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:
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.