روند پرشتاب شهرنشینی و گسترش کالبدی شهرها در دهههای اخیر، تغییرات عمیقی در الگوهای کاربری اراضی بهویژه در حاشیه شهرها ایجاد کرده است. پیامدهای این تغییرات شامل کاهش فضاهای سبز، تخریب محیطزیست و تشدید پدیدههایی همچون جزیره حرارتی شهری است. منطقه نایسر در استان کردستان نمونهای بارز از چنین تحولاتی به شمار میرود؛ ازاینرو، پایش دقیق و نظاممند تغییرات کاربری اراضی در این منطقه، ضرورتی راهبردی برای مدیریت شهری و تحقق توسعه پایدار محسوب میشود. این پژوهش با بهرهگیری از دادههای ماهوارهای Landsat-8 و Sentinel-2 و بهکارگیری الگوریتم ماشین بردار پشتیبان (SVM) در چهار مرحله اصلی انجام شد. در گام نخست، بهمنظور افزایش دقت طبقهبندی چهار کلاس کاربری (پوشش گیاهی، ساختمان با سقف شیروانی، ساختمان با سقف ایزوگام و ساختمان در حال ساخت)، علاوه بر باندهای طیفی از شاخصهای طیفی، ویژگیهای بافتی و دادههای توپوگرافی بهعنوان ورودی مدل استفاده گردید. نتایج نشان داد صحت کلی طبقهبندی در سال 2020 با این ترکیب ویژگیها، در مقایسه با رویکرد سنتی، 10 درصد ارتقا یافته و به 94 درصد رسیده است. در گام دوم، با بهکارگیری روش مقایسه پس از طبقهبندی، نقشههای کاربری اراضی مربوط به سالهای 2016 و 2024 بررسی شد و تغییرات کوتاهمدت، میانمدت و بلندمدت استخراج گردید. یافتهها بیانگر روند فزاینده تبدیل اراضی کشاورزی و خاکی به کاربریهای شهری است. در گام سوم، تحلیل پیکسلهای مختلط امکان شناسایی دقیقتر مرزهای کاربریهای ترکیبی را فراهم ساخت؛ موضوعی که در بافتهای متراکم شهری از اهمیت ویژهای برخوردار است. در نهایت، در گام چهارم، عملکرد الگوریتم SVM با سه روش K-means، Maximum Likelihood و Index مقایسه شد. نتایج نشان داد الگوریتم SVM با عملکرد بهتری نسبت به سایر روشها ارائه میدهد. بهطور کلی، یافتههای این پژوهش نشان میدهد که تلفیق دادههای طیفی، بافتی و توپوگرافی همراه با الگوریتمهای پیشرفته یادگیری ماشین، میتواند دقت پایش تغییرات کاربری اراضی شهری را بهطور چشمگیری ارتقا داده و بستر مناسبی برای مدیریت علمی فضاهای شهری و برنامهریزی مبتنی بر توسعه پایدار فراهم آورد.
