه: حوضه آبخیز سردار آباد، استان لرستان). مجله مخاطرات محیط طبیعی،16 (7): 45-64. doi: 10.22111/JNEH.2017.3213
5- عموشاهی، ناهید، 1399. پهنه‌بندی خطر زمين لغزش با استفاده از مدل حداکثر آنتروپی (مطالعه موردی: حوضه‌ی آبخيز کمه)، پایان نامه کارشناسی ارشد رشته ژئومورفولوژی، دانشگاه اصفهان. 100.
6- غیاث، م.، مرادپور، ش. 1403. شناسایی کانون‌های مستعد گردشگری براساس عوامل محیطی در غرب استان اصفهان با استفاده از الگوریتم جنگل تصادفی. مجله مطالعات مدیریت گردشگری، آماده انتشار. https://doi.org/10.22054/tms.2024.18247.
7- فروش نیا، س.، کرم، ا. 1401. ارزیابی و پهنه‌بندی پتانسیل ژئواکوتوریسمی شهرستان سمیرم. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 13 (2): 107-129.
8- لوافان، ع. 1402. واکاوی اثربخشی رویکرد هوشمندسازی و به ویژه رویکرد هوش مصنوعی بر صنعت گردشگری جوامع. چهاردهمین کنفرانس بین المللی پزوهش‌های مدیریت و علوم انسانی در ایران، تهران، 29-30 آذر. 1-10.
9- مومنی، م.، تقی پورجاوی، م.، مستغاثی، ش. 1392. مکان‌یابی بهینه مناطق نمونه گردشگری (مطالعه موردی: استان سیستان و بلوچستان). مجله جغرافیایی فضای گردشگری، 2(8)، 113-141. SID. https://sid.ir/paper/214269/fa
10- نوري، ه.، نوروزي آورگاني، ا. 1386. ارزيابي توان محيطي براي توسعه گردشگري در دهستان چغاخور، مجله پژوهشي دانشگاه اصفهان، 22 (1): 13
11- نوجوان، م.، شاه زیدی، س،. داودی، م،. امین الرعایایی،ه . 1398، پهنه‌بندی خطر زمین لغزش با استفاده از تلفیق دو مدل فرآیند تحلیل سلسله مراتبی و فازی (مطالعه موردی: حوضه آبخیز کمه، استان اصفهان)، مجله پژوهش‌هاي ژئومورفولوژي كمّي، 4 (7): 159 – 147.
12- Allbed, A., Kumar, L. and Aldakheel, Y. Y. 2014. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region. Geoderma. 230–231: 1–8. doi: 10.1016/j.geoderma.2014.03.025.
13- Akin, M. (2015). A novel approach to model selection in tourism demand modeling. Tourism Management, 48, 64–72. http://dx.doi.org/10.1016/j.tourman.2014.11.004.
14- Breiman, L. 2001. Random Forests. Mach. Learn. 45: 5–32. doi: 10.1023/A:1010933404324.
15- Bernard JE. 2010. Australia’s Geoheritage: History of Study, A New Inventory of Geosites and Applications to Geotourism and Geoparks. Geoheritage, 2(1): 39-56. doi:https://doi.org/10.1007/s12371-010-0011-z.
16- Brungard, C. W., Boettinger, J. L., Duniway, M. C., Wills, S. A. and Edwards, T. C. 2015. Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma. 239–240: 68–83. doi: 10.1016/j.geoderma.2014.09.019.
17- Chen, K. Y., Wang, C. H. (2007). Support vector regression with genetic algorithms in forecasting tourism demand. Tourism Management, 28: 215–226. https://doi.org/10.1016/j.tourman.2005.12.018.
18- Claveria, O., Torra, S. (2014). Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling, 36, 220–228. https://doi.org/10.1016/j.econmod.2013.09.024.
19- Dadashpour Moghaddam, M., Ahmadzadeh, H., Valizadeh, R. (2022). A GIS-Based Assessment of Urban Tourism Potential with a Branding Approach Utilizing Hybrid Modeling. Spat. Inf. Res. (2022) 30(3):399–416. https://doi.org/10.1007/s41324-022-00439-4.
20- Huang, W., Nakamori, Y., Wang, S. Y. 2005. Forecasting stock market movement direction
21- with support vector machine. Computers & Operations Research 32, 2513–2522.
22- Kim K. 2003. Financial Time Series Forecasting using support vector machines.
23- Neurocomputing 55, 307-319.
24- Lin, C., Chen, H., Lee, T. (2011). Forecasting tourism demand using time series, artificial neural networks and multivariate adaptive regression splines: Evidence from Taiwan. International Journal of Business Administration, 2, 14–24. http://dx.doi.org/10.5430/ijba.v2n2p14.
25- Naimi, S. , Ayoubi, S. , Zeraatpisheh, M. and Dematte, J. A. M. (2021). Ground observations and environmental covariates integration for mapping of soil salinity: A machine learning-based approach. Remote Sens. 13:4825. doi: 10.3390/rs13234825.
26- Petrović, D., Ćebić,B., Beljić, D. (2020). Predicting the number of tourist using machin lerning, Turističko poslovanje. 28-41. DOI 10.5937/turpos0-31845.
27- Padhi, S. S., Aggarwal, V. (2011). Competitive revenue management for fixing quota and price of hotel commodities under uncertainty. International Journal of Hospitality Management, 30,725–734. http://dx.doi.org/10.1016/j.ijhm.2010.12.007.
28- Şeker, F.2023. Evolution of Machine Learning in Tourism: A Comprehensive Review of Seminal Research. Journal of Artificial Intelligence and Data Science (JAIDA). Vol. 3, No. 2, pp. 54-79 2023. https://dergipark.org.tr/pub/jaida.
29- Sharply, Richard.2002. Managing Sustainable and the challenges of tourism diversifivation, tourism management, Vol. 23.
30- Ullah Khan, N., Wan, W, Riaz, R., Jiang, SH., Wang, X. 2023. Prediction and Classification of User Activities Using Machine Learning Models from Location-Based Social Network Data. Appl. Sci. 2023, 13, 3517. https://doi.org/10.3390/app13063517.
31- Wu, Q., Law, R., Xu, X. (2012). A spare Gaussian process regression model for tourism demand forecasting in Hong Kong. Expert Systems with Applications, 39, 4769–4774. https://doi.org/10.1016/j.eswa.2011.09.159.
32- Hong, W., Dong, Y. Chen, L., Wei S. (2011). SVR with hybrid chaotic genetic algorithms for tourism demand forecasting. Applied Soft Computing 11, 1881–1890. https://doi.org/10.1016/j.asoc.2010.06.003.
33- Zeraatpisheh, M. , Garosi, Y. , Owliaie, H. R. , Ayoubi, S. , Taghizadeh-Mehrjardi, R. , Scholten, T. , Xu, M. (2022). Improving the spatial prediction of soil organic carbon using environmental covariates selection: A comparison of a group of environmental covariates. Catena 208:105723. http://dx.doi.org/10.1016/j.catena.2021.105723.