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
