مقایسه روش‌های مختلف تجربی، ریاضی و هوشمند در ارزیابی کیفیت زیبایی شناختی منظر شهری (مطالعه موردی: شهر گرگان)
الموضوعات :سپیده سعیدی 1 , سید حامد میرکریمی 2 , مرجان محمد زاده 3 , عبدالرسول سلمان ماهینی 4
1 - استادیار گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
2 - دانشیار گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
3 - دانشیار گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
4 - استاد گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
الکلمات المفتاحية: ترکیب خطی وزن دار, ارزش زیبایی شناختی, رگرسیون لجستیک, شبکه عصبی, شهر گرگان,
ملخص المقالة :
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.
_||_
