en یک رویکرد ترکیبی برای ارزیابی رشد شهری با استفاده از K-نزدیکترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال (مطالعه موردی: غرب تهران) سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">شهرنشینی یک نگرانی رو به رشد است و تصاویر ماهواره ای نقش مهمی در ارزیابی رشد شهری دارند. برای شروع کار با تصاویر ماهواره‌ای، نمونه برداری و طبقه بندی تصاویر با توجه به عوارض منطقه ضروری است. در این مطالعه، از 4 الگوریتم یادگیری ماشین (K-نزدیک‌ترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی (RandomTrees) و حداکثر احتمال) برای طبقه‌بندی تصاویر از سه دوره تصاویر ماهواره‌ای لندست (لندست 7، 8، 9) در فواصل 10 ساله (2003، 2013 و 2023) استفاده شده‌است. در چهار منطقه تهران (2، 5، 21، 22) این امر برای رشد شهری اعمال شده‌است. استفاده از یک روش طبقه‌بندی خاص برای سری‌های زمانی تصاویر ممکن است نتایج دقیقی برای ارزیابی تغییرات یک پدیده ایجاد نکند و تا حد زیادی به پراکندگی نمونه‌های گرفته‌شده از تصاویر بستگی دارد. با استفاده از روش KNN با ضریب کاپا 91 درصد، تصویر لندست 7 به دلیل یکنواختی نمونه‌ها بهترین عملکرد را داشت. علاوه بر این، تصاویر لندست 8 و 9 با روش SVM به ترتیب با دقت 97% و 94% و همچنین ضریب کاپا 95% و 89% با موفقیت تجزیه و تحلیل شدند. رشد شهری نیز با استفاده از روش های انتخاب‌شده برای هر تصویر ارزیابی می‌شود. بین سال‌های 2003 تا 2013، رشد شهری 10 درصد، بین سال‌های 2013 تا 2023، 24 درصد و در نتیجه، بین سال‌های 2023 تا 2003، 34 درصد بوده است. علاوه بر این، ما در این مطالعه تغییر در زمین‌های بایر و سبز را بررسی می‌کنیم. مطالعه ما دقیق ترین رویکرد ترکیبی را برای طبقه بندی تصاویر برای رشد شهری ارائه می‌دهد و می تواند اطلاعات ارزشمندی را برای برنامه ریزان شهری و سیاست گذاران برای مدیریت رشد شهری و ترویج توسعه پایدار در شهرها ارائه دهد.</span></span></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:115%"><span new="" roman="" times="">Urbanization is a growing concern, and satellite images play a crucial role in assessing urban growth. To begin working with satellite images, it is necessary to take samples and classify the images according to the region&#39;s complications. In this study, 4 machine learning algorithms (K-Nearest Neighbor, Support Vector Machine, Random Forest(RandomTrees), and Maximum Likelihood) were used to classify images from three periods of Landsat satellite imagery (Landsat 7, 8, 9) at two 10-year intervals (2003, 2013, and 2023). In four areas of Tehran (2, 5, 21, 22), this has been applied to urban growth. Using a specific classification method for time series of images may not produce accurate results to evaluate the changes in a phenomenon, and much depends on the dispersion of the samples taken from the images. Using the KNN method with a Kappa coefficient of 91%, Landsat image 7 performed best due to the uniformity of the samples. Additionally, Landsat images 8 and 9 were successfully analyzed with the SVM method with an accuracy of 97% and 94%, respectively, as well as a Kappa coefficient of 95% and 89%. Urban growth is also evaluated using selected methods for each image. Between 2003 and 2013, urban growth was 10%, between 2013 and 2023, it was 24%, and as a result, between 2023 and 2003, it was 34%. Additionally, we examine the change in barren and green lands in this study. Our study offers the most accurate hybrid approach to image classification for urban growth, and it can provide valuable information to urban planners and policymakers for managing urban growth and promoting sustainable development in cities.</span></span></span></span></div> لگوریتم های یادگیری ماشین, تصاویر ماهواره ای لندست, رشد شهری, نزدیک ترین همسایه,ماشین بردار پشتیبان ,جنگل تصادفی, حداکثر احتمال Machine learning algorithms, Landsat satellite imagery, Urben growth, KNN, SVM, RF, MLC 57 66 http://jgst.issgeac.ir/browse.php?a_code=A-10-1087-1&slc_lang=en&sid=1 Hossein Joulaei حسین جولایی ho.joulaei@Mail.sbu.ac.ir 100319475328460010132 100319475328460010132 Yes Shahid Beheshti University دانشگاه شهید بهشتی Alireza Vafaeinajad علیرضا وفایی نژاد a_vafaei@Mail.sbu.ac.ir 100319475328460010133 100319475328460010133 No Shahid Beheshti University دانشگاه شهید بهشتی Mehrnoush Sharifzadeh مهرنوش شریف زاده m.sharifzadeh@Mail.sbu.ac.ir 100319475328460010134 100319475328460010134 No Shahid Beheshti University دانشگاه شهید بهشتی