دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات62
تعداد شماره‌ها2,323
تعداد مقالات19,158
تعداد مشاهده مقاله61,603,331
تعداد دریافت فایل اصل مقاله31,235,799
مرادپور, شهره, غیاث, مجید. (1404). شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در غرب استان اصفهان با استفاده از الگوریتم جنگل تصادفی. سامانه مدیریت نشریات علمی, 20(70), 327-358. doi: 10.22054/tms.2024.2985
شهره مرادپور; مجید غیاث. "شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در غرب استان اصفهان با استفاده از الگوریتم جنگل تصادفی". سامانه مدیریت نشریات علمی, 20, 70, 1404, 327-358. doi: 10.22054/tms.2024.2985
مرادپور, شهره, غیاث, مجید. (1404). 'شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در غرب استان اصفهان با استفاده از الگوریتم جنگل تصادفی', سامانه مدیریت نشریات علمی, 20(70), pp. 327-358. doi: 10.22054/tms.2024.2985
مرادپور, شهره, غیاث, مجید. شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در غرب استان اصفهان با استفاده از الگوریتم جنگل تصادفی. سامانه مدیریت نشریات علمی, 1404; 20(70): 327-358. doi: 10.22054/tms.2024.2985

شناسایی کانون های مستعد گردشگری براساس عوامل محیطی در غرب استان اصفهان با استفاده از الگوریتم جنگل تصادفی

فصلنامه مطالعات مدیریت گردشگری
مقاله 10، دوره 20، شماره 70، تیر 1404، صفحه 327-358    اصل مقاله (1.41 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/tms.2024.2985
نویسندگان
شهره مرادپور؛ مجید غیاث*
دانشگاه اصفهان، خیابان هزارجریب
چکیده
این مقاله با هدف پیش بینی مکان های مستعد گردشگری در غرب استان اصفهان، از تکنیک یادگیری ماشین استفاده می کند. داده های ورودی این مدل 34 منطقه شامل چشمه ها، آبشارها، امامزاده ها، موزه ها و بناهای تاریخی و ... می باشد و متغیرهای مانند ارتفاع، شیب، جهت شیب، پوشش گیاهی، فاصله از رودخانه، فاصله از جاده، دما و بارش به عنوان مهم ترین متغیرهای پیش بینی کننده براساس عامل تورم واریانس (VIF) انتخاب شدند. براساس معیارهای ارزیابی، نتایج نشان داد که مدل جنگل تصادفی عالی ترین عملکرد پیش بینی را با بالاترین (91/0) ,R2 RMSE پایین (06/1) و MAE(13/1) را دارا می باشد. شیب، جهت شیب، پوشش گیاهی، فاصله از رودخانه ها و جاده ها به عنوان پیش بینی کننده های مهم شناسایی شدند. همچنین نقشه پیش بینی مکانی نشان داد که چادگان و داران دارای پتانسیل بالایی برای پذیرش گردشگر می باشند.
کلیدواژه‌ها
ماشین های یادگیری؛ جنگل تصادفی؛ عامل تورم واریانس؛ نرم افزار Rstudio؛ غرب استان اصفهان
مراجع
  1.  باعقیده، محمد، علیجانی، بهلول، ضیاییان، پرویز (1390). بررسی امکان استفاده از شاخص پوشش گیاهی NDVI در تحلیل خشکسالی‌های استان اصفهان. مطالعات جغرافیایی مناطق خشک، 1(4)، 1-16. https://sid.ir/paper/190688/fa
  2. رنجبریان، بهرام، خزائی‎پول، جواد، بالوئی‌جام‌خانه، هادی (1391). تحلیل نقاط قوت، ضعف، فرصت و تهدیدهای گردشگری خارجی استان اصفهان با استفاده از تکنیک فرایند تحلیل سلسله‌مراتبی فازی. مجله برنامه‌ریزی و توسعه گردشگری، 1(1)، 13-34. https://www.sid.ir/paper/245972/fa
  3. شاه‌زیدی، مهری، موحدی، سحر، باقری، نفیسه (1399). شناسایی مهم‌ترین مسائل گردشگری شهر اصفهان. مطالعات اجتماعی گردشگری، 8(15)، 193-220. https://sid.ir/paper/362214/fa
  4. صفا، گلناز (1392). ارزیابی پتانسیل اکوتوریسم اصفهان با استفاده از روش ارزیابی چندمعیاره، پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی اصفهان. https://library.iut.ac.ir/dL/search/default.aspx?Term=8923&Field=0&DTC=107
  5. طالبی، علی، گودرزی، سحر، پورقاسمی، حمیدرضا (1397). بررسی امکان تهیه نقشه خطر زمین‌لغزش با استفاده از الگوریتم جنگل تصادفی (محدوده مورد مطالعه: حوضه آبخیز سردارآباد، استان لرستان). مجله مخاطرات محیط طبیعی، دوره هفتم، شماره 16، 45-64. DOI: 22111/JNEH.2017.3213
  6. غفاری، رامین (1388) .اولویت‎بندی سرمایه‎گذاری و مکان‏یابی تأسیسات گردشگری در کانون‎های توریستی استان چهارمحال و بختیاری، سازمان میراث فرهنگی،گردشگری و صنایع‌دستی استان چهارمحال و بختیاری.
