انتخاب نمونه‌های آموزشی، مرحله‌ای بسیار مهم و تأثیرگذار در نتایج طبقه‌بندی و شناسایی تغییرات از تصاویر سنجش از دور بوده و لازم است با حساسیت بالایی انجام گیرد. این نمونه­ها اغلب توسط عامل انسانی تعیین می‌شوند که فرآیندی زمان‍بر بوده و مستعد خطای بالایی است. نقشه‌های قدیمی می­توانند منبع اطلاعاتی ارزشمندی برای انتخاب و تهیه نمونه‌های آموزشی باشند. در صورتی که این نمونه‌ها‌ بطور صحیح پالایش شوند، می‌توانند سبب تسریع، تسهیل و همچنین افزایش صحت فرآیند شناسایی تغییرات شوند. نوآوری اصلی مقاله حاضر، اهتمام در فرآیند پالایش نمونه‌ها است که با پیشنهاد مدلی مبتنی بر آزمون آماری خی‌دو و خوشه‌بندی k-means میسر شده است. این روش ضمن اینکه با بکارگیری آزمون آماری خی-دو، سعی در انتخاب نمونه‌های آموزشی خالص دارد، با خوشه‌بندی چندگانه نمونه‌های آموزشی با تکنیک k-means و انتخاب نمونه‌های نزدیک به مراکز خوشه‌های داخلی هر کلاس، ‌تنوع طیفی داخلی کلاسها را نیز لحاظ می‌نماید. در روش پیشنهادی؛ جهت بهبود صحت طبقه‌بندی و تشخیص تغییرات‌، ویژگی‌های طیفی و بافتی مرتبه اول و دوم ماتریس رخداد همزمان، استخراج و در فرآیند طبقه‌بندی به روش ماشین بردار پشتیبان(SVM)  مورد استفاده قرار می‌گیرد. لازم به ذکر است به منظور ارتقای صحت طبقه‌بندی و شناسایی تغییرات، فرآیند انتخاب مجموعه ویژگی‌های بهینه و پارامترهای طبقه‌بندی‌کننده SVM با الگوریتم ژنتیک بهینه شده‌اند. جهت پیاده‌سازی و ارزیابی روش پیشنهادی، از تصاویر دوزمانه در بازه زمانی 2011 و 2015 و نقشه کاربری اراضی سال 2009 مربوط به شهر شیراز استفاده شد. با بکارگیری روش ارائه شده در این تحقیق، نقشه‌­های موضوعی منطقه مورد مطالعه با صحت کلی 72/98% و 57/94% بهنگام گردیده و با مقایسه آنها، نقشه ماهیت تغییرات حاصل گردید. ارزیابی نتایج نشان داد؛ فرآیند پالایش نمونه‌های آموزشی سبب بهبود نتایج طبقه‌بندی تصویر سال 2011 (افزایش ضریب کاپا از 65% به 87% و افزایش صحت کلی از 73% به 91%) و همچنین تصویر سال 2015 (افزایش صحت کلی از 69% به 32/86% و افزایش ضریب کاپا از 59% به  48/80%) شده است.