fa تشخیص و طبقه‌بندی ناهنجاری‌های محیطی با استفاده از تصاویر چندزمانه ماهواره‌ای سنتینل -۲ و یادگیری ماشین سبک سنجش از دور و سامانه اطلاعات جغرافیایی Remote sensing and GIS مقاله پژوهشی Original Research <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times="">&nbsp;</span></span></span><span dir="RTL" lang="FA">پایش تغییرات پوشش گیاهی و ناهنجاری‌های محیطی برای مدیریت اکوسیستم‌ها، کشاورزی دقیق &nbsp;و سامانه‌های هشدار زودهنگام ضرورری است. با توجه به پیچیدگی الگوهای زمانی</span><span dir="RTL" lang="FA">&ndash;</span><span dir="RTL" lang="FA">مکانی تغییرات محیطی، داده‌های ماهواره‌ای چندزمانه رویکردی کارآمد برای ردیابی تغییرات تدریجی و ناگهانی ارائه می‌دهند. در این پژوهش، از داده‌های سری‌زمانی سنجنده</span> <span dir="RTL" lang="FA">سنتینل-۲ و شاخص‌های طیفی&nbsp; </span><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span dir="LTR">NDVI، EVI و NBR</span>&nbsp;&nbsp;</span></span></span><span dir="RTL" lang="FA">به‌عنوان شاخص‌های حساس به کلروفیل و اختلالات شدید و الگوریتم‌های سبک و بدون‌ناظر جنگل جداساز، عامل ناهنجاری محلی و ماشین بردار پشتیبان تک‌کلاسه، برای شناسایی ناهنجاری‌ها بهره‌گرفته شده است. ارزیابی عملکرد مدل‌ها نشان داد که الگوریتم جنگل جداساز، متعادل‌ترین و پایدارترین کارایی را ارائه می‌دهد (</span>Accuracy = 0.886, Precision = 0.065, Recall = 0.250, F1 = 0.103<span dir="RTL" lang="FA">). الگوریتم عامل ناهنجار محلی</span> <span dir="RTL" lang="FA">در شناسایی الگوهای موضعی حساسیت بیشتری نشان داد، اما در داده‌های دارای نویز ثبات پایین‌تری داشت (F1=0.069).&nbsp;الگوریتم ماشین بردار تک کلاسه رویکرد محافظه‌کارانه‌تری در برچسب‌گذاری ناهنجاری‌ها اتخاذ کرد و عمدتاً در تشخیص اختلالات شدید، به‌ویژه در شاخص NBR,</span>&nbsp;&nbsp;<span dir="RTL" lang="FA">مؤثرتر بود (F1=0.035).&nbsp;</span>&nbsp;<span dir="RTL" lang="FA">تحلیل هم‌پوشانی </span><span dir="RTL" lang="AR-SA">و تمایز شاخص‌ها </span><span dir="RTL" lang="FA">&nbsp;نشان می‌دهد NDVI</span>&nbsp;&nbsp;<span dir="RTL" lang="FA">کاهش تدریجی کلروفیل را ثبت می‌کند، EVI</span>&nbsp;&nbsp;<span dir="RTL" lang="FA">در پوشش گیاهی متراکم </span>و NBR&nbsp;<span dir="RTL" lang="FA">در شناسایی رخدادهای شدید نظیر آتش‌سوزی و خشکسالی نقش مکمل ایفا می‌کنند. استفاده هم‌زمان از این شاخص‌ها دامنه قابل تشخیص از نوسانات ظریف تا اختلالات گسترده را پوشش می‌دهد</span>.<span dir="RTL"> یافته‌ها نشان می‌دهد که تلفیق داده‌های سنتینل-۲ با مدل‌های سبک یادگیری ماشین، چارچوبی قابل‌توسعه، بازتولیدپذیر و کارا برای پایش ناهنجاری‌های محیطی در مقیاس‌های وسیع فراهم می‌سازد. این رویکرد وابستگی به داده‌های میدانی پرهزینه را به حداقل رسانده و امکان استفاده عملی در پایش خشکسالی، مدیریت بحران‌های محیطی، پایش سلامت اکوسیستم‌ها و برنامه‌ریزی کشاورزی هوشمند را فراهم می‌کند. برای تحقیقات آینده، تلفیق داده‌های طیفی مرتبط با رطوبت و حرارت، سری‌های زمانی با تفکیک زمانی بالاتر و به‌کارگیری تنظیم پارامترهای فراابتکاری پیشنهاد می‌شود تا پایداری و دقت بیشتر حاصل گردد.</span></span></span></span></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#181717;"><span style="font-size:14px;"><span style="font-family:yekanYW;">Monitoring vegetation cover changes and environmental anomalies is essential for ecosystem management, precision agriculture, and early warning systems. Given the complexity of spatiotemporal environmental patterns, multi-temporal satellite data offer an efficient approach to track gradual and abrupt changes. In this study, time-series data from the Sentinel-2 sensor and spectral indices NDVI, EVI, and NBR are used as indicators sensitive to chlorophyll content and severe disturbances, along with lightweight, unsupervised algorithms Isolation Forest, Local Outlier Factor (LOF), and One-Class Support Vector Machine to identify anomalies. Model performance evaluation shows that the Isolation Forest algorithm provides the most balanced and robust performance (Accuracy = 0.886, Precision = 0.065, Recall = 0.250, F1 = 0.103). The Local Outlier Factor algorithm demonstrated higher sensitivity to localized patterns but had lower stability in noisy data (F1 = 0.069). The One-Class SVM adopted a more conservative labeling approach and was mostly effective at detecting severe disturbances, especially with the NBR index (F1 = 0.035). Overlap and Distinction Analysis of Indices that NDVI captures gradual chlorophyll decline, EVI performs better in dense vegetation, and NBR plays a crucial role in identifying severe events such as wildfires and droughts. The concurrent use of these indices broadens the detectable range from subtle fluctuations to large-scale disturbances. Findings show that integrating freely available Sentinel-2 data with lightweight machine learning models yields a scalable, reproducible, and efficient framework for large-scale environmental anomaly monitoring. This approach minimizes reliance on costly field data and enables practical applications in drought monitoring, environmental-crisis management, ecosystem health assessment, and smart agricultural planning. For future work, integrating moisture- and temperature-related spectral data, higher temporal resolution time series, and metaheuristic parameter tuning is recommended to further enhance robustness and accuracy.</span></span></span></span></div> ناهنجاری‌های محیطی, شاخص‌های طیفی, یادگیری ماشین, تصاویر ماهواره‌ای چندزمانه, الگوریتم‌های سبک. Environmental anomalies, spectral indices, machine learning, multi-temporal satellite imagery, lightweight algorithms. 342 365 http://gnf.khu.ac.ir/browse.php?a_code=A-10-762-3&slc_lang=fa&sid=1 Mohammad Javad Shojaei محمد جواد شجاعی moham.shojaei@Mail.sbu.ac.ir 10031947532846006175 10031947532846006175 No Shahid Beheshti University دانشگاه شهید بهشتی Asghar Milan اصغر میلان a_milan@sbu.ac.ir 10031947532846006176 10031947532846006176 Yes Shahid Beheshti University دانشگاه شهید بهشتی