آگاهی دقیق از تغییرات کاربری و پوشش زمین ( )LULCنقش 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-2و مجموعهای از ویژگیها شامل باندهای طیفی، شاخصهای طیفی ( )NDVI , MNDWI , SAVI , NDBIو اطلاعات توپوگرافی بهعنوان ورودی استفاده شدند و سه رویکرد طبقهبندی شامل جنگل تصادفی ( ،)RFروش حداکثر احتمال ( )MLCو خوشهبندی بدونناظر K-meansبهکار 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 ٪98و ضریب کاپا 0٫95بهترین عملکرد را ارائه میدهد، در حالی که روش حداکثر احتمال دقت کلی ٪95و الگوریتم K-meansدقت ٪91داشت. 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.
