دانشگاه علوم کشاورزی و منابع طبیعی گرگان پژوهش‌های علوم و فناوری چوب و جنگل 2322-2077 24 3 2017 11 22 Aesthetic quality evaluation modeling of forest landscape using artificial neural network مدل‌سازی ارزیابی کیفیت زیباشناختی منظر جنگل با استفاده از شبکه عصبی مصنوعی 17 34 3843 10.22069/jwfst.2017.11235.1590 FA علی جهانی عضو هیات علمی دانشکده محیط زیست کرج Journal Article 2016 08 16 Background and objectives: Considering decreasing trend in wood harvesting potential of Hyrcanian forests, we need to plan for utilization of other ecosystem services, such as ecotourism, more than past. For ecotourism planning, comprehensive information of ecological beauty and natural landscape structure should be summarized. On the other hand, accurate evaluation of different landscapes in a region requires comprehensive information of affective criteria, and its impact on user perception of landscape quality. Locating lookouts, which have high quality in landscape structure, is known as the first step to promote aesthetic quality of landscape and protection of natural ecosystems. This research aims to evaluate aesthetic quality of forest landscape using quantitative comprehensive approach and artificial neural network modeling for determination of the most effective landscape visual parameters in subjective aesthetic quality promotion of landscape. Materials and methods: The study area is three districts (with high diversity in landscape quality) of Khyrud research educational forest managed by Natural Resources College of University of Tehran which are named Patom, Namkhaneh and Gorazbon. In study forest, totally 200 landscapes, with different structure of tree cover and view composition, were selected to record landscapes characteristics. Landscape quality which is in the eyes of beholder, was evaluated in 200 studied landscapes. In this study, in order to model the aesthetic quality evaluation of forest landscape, structural features and landscape parameters were recorded and aesthetic quality of landscape was classified in three classes of weak(1), desirable(2) and extremely desirable(3). Multilayer Perceptron network was used to data processing with artificial neural network. Results: Considering network coefficients of determination (Test samples) which is 0.88, 0.896, 0.969 in 1 to 3 classes, the accuracy of artificial neural network in aesthetic quality evaluation of landscape is assessed in extremely desirable level. Sensitivity analysis prioritizes landscape composition, tree diversity and thick trees view respectively to achieve class 1 and 2 in quality of forest landscape. On the other hand, tree diversity, landscape composition and view point respectively play a significant role in class 3 in quality of forest landscape. Conclusion: results of the most effective variables on aesthetic quality of forest landscape, proved that landscape composition with higher diversity in its scenes, diversity in tree views with higher tree species and also thick and old trees in landscape should be a priority for forest landscape planning and management to achieve lookouts with higher quality of landscape in the eyes of beholders. This research prepared a new method for aesthetic quality evaluation of forest landscape and the introduced model is known as an environmental decision support system in forest ecosystems with an application in similar forests. Also practical criteria in aesthetic quality evaluation of forest landscape were introduced. سابقه و هدف: با توجه به کاهش روزافزون قابلیت برداشت چوب از جنگل‌های هیرکانی نیاز به برنامه‌ریزی برای استفاده از سایر قابلیت‌های اکوسیستم‌های جنگلی همچون اکوتوریسم بیشتر از گذشته احساس می‌شود. برنامه‌ریزی اکوتوریسم نیاز به اطلاعات کافی درباره جذابیت‌های اکولوژیکی، ساختار و عناصر منظر طبیعی دارد. از طرفی ارزیابی صحیح از وضعیت مناظر مختلف در یک منطقه مستلزم داشتن اطلاعات کافی در مورد معیارهای تاثیرگذار و همچنین نوع، نحوه و میزان اثرگذاری هر یک از این معیارها در درک کاربر از کیفیت منظر است. تعیین نقاطی که از نظر ساختار منظر، کیفیت بالایی دارند گام اول در جهت بالا بردن کیفیت زیباشناختی آنها و حفاظت از اکوسیستم طبیعی می‌باشد. در این مطالعه تلاش جهت ارزیابی کیفیت زیباشناختی منظر جنگل با استفاده از ترکیب دیدگاه جامع کمی و روش مدل‌سازی شبکه عصبی مصنوعی جهت تعیین موثرترین عناصر عینی منظر در افزایش کیفیت زیباشناختی ذهنی منظر است. مواد و روش‌ها: پژوهش حاضر در سه بخش پاتم، نمخانه و گرازبن جنگل آموزشی پژوهشی خیرود دانشکده منابع طبیعی دانشگاه تهران (با تنوع بالا در کیفیت منظر) انجام شد. در منطقه جنگلی مورد مطالعه در مجموع 200 منظر با ساختار متنوع از نظر پوشش درختی و ترکیب منظره‌ها شناسایی و اطلاعات مربوط به عناصر و ویژگی‌های منظر ثبت گردید و کیفیت زیباشناختی با دید ناظر ارزیابی شد. در این تحقیق به منظور مدل‌سازی ارزیابی کیفیت زیباشناختی منظر جنگل، ویژگی‌های ساختاری و عناصر هریک از مناظر ثبت و اقدام به طبقه‌بندی کیفیت زیباشناختی منظر در سه کلاس کیفیت زیباشناختی ضعیف(1)، مطلوب(2) و عالی(3) گردید. به منظور پردازش داده‌ها با ابزار هوشمند شبکه عصبی، از شبکه پرسپترون چندلایه استفاده شد. یافته‌ها: با توجه به ضرایب تبیین آزمون شبکه معادل 88/0، 896/0 و 969/0 در طبقه‌بندی کلاس‌های 1 تا 3، دقت شبکه عصبی در پیش‌بینی کیفیت زیباشناختی منظر جنگل از سطح بسیار مطلوبی برخوردار است. بر اساس نتایج آنالیز حساسیت ترکیب منظر، تنوع منظر درختی و پوشش درختان قطور به ترتیب بیشترین تاثیر را در طبقه‌بندی مناظر جنگل در کلاس1 و 2 داشته‌اند. از طرفی تنوع منظر درختی، ترکیب منظر و موقعیت دید به ترتیب بیشترین تاثیر را در طبقه‌بندی مناظر در کلاس3 از خود نشان دادند. نتیجه گیری: شناسایی تأثیرگذارترین عناصر بر کیفیت زیباشناختی منظر جنگل، مشخص می‌سازد که جهت مدیریت و برنامه‌ریزی منظر جنگل و دستیابی به نقاط چشم‌انداز با کیفیت منظر مطلوب از دیدگاه کاربر یا ناظر توجه به ترکیب منظر و تنوع بالا در منظره‌های موجود، تنوع منظر درختی با تنوع بالا در گونه‌های درختی توده و همچنین حضور درختان قطور و کهنسال در الویت قرار می‌گیرد. تحقیق حاضر روش نوینی را در ارزیابی کیفیت زیباشناختی منظر جنگل ارائه می‌کند و مدل حاصله علاوه بر ارائه معیارهای کاربردی در ارزیابی کیفیت منظر جنگل، به عنوان یک سامانه پشتیبان تصمیم‌گیری با قابلیت استفاده در اکوسیستم‌های جنگلی مشابه شناخته می‌شود.

https://jwfst.gau.ac.ir/article_3843_6fbf374797d7f5aab821f35caa8672a2.pdf