en مقایسه شبکه عصبی مصنوعی و درخت طبقه بندی و رگرسیون برای شبیه سازی تغییرات کاربری اراضی چند گانه، منطقه مورد مطالعه، ساری و قائم شهر، ایران سامانه های اطلاعات مکانی GIS پژوهشي Research <p dir="RTL" style="text-align: justify;">به عنوان اولین هدف برای این مقاله، دو مدل از دو گروه مختلف از روش های داده کاوی یعنی مدلهای پارامتریک کلی، درخت طبقه بندی و رگرسیون و مدلهای غیر پارامتریک محلی، شبکه عصبی مصنوعی، برای مدلسازی تغییرات کاربری اراضی چندگانه مورد مقایسه قرار گرفت. منطقه مورد مطالعه شامل دو شهر ساری و قائم شهر است که در شمال ایران واقع شده اند. در این مطالعه تغییرات کاربری اراضی کشاورزی و شهری برای یک دوره 22 ساله بین سالهای 1992 تا 2014 مورد بررسی قرار گرفت. نتایج نشان داد که هر دو مدل روشهایی دقیقی برای مدلسازی تغییرات کاربری اراضی چندگانه می باشند. با وجود اینکه نتایج حاصل از درخت طبقه بندی و رگرسیون تفسیر پذیرتر هستند اما دقت شبکه عصبی مصنوعی بهتر از این مدل می باشد<span dir="LTR">.</span> در مطالعات قبلی علیرغم &nbsp;استفاده از درخت طبقه بندی و رگرسیون، تحلیل حساسیت و استخراج محرکان تغییرات کاربری اراضی مهم مورد توجه قرار نگرفته است. در حالیکه انجام این تحلیل، متغیرهایی که در تغییرات کاربری اراضی بی تاثیر هستند را از فرآیند مدلسازی حذف می نماید. لذا انجام تحلیل حساسیت با استفاده از شاخص اهمیت متغیرها به عنوان هدف دوم این مطالعه در نظر گرفته شد. در حالیکه شبکه عصبی مصنوعی به صورت یک جعبه سیاه در تحلیل حساسیت عمل نمود، درخت طبقه بندی و رگرسیون محرکان اصلی تغییر کاربری اراضی چندگانه را به سادگی شناسایی نمود. نتایج حاصل از این تحلیل نشان داد که فاصله از مناطق شهری و رودخانه مهمترین پارامترها در تغییرات کاربری اراضی می باشند. هدف سوم این مقاله مقایسه دو شاخص ارزیابی دقت، شاخص عامل نسبی و شاخص عامل کلی جهت ارزیابی درخت طبقه بندی و رگرسیون و شبکه عصبی مصنوعی می باشد. مساحت زیر نمودار شاخص عامل نسبی برای تغییرات کاربریهای شهری و برای دو مدل &nbsp;شبکه عصبی مصنوعی و درخت تصمیم گیری به ترتیب برابر با 78% و 75% بدست آمد. همچنین مساحت زیر نمودار شاخص عامل نسبی برای تغییرات کاربری های کشاورزی برای دو مدل شبکه عصبی مصنوعی و درخت طبقه بندی و رگرسیون به ترتیب برابر با 72% و 65% بدست آمد. همچنین نتایج نشان داد که اگرچه نمودار شاخص عامل کلی و شاخص عامل نسبی خیلی شبیه به هم است، با این حال شاخص عامل کلی حاوی اطلاعات بیشتری نسبت به شاخص عامل نسبی است. نتایج حاصل از این مطالعه می تواند مدیران و تصمیم گیران محیط زیست را در حفظ منابع طبیعی و برنامه ریزی برای آینده با شناخت محرکان تغییر کاربری اراضی یاری کند<span dir="LTR">.</span></p> <p style="text-align: justify;">Most of the land use change modelers have used to model binary land use change rather than multiple land use changes. As a first objective of this study, we compared two well-known LUC models, called classification and regression tree (CART) and artificial neural network (ANN) from two groups of data mining tools, global parametric and local non-parametric models, to model multiple LUCs. The case study is located in the north of Iran including cities of Sari and QaemShahr. Urban and agricultural changes over a period of 22 years between 1992 and 2014 have been model. Results showed that CART and ANN were effective tools to model multiple LUCs. While it was easier to interpret the results of CART, ANN was more effective to model multiple LUCs. In earlier studies, despite using CART, the extraction of effective factors of LUCs using a precise index has not been considered efficiently. As a second objective, this study performed a sensitivity analysis using variable importance index to identify significant drivers of LUCs. While ANN was a black box for sensitivity analysis, CART identified significant delivers of LUCs easy. The results showed that the most important factors were distance from urban areas and rivers while aspect was the least effective factor. As a third or final objective of this study, the recently modified version of receiver operating characteristics (ROC) called total operating characteristic (TOC) as well as ROC were used for accuracy assessment of CART and ANN. The area under the ROC curves were 78% and 75% for urban changes for ANN and CART models, respectively. The area under the ROC curves were 72% and 65% for agricultural changes for ANN and CART models, respectively. We found that although TOC and ROC were similar to each other, TOC proved more informative than conventional ROC as a goodness-of-fit metric. The outcome of this study can assist planners and managers to provide sustainability in natural resources and in developing a better plan for future given the needs to understand those contributing factors in urban and agriculture changes.</p> درخت طبقه بندی و رگرسیون, شبکه عصبی مصنوعی, شاخص اهمیت متغیرها, تغییرات کاربری اراضی چندگانه شاخص عامل نسبی, شاخص عامل کلی Classification and Regression Tree, Artificial Neural Network, Variable Importance Index, Multiple Land Use Changes, Receiver Operating Characteristic, Total Operating Characteristics 292 303 http://jgst.issgeac.ir/browse.php?a_code=A-10-215-2&slc_lang=en&sid=1 M. Ahmadlou محمد احمدلو m_ahmadlou@ut.ac.ir 10031947532846003469 10031947532846003469 No MSc. Student, GIS Dept., School of Surveying and Geospatial Eng., College of Eng., University of Tehran, Tehran, Iran, دانشجوی کارشناسی ارشد سیستم های اطلاعات مکانی، گروه مهندسی نقشه برداری، پردیس دانشکده های فنی، دانشگاه تهران M. R. Delavar محمودرضا دلاور mdelavar@ut.ac.ir 10031947532846003470 10031947532846003470 Yes Assoc. Prof., Center of Excellence in Geomatic Eng. in Disaster Management, School of Surveying and Geospatial Eng., College of Engineering, University of Tehran, Tehran, Iran قطب علمی مهندسی نقشه برداری در مقابله با سوانح طبیعی، دانشیار گروه مهندسی نقشه برداری، پردیس دانشکده‌های فنی، دانشگاه تهران A. Tayyebi امین طیبی amin.tayyebi@gmail.com 10031947532846003471 10031947532846003471 No University of California-Riverside, Center for Conservation Biology, Riverside, CA, USA دانشگاه کالیفرنیا