مدل سازي كيفيت زيباشناختي منظر در فضاي سبز شهري با استفاده از شبكه عصبي مصنوعي

Aesthetic quality modeling of landscape in urban green space using artificial neural network

ارزيابي هاي كيفيت منظر عمدتا اشاره به نقش كليدي عناصر طبيعي و مصنوعي منظر در ايجاد رضايت مندي و درك زيبايي از منظر دارند. هدف از اين مقاله مدل سازي ارزيابي كيفيت زيباشناختي منظر با استفاده از شبكه عصبي مصنوعي به منظور كشف روابط حاكم در ساختار منظر و ارتباط عناصر منظر با كيفيت زيباشناختي آن است. جهت انجام پژوهش حاضر چهار بوستان (جمشيديه، نهج البلاغه، قيطريه، آب و آتش) با تنوع بالا در كيفيت منظر و شيوه طراحي در شهر تهران انتخاب گرديد. در اين تحقيق به منظور مدل سازي ارزيابي كيفيت زيباشناختي منظر، ويژگي هاي ساختاري و عناصر هريك از مناظر ثبت و اقدام به طبقه بندي كيفيت زيباشناختي منظر در سه كلاس كيفيت زيباشناختي نامطلوب، مطلوب و عالي گرديد. به منظور پردازش داده ها با ابزار هوشمند شبكه عصبي، از شبكه پرسپترون چندلايه استفاده شد. با توجه به ضرايب تعيين شبكه معادل 0.88، 0.86 و 0.99 در طبقه بندي كلاس هاي 1 تا 3، دقت شبكه عصبي در پيش بيني كيفيت زيباشناختي منظر از سطح بسيار مطلوبي برخوردار است. آناليز حساسيت نشان مي دهد جهت طراحي مهندسي بوستان ها و دستيابي به كيفيت منظر مطلوب به كارگيري تجهيزات نماسازي، كوه يا سنگ و پوشش گياهي در الويت قرار مي گيرد. در مناظر با كيفيت زيباشناختي عالي، ويژگي هاي ساختاري منظر شامل تركيب منظر و سيماي منظر نيز جايگاهي ويژه در تعيين كيفيت زيباشناختي منظر مي يابند.

Landscape quality evaluations generally refer to key role of natural and artificial elements of landscape in satisfaction and perception of landscape aesthetic. The purpose of article is the aesthetic quality evaluation modeling of landscape using artificial neural network in order to clarify existing rules in the landscape structure and relations of landscape elements with its aesthetic quality. To perform the study, four parks (Jamshidieh, Gheytarieh, Nahjolbalaghe, Aboatash) with variety in landscape quality and landscape design practices were chosen in Tehran. In this study, in order to model the aesthetic quality evaluation of landscape, structural features and landscape elements were recorded and aesthetic quality of landscape was classified in three classes of undesirable, desirable and extremely desirable aesthetic quality. Multilayer Perceptron network was used to data processing with artificial neural network. Considering network coefficients of determination which equal 0.88, 0.86, 0.99 in 1 to 3 classes, the accuracy of artificial neural network in aesthetic quality of landscape is assessed in extremely desirable level. Sensitivity analysis respectively prioritizes landscaping materials, mountain or rock and vegetation application to achieve desirable quality of landscape in parks designing. In landscapes, with extremely desirable aesthetic quality, structural features, consist of landscape composition and appearance, play a significant role in aesthetic quality of landscape determination.