با توجه به مجوز اخذ شده از دفتر سیاستگذاری و برنامهریزی و امور پژوهشی وزارت علوم، تحقیقات و فناوری، از تاریخ 01. 06. 1402 بهمنظور چاپ مقاله، مبلغ 6.500.000 ریال دریافت میشود. این مبالغ باید به شماره کارت 8592-0045-8370- 5859 و یا شماره حساب 0294224971 بهنام انجمن آبخیزداری ایران، بانک تجارت، بابت هزینه داوری، انتشار و خرید کد Doi مقاله واریز و رسید آن از طریق سامانه شخصی قسمت این فرم ها در سامانه نشریه بارگزاری شود.
لازم به ذکر است پرداخت فوق هم از طریق شعب بانکها و هم از طریق همراه بانک و یا بانکداری اینترنتی به شکل پرداخت پایا قابل انجام است.
پایش تغییرات پوشش اراضی، برای مدیریت پایدار منابع طبیعی، حیاتی است. این پژوهش باهدفمدلسازی و تحلیل تغییرات پوشش اراضیدر شهرستان ایوانغرب ، با استفاده ازالگوریتمهای یادگیری ماشینو تصاویر ماهوارهای لندست انجام شد.بدینمنظور از تصاویر سنجندههایTMوOLI ماهواره لندست برای سه دورهی زمانی (2000، 2010 و 2020) استفاده شد. پس از انجام پیشپردازش تصاویر، طبقهبندی پوشش اراضی در پنج کلاس (آب، اراضی باغی، اراضی جنگل، اراضی مرتعی و اراضی زراعی) با استفاده از دو الگوریتمشبکه عصبی مصنوعیونزدیکترین همسایه و با بهرهگیری از 14 شاخص طیفی(شامل:NDVI،SAVI ، NDWI، NormR، NormNir، NormG، GNDVI، RVI ، DVI، GDVI،TVI، ،EVI ، RDVIوOSAVI) انجام شد. الگوریتمهایاستفاده شده با 795 نمونه زمینی، آموزش داده شده و دقت آنها با شاخصهایصحت کلیوضریب کاپا،ارزیابی شد.ارزیابی دقت، برتری الگوریتمشبکه عصبی مصنوعی (با صحت کلی 83 درصد و ضریب کاپای 78/0)را نسبت به الگوریتم نزدیکترین همسایه (با صحت کلی 74 درصد و ضریب کاپای 63/0) بهوضوح نشان داد. تحلیل روند تغییرات با الگوریتمشبکه عصبی در بازه ۲۰ سالهحاکی ازکاهش قابلتوجه درصد پوشش اراضی جنگلی همراه با توسعه سطوح زیر کشتمحصولات کشاورزی و باغی بود، بهگونهای که مساحتاراضی زراعی 23درصد وباغات 18 درصد افزایش یافت که نشان از تغییر الگوی کاربری اراضی به نفع فعالیتهای کشاورزی دارد.پهنههای آبی نیز رشد 23درصد را نشان دادند که عمدتاً مرتبط با احداث سد کنگیر در منطقه بود. شبکه عصبی مصنوعی به دلیل توانایی یادگیری پیچیده و غیرخطی، میتواند تغییرات شدید و ناگهانی را بهتر از الگوریتم نزدیکترین همسایه تشخیص دهد، درحالیکه روش نزدیکترین همسایه به دلیل سادگی و خطی بودن، تغییرات ملایمتر و با ثباتتری را گزارش میکند.یافتهها مؤید کارایی بالای تلفیق سنجشازدور و یادگیری ماشین، بهویژه الگوریتم شبکه عصبی مصنوعی، در پایش تغییرات پوشش اراضی است. این رویکرد، میتواند ابزاری قدرتمند برای تدوین راهبردهای حفاظتی و مدیریت پایدار در منطقه زاگرس فراهم آورد
gholami M, Mahdavi A. A Comparative Analysis of Machine Learning Algorithms for Monitoring Land Cover Changes (Case Study: Eyvan County, Ilam). jwmseir 2025; 19 (71) : ۵ URL: http://jwmsei.ir/article-1-1216-fa.html
غلامی محبوبه، مهدوی علی، عزتی ستار، کرمی امید. ارزیابی تطبیقی الگوریتمهای یادگیری ماشین در پایش تغییرات پوشش اراضی (مطالعه موردی، شهرستان ایوانغرب، ایلام). مجله علوم ومهندسی آبخیزداری ایران. 1404; 19 (71)
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.
