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، بهویژه در اکوسیستمهای حساسی مانند جنگلهای زاگرس، برای مدیریت پایدار منابع طبیعی حیاتی است. این پژوهش با هدفمدلسازی و تحلیل تغییرات پوشش اراضیدر شهرستان ایوانغرب واقع در جنگلهای زاگرس، با استفاده ازالگوریتمهای یادگیری ماشینو تصاویر ماهوارهای لندست انجام شد .از تصاویر سنجندههایTMوOLIماهواره 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 الگوریتمشبکه عصبی مصنوعی(ANN) ونزدیکترین همسایه(KNN) و با بهرهگیری از 14 شاخص طیفی(از جملهNDVI، SAVI و NDWI)انجام شد. مدلها با 795 نمونه آموزشی آموزش داده شده و دقت آنها با شاخصهایصحت کلیوضریب کاپاارزیابی شد.ارزیابی دقت، برتری چشمگیر الگوریتمشبکه 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 مدلANNدر بازه ۲۰ ساله (۲۰۲۰-۲۰۰۰) حاکی ازکاهش قابل توجه درصد پوشش جنگلی (۹٪-) همراه با توسعه چشمگیر سطوح زیر کشتبود، بهطوریکه مساحتاراضی زراعی ۲۳٪وباغات ۱۸٪افزایش یافت.پوشش آبی نیز ۲۳٪ رشدرا نشان داد که عمدتاً مرتبط با احداث سد کنگیر در منطقه بود. در مقابل، الگوریتمKNN تغییرات را بسیار محافظهکارانهتر و با شدت کمتر برآورد کرد و در برخی موارد حتیمخالف جهت روندبا نتایجANN را نشان داد. این شکاف قابل توجه در نتایج، بهوضوحبرتری مدل غیرخطی ANN در شبیهسازی پیچیدگیهای دینامیک تغییرات کاربری اراضیرا در برابر سادگی ذاتی مدلKNNاثبات 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(مانندSentinel-2و الگوریتمهای ترکیبی برای مطالعات آتی پیشنهاد میشود.
mahdavi A. A Comparative Analysis of Machine Learning Algorithms for Monitoring Land Cover Changes (Case Study: Eyvan County, Ilam). jwmseir 2025; 19 (71) 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.