امروزه شناسایی لندفرم ها و طبقه بندی زمین مبتنی بر روش کارشناسی است که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود و روشی وقت گیر و دارای دقت کمی است. از این رو، استفاده از روش های نیمه خودکار و خودکار به منظور طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار ضروری به نظر می رسد. این پژوهش سعی دارد که به طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های عصبی خودسازمانده (SOM) در حوضه آبخیز گاوخونی بپردازد. پژوهش از نوع تحلیل و توصیفی مبتنی بر روش های آماری، نرم افزار و میدانی است؛ بدین صورت که به منظور استفاده از الگوریتم SOM برای طبقه بندی لندفرم ها از شش پارامتر استفاده شد شامل جهت (aspect)، ارتفاع (elevation)، شیب (slope)، پروفیل طولی و عرضی (plan, profile) و انحنا (curvature). برای این منظور، ابتدا با استفاده از شاخص موقعیت توپوگرافی (TPI)، لندفرم های منطقه مورد مطالعه طبقه بندی شد. از کلاس های لندفرم حاصل از TPI به منظور آموزش مدل SOMاستفاده شد. در مرحله بعد، پنجاه نقطه به عنوان نمونه برای آموزش شبکه استفاده شد. نتایج حاصل از طبقه بندی لندفرم ها با استفاده از الگوریتم SOM نشان داد که شش خوشه (کلاس) در محدوده مورد مطالعه وجود دارد، به طوری که خوشه 1 و 5 شامل لندفرم هایی است که در ارتفاعات زیاد قرار دارد و خوشه 3 شامل لندفرم هایی است که در کمترین ارتفاع واقع شده است. بقیه خوشه ها شامل لندفرم هایی هستند که در ارتفاعات متوسط در حوضه آبخیز مورد مطالعه قرار دارد. بنابراین از الگوریتم فوق می توان به منظور پیش بینی لندفرم های منطقه مورد مطالعه استفاده کرد.