Iranian Jornal of Watershed Management Science&Engineering

fa ارزیابی تطبیقی الگوریتم‌های یادگیری ماشین در پایش تغییرات پوشش اراضی (مطالعه موردی، شهرستان ایوانغرب، ایلام) A Comparative Analysis of Machine Learning Algorithms for Monitoring Land Cover Changes (Case Study: Eyvan County, Ilam) تخصصي Special پژوهشي Research پایش تغییرات پوشش اراضی، به‌ویژه در اکوسیستم‌های حساسی مانند جنگل‌های زاگرس، برای مدیریت پایدار منابع طبیعی حیاتی است. این پژوهش با هدف مدلسازی و تحلیل تغییرات پوشش اراضی در شهرستان ایوانغرب واقع در جنگل‌های زاگرس، با استفاده از الگوریتم‌های یادگیری ماشین و تصاویر ماهواره‌ای لندست انجام شد .از تصاویر سنجنده‌های TM و OLI ماهواره لندست برای سه دوره‌ی زمانی (2000، 2010 و 2020) استفاده گردید. پس از پیش‌پردازش تصاویر، طبقه‌بندی پوشش اراضی در پنج کلاس (آب، باغ، جنگل، مرتع و زراعت) با استفاده از دو الگوریتم شبکه عصبی مصنوعی (ANN) و نزدیک‌ترین همسایه (KNN) و با بهره‌گیری از 14 شاخص طیفی (از جمله NDVI، SAVI  و NDWI) انجام شد. مدل‌ها با 795 نمونه آموزشی آموزش داده شده و دقت آن‌ها با شاخص‌های صحت کلی و ضریب کاپا ارزیابی شد. ارزیابی دقت، برتری چشمگیر الگوریتم شبکه عصبی مصنوعی (با صحت کلی ۸۳٪ و ضریب کاپای 78/0) را نسبت به الگوریتم نزدیک‌ترین همسایه (با صحت کلی ۷۴٪ و ضریب کاپای 63/0) به وضوح نشان داد. تحلیل روند تغییرات با مدل ANN در بازه ۲۰ ساله (۲۰۲۰-۲۰۰۰) حاکی از کاهش قابل توجه درصد پوشش جنگلی (۹٪-) همراه با توسعه چشمگیر سطوح زیر کشت بود، به‌طوری‌که مساحت اراضی زراعی ۲۳٪ و باغات ۱۸٪ افزایش یافت. پوشش آبی نیز ۲۳٪ رشد را نشان داد که عمدتاً مرتبط با احداث سد کنگیر در منطقه بود. در مقابل، الگوریتم KNN  تغییرات را بسیار محافظه‌کارانه‌تر و با شدت کمتر برآورد ‌کرد و در برخی موارد حتی مخالف جهت روند با نتایج ANN  را نشان ‌داد. این شکاف قابل توجه در نتایج، به‌وضوح برتری مدل غیرخطی ANN در شبیه‌سازی پیچیدگی‌های دینامیک تغییرات کاربری اراضی را در برابر سادگی ذاتی مدل KNN اثبات می‌نماید. یافته‌ها مؤید کارایی بالای تلفیق سنجش از دور 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. استفاده از داده‌های با توان تفکیک مکانی بالاتر (مانند Sentinel-2 و الگوریتم‌های ترکیبی برای مطالعات آتی پیشنهاد می‌شود. Monitoring land use and land cover (LULC) changes is crucial for sustainable natural resource management, particularly in fragile ecosystems like the Zagros forests. This study aimed to model and analyze LULC changes in Eyvan County, located in the Zagros forests of Ilam Province, using machine learning algorithms and Landsat satellite imagery. Landsat satellite images (TM and OLI sensors) from three time periods (2000, 2010, and 2020) were utilized. Following image preprocessing, land cover classification into five classes (water, orchard, forest, rangeland, and cropland) was performed using two machine learning algorithms: Artificial Neural Network (ANN) and K-Nearest Neighbors (KNN), incorporating 14 spectral indices (including NDVI, SAVI, and NDWI). The models were trained with 795 training samples and their accuracy was evaluated using overall accuracy and Kappa coefficient metrics. Accuracy assessment clearly demonstrated the superior performance of the Artificial Neural Network algorithm (with an overall accuracy of 83% and a Kappa coefficient of 0.78) over the K-Nearest Neighbors algorithm (with an overall accuracy of 74% and a Kappa coefficient of 0.63). Trend analysis using the ANN model over the 20-year period (2000-2020) indicated a significant 9% decrease in forest cover alongside a substantial expansion of cultivated areas, with cropland and orchard areas increasing by 23% and 18%, respectively. Water bodies also showed a 23% increase, primarily associated with the construction of the Kengir Dam in the region. In contrast, the KNN algorithm estimated changes more conservatively and with lower intensity, and in some cases, even showed trends opposite to those identified by ANN. This notable discrepancy in results clearly demonstrates the superiority of the non-linear ANN model in simulating the complex dynamics of land use changes compared to the inherent simplicity of the KNN model. The findings confirm the high effectiveness of integrating remote sensing and machine learning, particularly the Artificial Neural Network algorithm, for monitoring LULC changes. This approach can serve as a powerful tool for developing conservation strategies and sustainable land management in the Zagros region. The use of higher spatial resolution data (e.g., Sentinel-2) and hybrid algorithms is recommended for future studies.   تصویر ماهواره‌ای, شبکه عصبی مصنوعی, پوشش اراضی,ماهواره لندست, مدیریت سرزمین Satellite imagery, Artificial Neural Network, Land use, Landsat satellite, Land management 0 0 http://jwmsei.ir/browse.php?a_code=A-10-1752-1&slc_lang=fa&sid=1 ali mahdavi محبوبه غلامی mahboobehgholami40@gmail.com 100319475328460018918 100319475328460018918 No علی مهدوی a.mahdavi@ilam.ac.ir 100319475328460018919 100319475328460018919 Yes دانشگاه ایلام ستار عزتی s_ztt@yahoo.com 100319475328460018920 100319475328460018920 No دانشگاه گرگان امید کرمی omid64karami@yahoo.com 100319475328460018921 100319475328460018921 No