مقایسه روش‌های مختلف تجربی، ریاضی و هوشمند در ارزیابی کیفیت زیبایی شناختی منظر شهری (مطالعه موردی: شهر گرگان)
محورهای موضوعی : محیط زیست
سپیده سعیدی
1
(استادیار گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.)
سید حامد میرکریمی
2
(دانشیار گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.)
مرجان محمد زاده
3
(دانشیار گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.)
عبدالرسول سلمان ماهینی
4
(استاد گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.)
کلید واژه: ترکیب خطی وزن دار, ارزش زیبایی شناختی, رگرسیون لجستیک, شبکه عصبی, شهر گرگان,
چکیده مقاله :
در عصر حاضر، افزایش مداخلات انسانی موجب ایجاد آشفتگی در الگوهای منظر و تنزل کیفیت منظر شده است. از این رو شناسایی مناطق باارزش و برنامه ریزی صحیح و طراحی مناسب به منظور حفاظت و ارتقا ارزش های زیبایی شناختی و سرمایه های منظر امری ضروری و اجتناب ناپذیر به نظر می رسد. هدف از این پژوهش، بررسی عملکرد روش های مختلف تجربی (ارزیابی چندمعیاره به روش ترکیب خطی وزن دار)، ریاضی (رگرسیون لجستیک) و هوشمند (شبکه عصبی) در برآورد تناسب ارزش زیبایی شناختی شهر گرگان می باشد. پس از مطالعه های نظری و تعیین معیارهای تاثیرگذار، نقشه سازی و استانداردسازی معیارها صورت گرفت و در نهایت نقشه تناسب ارزش زیبایی شناختی بر اساس روش های ترکیب خطی وزن دار، شبکه عصبی و رگرسیون لجستیک تهیه شد. به منظور ارزیابی عملکرد روش های مختلف و انتخاب روش بهینه از نقاط کنترل زمینی و روش اعتبارسنجی ROC استفاده شد. نتایج نشان داد در نقشه حاصل از روش ترکیب خطی وزن دار بخش زیادی از داده ها در نتیجه ترکیب خطی لایه ها و وزن دهی از بین رفته است، اما روش شبکه عصبی با عملکرد هوشمندانه و قابلیت ترکیب و تحلیل غیرخطی نسبت به روش ترکیب خطی وزن دار و همچنین انجام تحلیل های رفت و برگشتی در مقایسه با روش رگرسیون لجستیک، ارزش منطقه مورد مطالعه را بهتر تفکیک می کند. با توجه به نتایج حاصل از این پژوهش می توان چنین نتیجه گرفت، زمانی که نسبت به منطقه مورد مطالعه شناخت کمی وجود دارد و امکان انجام بررسی های میدانی برای ثبت نقاط دید باارزش وجود ندارد، انجام روش ترکیب خطی وزن دار می تواند راهگشا باشد. اما در صورتی که امکان بررسی های میدانی برای تهیه نقشه نمونه های تعلیمی واقعی به عنوان متغیر وابسته فراهم باشد، به کمک روش شبکه عصبی و رگرسیون لجستیک می توان به نتایج دقیق تری دست یافت و در این بین روش هوشمند شبکه عصبی قابلیت بالاتری در تفکیک ارزش های سیمای محیط دارد.
In today's era, human interventions have caused chaos in landscape patterns and degradation in landscape quality. Therefore, identifying landscape aesthetic beauty, and also fundamental planning and valuable areas, and proper planning and design in order to protect and promote the aesthetic value seem to be necessary and unavoidable. In this research, the aim is to investigate the performance of various experimental methods (multi-criteria evaluation using weighted linear combination), mathematical (logistic regression), and intelligent (neural network)) in estimating the suitability of the aesthetic value of Gorgan city. After theoretical studies and determination of effective criteria, mapping and standardization of the criteria were done and finally, the map of aesthetic-value suitability was prepared based on the methods of weighted linear combination, neural network, and logistic regression. In order to evaluate the performance of different methods and choose the optimal method, ground control points and ROC validation methods were used. The results showed that in the map resulting from the weighted linear combination method, a large part of the data was lost as a result of the linear combination of layers and weighting, and the neural network method with intelligent performance and the ability to combine and analyze non-linearly compared to the weighted linear combination method and also performing back and forth analysis compared to the logistic regression method, better separates the value of the studied area. According to the results of this research, it can be concluded that when there is little knowledge about the studied area and it is not possible to conduct field surveys to record valuable points of view, performing the weighted linear combination method can be a solution, but if it is possible to conduct field surveys to prepare a map of real educational samples as a dependent variable, more accurate results can be obtained with the help of the neural network method and logistic regression, more accurate results can be achieved, and in the meantime, the intelligent neural network method has a higher ability to distinguish the values of the environment image.
_||_