مدل پیش‌بینی برای نقاط باستانی- مقایسه روش ماکزیمم آنتروپی و وزن‌های شواهد مطالعه موردی: استان خراسان شمالی

حفاظت و شناسایی محوطه‌های باستانی با توجه به تهدیدات ناشی از شهرسازی، گسترش کشاورزی و توسعه زیرساخت‌ها اهمیت روزافزونی یافته است. کاوش‌های میدانی سنتی، اگرچه موثر، اما زمان‌بر و پرهزینه‌اند. مدل‌سازی پیش‌بینی فضایی با استفاده از عوامل محیطی و داده‌های مکان‌های شناخته‌شده، ابزاری کارآمد برای شناسایی مناطق با پتانسیل باستانی بالاست. این مطالعه به مقایسه دو روش مدل‌سازی پیش‌بینی، وزن‌های شواهد (woe) و ماکزیمم آنتروپی (maxent)، در شناسایی محوطه‌های باستانی در استان خراسان شمالی، ایران، می‌پردازد. این منطقه به دلیل کشف اخیر یک کاخ هخامنشی در نزدیکی آشخانه از اهمیت باستانی برخوردار است. در این پژوهش، داده‌های 980 محوطه باستانی به‌صورت تصادفی به مجموعه‌های آموزشی (70%) و اعتبارسنجی (30%) تقسیم شدند. شش متغیر محیطی شامل ارتفاع، شیب، فاصله از رودخانه‌ها، پوشش گیاهی، آبادی‌ها و زمین‌شناسی با رزولوشن 30 متر در محیط gis پردازش شدند. مدل woe با رویکرد بیزین و آزمون استقلال شرطی (کای‌اسکوئر) و مدل maxent بدون نیاز به استقلال متغیرها اجرا شدند. نتایج نشان داد maxent با نرخ موفقیت آموزشی 88.65% و اعتبارسنجی 88.20% نسبت به woe (83.26% و 83.00%) عملکرد بهتری دارد. نزدیکی به آبادی‌ها و رودخانه‌ها مهم‌ترین عوامل پیش‌بینی کننده بودند. maxent به دلیل انعطاف‌پذیری و عدم نیاز به استقلال متغیرها، برای محیط‌های پیچیده مناسب‌تر است، درحالی‌که woe به دلیل سادگی برای پروژه‌های کوچک‌تر کارآمد است. پیشنهاد می‌شود در تحقیقات آتی از روش‌های ترکیبی و داده‌های با وضوح‌بالا برای بهبود دقت استفاده شود.

prediction model for archaeological site locations- comparison of maximum entropy and weights-of-evidence: a case study of north khorasan province

the protection and identification of archaeological sites have become increasingly important due to threats posed by urbanization, agricultural expansion, and infrastructure development. while traditional field surveys are effective, they are often time-consuming and costly. spatial predictive modeling using environmental variables and known site data provides an efficient tool for identifying areas with high archaeological potential. this study compares two predictive modeling methods—weights of evidence (woe) and maximum entropy (maxent)—for identifying archaeological sites in north khorasan province, iran. this region holds archaeological significance following the recent discovery of an achaemenid palace near ashkhaneh. a dataset of 980 archaeological sites was randomly divided into training (70%) and validation (30%) sets. six environmental variables—elevation, slope, distance from rivers, vegetation cover, proximity to settlements, and geology—were processed in a gis environment at a 30-meter resolution. the woe model was implemented using a bayesian approach and conditional independence testing (chi-square), while maxent was applied without requiring variable independence. results showed that maxent outperformed woe, with training and validation success rates of 88.65% and 88.20%, respectively, compared to 83.26% and 83.00% for woe. proximity to settlements and rivers were the most influential predictive factors. due to its flexibility and independence from variable assumptions, maxent is more suitable for complex environments, whereas woe remains effective for smaller-scale projects due to its simplicity. future research is recommended to incorporate hybrid models and high-resolution datasets to enhance prediction accuracy.