تكميل شبكۀ جادۀ جنگلي با هدف توسعۀ گردشگري با استفاده از شبكۀ عصبي مصنوعي و GIS (پژوهش موردي: جنگل خيرود)

مقدمه: گردشگري در جنگل مي‌تواند در توسعة طرح‌هاي جنگلداري به‌ويژه در زمان استراحت مؤثر واقع شود. مناطق جنگلي از مكان‌هاي مهم براي حفاظت سيستم‌هاي محيط ‌زيستي و منابع طبيعي و همچنين ارائۀ فرصت‌هاي تفرجي براي مردم هستند. از اين‌رو تفرج جنگلي به‌عنوان توسعۀ گردشگري، از عوامل مؤثر و تأمين‌كنندۀ مزاياي مستقيم و غيرمستقيم اقتصادي، اجتماعي، فرهنگي و محيطي بسياري است. هدف اين پژوهش طراحي و تكميل شبكۀ جادۀ جنگلي و افزودن مسيرهاي پياده‌روي با هدف توسعۀ گردشگري در جنگل خيرود با استفاده از قابليت‌هاي شبكۀ عصبي مصنوعي و GIS است. مواد و روش‌ها: ابتدا لايه‌هاي شيب، جهت، ارتفاع، زمين‌شناسي، خاك، درصد تاج‌آشكوب و جادۀ موجود تهيه شد و تك‌تك لايه‌ها طبقه‌بندي داخلي و وزن‌دهي شدند. طبقه‌بندي داخلي لايه‌ها توسط نظر يك كارشناس و محقق در زمينۀ مهندسي جنگل و گردشگري در جنگل و وزن‌دهي لايه‌ها با استفاده از روش تحليل سلسله‌مراتبي (AHP) انجام گرفت. با تلفيق لايه‌هاي مختلف و وزن نظير هر يك به روش وزن‌دهي خطي (WLC)، نقشۀ شايستگي بخش پاتم به‌عنوان بخش آموزش شبكۀ عصبي براي عبور شبكۀ جاده تهيه شد. ارزش هر سلول از شكل‌ها به‌همراه مختصات، توسط نرم‌افزار ArcGIS استخراج شد و همۀ داده‌ها به دامنۀ 1 تا 5 نگاشته شدند. در اين پژوهش براي مدل‌سازي، از شبكۀ عصبي پرسپترون چندلايه ((MLP با 30 نورون در لايۀ مخفي استفاده شد. داده‌هاي شيب، جهت، ارتفاع، زمين‌شناسي، خاك، درصد تاج‌آشكوب و جادۀ موجود به‌عنوان ورودي و دادۀ شايستگي عبور جادۀ بخش پاتم به‌عنوان خروجي براي آموزش به شبكه داده شد و شبكۀ عصبي، ميزان مطلوبيت براي هر سه بخش فعال جنگل را براساس بخش پاتم برآورد كرد.يافته‌ها: نتايج روي‌هم‌گذاري لايه‌هاي شبكۀ جادۀ موجود، نقشۀ منظر و نقشۀ شايستگي منطقۀ پژوهش، نشان داد كه شبكۀ جادۀ موجود بسياري از مناطق داراي پتانسيل گردشگري را در دسترس گردشگران قرار داده است؛ بنابراين براي تكميل شبكۀ دسترسي به مناطق داراي پتانسيل گردشگري جنگل با استفاده از برنامۀ جانبي PEGGER در محيط نرم‌افزار ArcView و در نظر گرفتن شكل منظر و شكل شايستگي، مسيرهاي پياده‌روي به طول حدود 14 كيلومتر طراحي شد. در طول طراحي سعي شد كه جاده از مناطق مطلوب‌تر (پيكسل‌هاي داراي ارزش كمتر) عبور كند. طبق نتايج، شبكۀ عصبي مصنوعي پرسپترون چندلايه با ضريب تبيين (R2) 0.902 و مجذور ميانگين مربعات خطا (RMSE) 0.126، توانايي بيشتري از رگرسيون خطي براي برآورد ارزش مطلوبيت عبور جاده نشان داد. نتيجه‌گيري: نتايج اين پژوهش قابليت روش هوشمند مبتني بر شبكۀ عصبي مصنوعي و GIS را براي طراحي و برنامه‌ريزي شبكۀ جاده نشان مي‌دهد و نتيجه نشان‌دهندۀ افزايش توانايي يادگيري شبكۀ MLP با افزايش تكرار تا تكرار 7 ام است.