روشهای کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایهگذاری شدهاند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیتها استوار است که بیشتر با روشهای محاسبات نرم مطابقت دارد، که این روشها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تئوری پیوندزنی مطرح شد که با عنوان سیستمهای ترکیبی هوشمند شناخته میشوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب میشود تا کاستیها و نواقص روشهای منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدلسازی شدهاست. برای اینکار از تصاویر سنسور TM ماهواره لندست ۵ سال ۱۹۹۹ و سنسور OLI متعلق به لندست ۸ برای سال ۲۰۱۷ استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در ۲۰۰ نقطه نمونهبرداری شد. سپس ۷ فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای ۲۰۰ نقطه محاسبه شد. برای ارزیابی عملکرد مدلها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتمLevenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient به ترتیب ۵۰,۰۵۳، ۴۰,۰۷۰ و ۸۰,۰۹۰ بدستآمد. MSE برای مدل عصبی-فازی با الگوریتم بهینهسازی و روش ترکیبی به ترتیب ۰۰,۰۱۹ و ۰.۰۱۰۲ محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیمپذیری میباشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب دادهی مناسب موفقتر بودهاست.