علی مهدوی

سابقه و هدف: 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. مواد و روش‌ها: 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. یافته‌ها: رزیابی دقت، برتری چشمگیر الگوریتم شبکه عصبی مصنوعی (با صحت کلی 83٪ و ضریب کاپای 78/0) را نسبت به الگوریتم نزدیک‌ترین همسایه (با صحت کلی 74٪ و ضریب کاپای 63/0) به وضوح نشان داد. تحلیل روند تغییرات با مدل ANN در بازه 20 ساله (2020-2000) حاکی از کاهش قابل توجه درصد پوشش جنگلی (9٪-) همراه با توسعه چشمگیر سطوح زیر کشت بود، به‌طوری‌که مساحت اراضی زراعی 23٪ و باغات 18٪ افزایش یافت. پوشش آبی نیز 23٪ 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. نتیجه‌گیری: 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.