نوع مقاله : مقاله پژوهشی
نویسندگان
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
موضوعات
عنوان مقاله [English]
Identification of Potential Tourism Centers Based on Environmental Factors in the West of Isfahan Province Using the Random Forest Algorithm
نویسندگان [English]
- majid ghias
- shohreh moradpour
دانشگاه اصفهان، خیابان هزارجریب
چکیده [English]
This research leverages machine learning techniques to predict promising tourist destinations in the western region of Isfahan Province. A random forest prediction model is employed to identify the factors influencing tourist attraction in these areas and subsequently predict potential tourist hotspots. The input data encompasses 34 sites, including springs, waterfalls, shrines, museums, historical structures, and more. Variables such as elevation, slope, aspect, vegetation cover, distance to rivers, distance to roads, temperature, and precipitation were selected as the most significant predictive variables based on the Variance Inflation Factor (VIF). Evaluation metrics reveal that the random forest model exhibits superior predictive performance, achieving the highest R² (0.91) and the lowest RMSE (1.06) and MAE (1.13). Slope, slope aspect, vegetation cover, and distance to rivers and roads were identified as the most critical predictors. Moreover, the spatial prediction map indicates that Chadgan and daran possess high potential for tourist reception.
کلیدواژه‌ها [English]
- Machine Learning
- Random Forest
- Variance Inflation Factor (VIF)
- RStudio software
- West Isfahan province
)