شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در حوضه کمه استان اصفهان با استفاده از الگوریتم جنگل تصادفی

الموضوعات :

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

تاريخ الإرسال : 30 الخميس , ربيع الأول, 1446 تاريخ التأكيد : 23 الإثنين , جمادى الأولى, 1446 تاريخ الإصدار : 29 الأحد , شوال, 1446

الکلمات المفتاحية: حوضه کمه شهرستان سمیرم, هوش مصنوعی, الگوریتم یادگیری ماشین, آزمون عامل تورم واریانس,

ملخص المقالة :

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. 

 

المصادر:


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.