  7. فلاح‎تفتی، حامد (1400). پیش‎بینی تعداد گردشگران بر اساس رکوردهای اطلاعاتی گوگل ترندز با روش یادگیری ماشینی (مورد مطالعه: گردشگران شهر یزد). فصلنامه علمی- پژوهشی گردشگری و توسعه، سال دهم، شماره 2، 67-79. DOI: 22034/jtd.2020.217294.1952
  8. هاتفی، مرتضی، کوهی‏حبیبی، نازنین، عبدالهی، الهام ( 1398). ارزیابی کانون‏های گردشگری مستعد سرمایه‏گذاری با استفاده از مدل یکپارچه آنتروپی شانون فازی و روش آراس فازی. فصلنامه علمی مطالعات مدیریت گردشگری، سال چهاردهم، شماره 48، 269-302.  https://doi.org/10.22054/tms.2020.30579.1887
  9. یوسفیان‌دارانی، راحله، خسروزاده، علیرضا، حیدریان، محمود.(1396). برهم کنش فرهنگی در دوره مس سنگ حوزه آبریز زاینده‌رود در چادگان، فریدن و فریدون شهر با مناطق همجوار بر اساس مطالعه و گونه‌شناسی سفال‌های به‌دست آمده از بررسی­های باستانی1،(20).
  10. Akin, M. (2015). A novel approach to model selection in tourism demand modeling. Tourism Management, 48, 64–72. http://dx.doi.org/10.1016/j.tourman.2014.11.004.
  11. Abang, Z., Abang, A., Wan F., Wan Y. , Syerina, A., Serah J., & Suhaili M., (2022). Using machine learning to predict visitors to totally protected areas in Sarawak, Malaysia. Sustainability, 14, 2735.https://doi.org/10.3390/su14052735.
  12. Bakhshandeh, E. , Zeraatpisheh, M. , Soleimanid, A. & Francaviglia, R. (2022). Land use conversion, climate change and soil organic carbon: Modeling a citrus garden chronosequence in Northern Iran. Geoderma Regional, e00559. https://doi.org/10.1016/j. geodrs. 2022. e00559.
  13. Chen, K. Y., Wang, C. H. (2007). Support vector regression with genetic algorithms in forecasting tourism demand. Tourism Management, 28, 215–226. https://doi.org/10.1016/j.tourman.2005.12.018.
  14. Catani, F. , Lagomarsino, D. , Segoni, S. , Tofani, V. (2013). Landslide susceptibility estimation by random forests technique: Sensitivity and scaling issues. Natural Hazards and Earth System Sciences. 13, 2815-2831. http://dx.doi.org/10.5194/nhess-13-2815-2013.
  15. Claveria, O., Torra, S. (2014). Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling, 36, 220–228. https://doi.org/10.1016/j.econmod.2013.09.024.
  16. Castro, E. V., Souza, T. B., Thapa, B. (2015). Determinants of tourism attractiveness in the national parks of Brazil. Parks J. 21, 51–62. 10.2305/IUCN.CH.2014.PARKS-21-2EVDC.en.
  17. Claveria, O Monte, E., & Torra, S. (2015). Combination forecasts of tourism demand with machine learning models. AQR-IREA (Institute of Applied Economics Research), University of Barcelona. http://www.tandfonline.com/doi/abs/10.1080/13504851.2015.1078441?journalCode=rael20.
  18. Chen, W. , Shahabi, H. , Zhang, S. , Khosravi, K. ,Shirzadi, A. , Chapi, K. , …& Ahmad, B. (2018). Landslide susceptibility modeling based on Gis and novel bagging- based kernel logistic regression. Applied Science, 8(12), 254. https://doi.org/10.3390/app8122540.
  19. Dadashpour Moghaddam, M., Ahmadzadeh, H., & Valizadeh, R. (2022). A GIS-based assessment of urban tourism potential with a branding approach utilizing hybrid modeling. Spat. Information Research, 30(3), 399–416. https://doi.org/10.1007/s41324-022-00439-4.
  20. Golroo, A. H., Fani, H., & Naseri, M. (2021). Travel time modelling of urban roads by application of coyote optimization-based machine learning method. Amirkabir Journal of Civil Engineering. 53(9), 809-812. DOI: 10.22060/ceej.2020.17991.6730
  21. Hall, C., & Stephan, J. P. (1999). The geography of tourism and recreation: Environment, place and space. Rutledge. https://perpus.univpancasila.ac.id/repository/EBUPT190952.pdf.
  22. Hong, W., Dong, Y., Chen, L., & Wei, S. (2011). SVR with hybrid chaotic genetic algorithms for tourism demand forecasting. Applied Soft Computing 11, 1881–1890. https://doi.org/10.1016/j.asoc.2010.06.003.
