Kharazmi Journal of Earth Sciences

fa چارچوب مبتنی بر پایتون برای طبقه‌بندی پوشش زمین در مطالعات زمین‌شناسی مهندسی مقایسه SVM، K-means و شاخص‌های طیفی A python-based framework for land cover classification in engineering geology: A comparative assessment of SVM, K-means, and spectral indices زمین‌شناسی مهندسی Engineering Geology مقاله پژوهشی Original Research <div style="text-align: justify;">طبقه‌بندی پوشش زمین از اهمیت بالایی در مطالعات زمین‌شناسی مهندسی، به‌ویژه در ارزیابی ناپایداری دامنه‌ها و حرکات توده‌ای برخوردار است. این پژوهش به ارائه یک چارچوب مبتنی بر پایتون برای طبقه‌بندی پوشش زمین پرداخته و عملکرد دو الگوریتم یادگیری ماشین شامل خوشه‌بندی k-means بدون نظارت و ماشین بردار پشتیبان (SVM( با نظارت را در مقایسه با روش‌های متداول مبتنی بر شاخص‌های طیفی NDVI، NDWI، UI و SAVI ارزیابی کرده است. منطقه مورد مطالعه در استان آذربایجان شرقی ایران، با تنوع بالایی در پوشش زمین شامل پوشش گیاهی، خاک برهنه، مناطق شهری و آب‌های سطحی است .داده‌های ماهواره‌ای لندست 8 پس از اعمال مراحل پیش‌پردازش (اصلاح گاما، نرمال‌سازی Min-Max و تحلیل مؤلفه‌های اصلی  PCA) برای طبقه‌بندی چهار کلاس اصلی به کار گرفته شدند. نتایج نشان داد که الگوریتم SVM  با دقت کلی 84% و ضریب کاپا 0/81 عملکرد بهتری نسبت به الگوریتمK-means  با دقت %73 و ضریب کاپا 0/68 دارد. شاخص‌های طیفی به تنهایی دقتی حدود %65 فراهم کردند، اما در ترکیب با الگوریتم‌های یادگیری ماشین، کارایی آن‌ها به‌طور معنی‌داری افزایش یافت. یافته‌ها نشان می‌دهد که الگوریتم‌های یادگیری ماشین، به‌ویژهSVM ، می‌توانند به‌عنوان ابزاری قدرتمند در مطالعات زمین‌شناسی مهندسی از منظر طبقه‌بندی پوشش زمین در ارزیابی ناپایداری دامنه‌ها مورد استفاده قرار گیرند. علاوه بر این، چارچوب مبتنی بر پایتون ارائه‌شده در این پژوهش، قابلیت تکرار، شفافیت و کارایی بالایی دارد و می‌تواند به‌عنوان یک راهکار عملیاتی در مطالعات مشابه به‌کار گرفته شود.  </div> <div style="text-align: justify;">Accurate land cover classification is a fundamental step in engineering geology studies, particularly for assessing slope instability and mass movements. With the growing availability of satellite data and machine learning tools, automated and reproducible classification frameworks have become essential. This study presents a comprehensive Python-based framework for land cover classification, comparing the performance of two machine learning algorithms, Support Vector Machine (SVM, supervised) and K-means clustering (unsupervised), against traditional spectral indices (NDVI, NDWI, UI, SAVI) using Landsat 8 imagery. The study area is located in East Azerbaijan Province, Iran, covering approximately 80×70 km with diverse land cover types, including vegetation, bare soil, urban areas, and surface water. Prior to classification, data underwent several preprocessing steps: gamma correction for visual enhancement, Min-Max normalization for data scaling, and Principal Component Analysis (PCA) for dimensionality reduction and multicollinearity mitigation. PCA retained components explaining at least 95% of total variance. Classification was performed on four main classes. Results were evaluated using Overall Accuracy (OA), Kappa Coefficient, and weighted Precision, Recall, and F1-Score. The SVM algorithm, using an RBF kernel, achieved the highest accuracy with 84% OA and a Kappa of 0.81, demonstrating superior ability in defining clear class boundaries, particularly in distinguishing urban areas from bare soil. In contrast, K-means clustering yielded 73% OA and a Kappa of 0.68, with noticeable class overlap. Spectral indices alone provided a baseline accuracy of ~65%, but their integration with machine learning models significantly improved performance. The findings confirm that supervised machine learning models, particularly SVM, outperform unsupervised clustering and standalone spectral indices. However, K-means remains viable in data-scarce scenarios. The proposed Python-based workflow offers a reproducible, transparent, and efficient approach for land cover analysis, making it a valuable tool for engineering geology applications such as landslide susceptibility mapping.</div> حرکات توده‌ای, خوشه‌بندی K-means, ماشین بردار پشتیبان (SVM), شاخص‌های طیفی, یادگیری ماشین, PCA, پایتون Mass movements, K-means clustering, Support Vector Machine (SVM), spectral indices, machine learning, PCA, Python, land cover classification 201 219 http://gnf.khu.ac.ir/browse.php?a_code=A-10-308-1&slc_lang=fa&sid=1 Mehdi Talkhablou مهدی تلخابلو Talkhablu@gmail.com 10031947532846006019 10031947532846006019 Yes Kharazmi University دانشگاه خوارزمی Mahdi Farmahinifarahani مهدی فرمهینی فراهانی Mahdifarmahini@khu.ac.ir 10031947532846006020 10031947532846006020 No Kharazmi University دانشگاه خوارزمی Saba Siahmansouri سبا سیاه منصوری sabasmansouri2@gmail.com 10031947532846006021 10031947532846006021 No Kharazmi University دانشگاه خوارزمی