نوع مقاله : مقاله پژوهشی

نویسندگان

• رسول لطفی ¹
• حامد فاروقی ²

¹ کارشناسی ارشد، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

² استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

چکیده

آگاهی دقیق از تغییرات کاربری و پوشش زمین (LULC) نقش مهمی در مدیریت پایدار منابع طبیعی، برنامه‌ریزی شهری و پایش محیط‌زیست دارد. این پژوهش به ارزیابی و مقایسه عملکرد الگوریتم‌های یادگیری ماشین و روش‌های آماری در طبقه‌بندی کاربری زمین در منطقه نایسر (حومه شهر سنندج) می‌پردازد. در این مطالعه، داده‌های ماهواره‌ای Sentinel-2 و مجموعه‌ای از ویژگی‌ها شامل باندهای طیفی، شاخص‌های طیفی (NDVI , MNDWI , SAVI , NDBI ) و اطلاعات توپوگرافی به‌عنوان ورودی استفاده شدند و سه رویکرد طبقه‌بندی شامل جنگل تصادفی (RF )، روش حداکثر احتمال (MLC ) و خوشه‌بندی بدون‌ناظر K-means به‌کار گرفته شد. نمونه‌های آموزشی و ارزیابی از طریق تفسیر بصری تصاویر با وضوح بالا و بازدید میدانی جمع‌آوری و برای آموزش و اعتبارسنجی مدل‌ها استفاده شدند. نتایج نشان داد الگوریتم جنگل تصادفی با دقت کلی ۹۸٪ و ضریب کاپا ۰٫۹۵ بهترین عملکرد را ارائه می‌دهد، در حالی که روش حداکثر احتمال دقت کلی ۹۵٪ و الگوریتم K-means دقت ۹۱٪ داشت. این یافته‌ها نشان می‌دهند که ترکیب ویژگی‌های طیفی و توپوگرافی با الگوریتم جنگل تصادفی رویکردی کارآمد و قابل اعتماد برای طبقه‌بندی دقیق کاربری زمین و پایش تغییرات محیطی در مناطق شهری و پیرامونی است.

کلیدواژه‌ها

• تغییرات کاربری و پوشش زمین
• سنتینل-۲
• جنگل تصادفی
• یادگیری ماشین
• طبقه‌بندی تصاویر ماهواره‌ای

موضوعات

• راه و ترابری