  23. Hengl, T., Heuvelink, G. B., Kempen, B., Leenaars, J. G., Walsh, M. G., Shepherd, K. D., Sila, , MacMillan, R. A., DeJesus, J. M., & Tamene, L. (2015). Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions. PLOS ONE, 10(6), e0125814. https://doi.org/10.1371/journal.pone.0125814.
  24. Höpken,W., Eberle, T., Fuchs, M., Lexhagen, M.(2020) Improving tourist arrival prediction: A big data and artificial neural network approach. Journal Travel Research, 60(8), 998–1017. https://doi.org/10.1177/0047287520921244.
  25. Lin, C., Chen, H., & Lee, T. (2011). Forecasting tourism demand using time series, artificial neural networks and multivariate adaptive regression splines: Evidence from Taiwan. International Journal of Business Administration, 2, 14–24. http://dx.doi.org/10.5430/ijba.v2n2p14.
  26. Li, Q., Huang, D., Pei, S., Qiao, J., & Wang, M. (2021). Using physical model experiments for hazards assessment of rainfall-induced debris landslides. Journal Earth Science, 32, 1113–1128. https://doi.org/10.1007/s12583-020-1398-3.
  27. Liu, A., Kim, Y. R. & Song, H. (2022). Toward an accurate assessment of tourism economic impact: A systematic literature review, Journal of Annals of Tourism Research Empirical Insights, 3(2), 100054. https://doi.org/10.1016/j.annale.2022.100054.
  28. Mobaraki, O. (2023). Spatial classification of tourism routes in Isfahan Province, Iran. Human Geographies – Journal of Studies and Research in Human Geography. 17(2). http://dx.doi.org/10.5719/hgeo.2023.172.3.
  29. Neuvonen, M., Pouta, E., Puustinen, J., & Sievanen, T. (2019). Visits to national parks: Effects of park characteristics and spatial demand. Journal for Nature Conservation, 18(4), 224–229.
  30. Nachappa, T. G., Ghorbanzadeh, O., Gholamnia, K., & Blaschke, T. (2020). Multi-hazard exposure mapping using machine learning for the state of salzburg, Austria. Remote Sensing, 12(17), 2757. doi: 10.3390/rs12172757.
  31. Naimi, S., Ayoubi, S., Zeraatpisheh, M., & Dematte, J. A. M. (2021). Ground observations and environmental covariates integration for mapping of soil salinity: A machine learning-based approach. Remote Sensing 13, 4825. doi:10.3390/rs13234825.
  32. Naimat, U. K., Wanggen, W., Rabia, R., Shuitao, J., & Xuzhi, W. (2023). Prediction and classification of user activities using machine learning models from location-based social network data. Applied Science. 13(6), 3517. https://doi.org/10.3390/app13063517.
  33. Padhi, S. S., Aggarwal, V. (2011). Competitive revenue management for fixing quota and price of hotel commodities under uncertainty. International Journal of Hospitality Management, 30,725–734. http://dx.doi.org/10.1016/j.ijhm.2010.12.007.
  34. Petrović, D., Ćebić, B., & Beljić, D. (2020). Predicting the number of tourist using machin lerning, Turističko poslovanje, 28, 41. DOI 10.5937/turpos0-31845.
  35. Sun, S., Wei, Y., Tsui, K. L. & Wang, S. (2019). Forecasting tourist arrivals with machine learning and internet search index. Tourism Management, 70, 1-10. https://doi.org/10.1016/j.tourman.2018.07.010.
  36. UNWTO (2015). Tourism highlights, World Tourism Organization, Madrid. doi/book/10.18111/9789284416899.
  37. Vu, H. D., Nguyen, N. T. P., Ngo, Y. T. H. & Le, T. D. (2022). Geotorism current state and future prospects: a case study in the Cao bang UNESCO global Geopark, Vietnam, GeoJournal of Tourism and Geosites, 43, (3), 1063–1070. . https://doi.org/10.30892/gtg.43327-921.
  38. Xu, A., Wang, C., Tang, D., & Ye, W. (2022), Tourism circular economy: Identification and measurement of tourism industry ecologization, Journal of Ecological Indicators, 144, 23-31. https://doi.org/10.1016/j.ecolind.2022.109476 
  39. Wu, Q., Law, R., Xu, X. (2012). A spare Gaussian process regression model for tourism demand forecasting in Hong Kong. Expert Systems with Applications, 39, 4769–4774. https://doi.org/10.1016/j.eswa.2011.09.159.
  40. Zeraatpisheh, M. , Garosi, Y. , Owliaie, H. R. , Ayoubi, S. , Taghizadeh-Mehrjardi, R., Scholten, T., & Xu, M. (2022). Improving the spatial prediction of soil organic carbon using environmental covariates selection: A comparison of a group of environmental covariates. Catena 208, 105723. http://dx.doi.org/10.1016/j.catena.2021.105723.
آمار
تعداد مشاهده مقاله: 969
تعداد دریافت فایل اصل مقاله: 368


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login