به دلیل تغییر سریع جوامع بشری و به تبع آن رشد و گسترش شهرها، مطالعه این تغییرات به منظور کنترل و مدیریت هر چه بهتر شهری و کمک به تصمیم‌گیران جهت گرفتن تصمیم‌های کاربردی امری ضروری می‌باشد. در امر تشخیص تغییر، طبقه‌بندی تصاویر و ارائه یک راه‌کار مناسب برای آن نقشی اساسی ایفا می‌کند. برای این منظور روش‌های بسیاری وجود دارد که آن‌ها را می-توان به دو دسته کلی روش‌های پیکسل مبنا و روش‌های شی پایه تقسیم‌بندی نمود که روش‌های شی‌پایه معمولاً نتایج قابل اعتمادتری ارائه می‌دهند. به منظور طبقه‌بندی نظارت شده شی‌گرا نیاز به داده‌های آموزشی وجود دارد. با توجه به روش‌های انتخاب داده آموزشی و وابسته بودن این کار به اپراتور مجرب، این قسمت مرحله‌ای پرهزینه و زمان‌گیر در روند کشف تغییرات می‌باشد. هدف اصلی این تحقیق استخراج نقشه تغییرات با بهره‌گیری حداکثری از نقشه قدیمی از طریق استخراج و پالایش داده‌های آموزشی می‌باشد. در این راستا به استخراج نمونه‌های آموزشی از نقشه و انجام خالص سازی آن‌ها با استفاده از روش‌های K نزدیک‌ترین همسایه و k-means برای استفاده در طبقه‌بندی پرداخته شده است. نتایجی که از ویرایش داده‌های آموزشی برای استفاده در طبقه‌بندی حاصل شد، موجب بهبود 15 درصدی در دقت طبقه‌بندی گردید. همچنین دقت نقشه تغییرات به دست آمده در بهترین حالت نیز 09/98 درصد می‌باشد.