تعداد نشریات | 161 |
تعداد شمارهها | 6,533 |
تعداد مقالات | 70,514 |
تعداد مشاهده مقاله | 124,131,244 |
تعداد دریافت فایل اصل مقاله | 97,237,518 |
مدل سازی کیفیت زیباشناختی منظر در فضای سبز شهری با استفاده از شبکه عصبی مصنوعی | ||
نشریه محیط زیست طبیعی | ||
مقاله 5، دوره 69، شماره 4، بهمن 1395، صفحه 951-963 اصل مقاله (877.58 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jne.2017.127667.949 | ||
نویسندگان | ||
علی جهانی* 1؛ اصغر محمدی فاضل2 | ||
1استادیار گروه علوم منابع طبیعی و محیط زیست، دانشکده محیط زیست | ||
2مربی گروه علوم منابع طبیعی و محیط زیست، دانشکده محیط زیست | ||
چکیده | ||
ارزیابیهای کیفیت منظر عمدتا اشاره به نقش کلیدی عناصر طبیعی و مصنوعی منظر در ایجاد رضایتمندی و درک زیبایی از منظر دارند. هدف از این مقاله مدلسازی ارزیابی کیفیت زیباشناختی منظر با استفاده از شبکه عصبی مصنوعی به منظور کشف روابط حاکم در ساختار منظر و ارتباط عناصر منظر با کیفیت زیباشناختی آن است. جهت انجام پژوهش حاضر چهار بوستان (جمشیدیه، نهج البلاغه، قیطریه، آب و آتش) با تنوع بالا در کیفیت منظر و شیوه طراحی در شهر تهران انتخاب گردید. در این تحقیق به منظور مدلسازی ارزیابی کیفیت زیباشناختی منظر، ویژگیهای ساختاری و عناصر هریک از مناظر ثبت و اقدام به طبقهبندی کیفیت زیباشناختی منظر در سه کلاس کیفیت زیباشناختی نامطلوب، مطلوب و عالی گردید. به منظور پردازش دادهها با ابزار هوشمند شبکه عصبی، از شبکه پرسپترون چندلایه استفاده شد. با توجه به ضرایب تعیین شبکه معادل 88/0، 86/0 و 99/0 در طبقه بندی کلاسهای 1 تا 3، دقت شبکه عصبی در پیشبینی کیفیت زیباشناختی منظر از سطح بسیار مطلوبی برخوردار است. آنالیز حساسیت نشان میدهد جهت طراحی مهندسی بوستانها و دستیابی به کیفیت منظر مطلوب به کارگیری تجهیزات نماسازی، کوه یا سنگ و پوشش گیاهی در الویت قرار میگیرد. در مناظر با کیفیت زیباشناختی عالی، ویژگیهای ساختاری منظر شامل ترکیب منظر و سیمای منظر نیز جایگاهی ویژه در تعیین کیفیت زیباشناختی منظر مییابند. | ||
کلیدواژهها | ||
کیفیت زیباشناختی منظر؛ شبکه عصبی؛ پرسپترون چندلایه؛ ترکیب منظر؛ سیمای منظر | ||
عنوان مقاله [English] | ||
Aesthetic quality modeling of landscape in urban green space using artificial neural network | ||
نویسندگان [English] | ||
Ali Jahani1؛ Asghar Mohammadi Fazel2 | ||
1Assistant professor of Environment and Natural Resources Sciences Department, College of Environment, Karaj, Iran | ||
2Lecturer of Environment and Natural Resources Sciences Department, College of Environment, Karaj, Iran | ||
چکیده [English] | ||
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. | ||
کلیدواژهها [English] | ||
aesthetic quality of landscape, Neural Network, Multilayer Perceptron, landscape composition, landscape appearance | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 831 تعداد دریافت فایل اصل مقاله: 1,429 |