سنجش از دور
محمدرضا زرگر؛ امیر آقابالائی؛ صفا خزائی؛ علی مهتدی
چکیده
پیشینه و اهداف: با گسترش دادههای سنجش از دور راداری و افزایش دسترسی به تصاویر باکیفیت از طریق سنجندههایی مانند سنتینل-۱، تحلیل تغییرات در سطح زمین از طریق یادگیری عمیق به یکی از حوزههای راهبردی و نوظهور در علوم مکانی تبدیل شده است. تصاویر راداری با قابلیت تصویربرداری شبانهروزی، نفوذ در ابر، و حساسیت به ویژگیهای ساختاری زمین، ...
بیشتر
پیشینه و اهداف: با گسترش دادههای سنجش از دور راداری و افزایش دسترسی به تصاویر باکیفیت از طریق سنجندههایی مانند سنتینل-۱، تحلیل تغییرات در سطح زمین از طریق یادگیری عمیق به یکی از حوزههای راهبردی و نوظهور در علوم مکانی تبدیل شده است. تصاویر راداری با قابلیت تصویربرداری شبانهروزی، نفوذ در ابر، و حساسیت به ویژگیهای ساختاری زمین، اطلاعات غنی اما پیچیدهای فراهم میکنند که تحلیل آنها نیازمند بهرهگیری از معماریهای هوشمند یادگیری ماشین است. در این راستا، مقاله حاضر با هدف مرور نظاممند روشهای مبتنی بر یادگیری عمیق در شناسایی تغییرات در تصاویر راداری، با تمرکز بر تحلیل تطبیقی معماریها، نقاط قوت و ضعف آنها و چشماندازهای آینده طراحی شده است.روشها: این مرور بر اساس رویکرد مرور نظاممند در بازه زمانی ۲۰۱۴ تا ۲۰۲۵، شامل ۴۴ مقاله منتخب از پایگاههای معتبر مانند IEEE، Elsevier و MDPI است. معیارهای انتخاب شامل استفاده از دادههای SAR، بهرهگیری از الگوریتمهای یادگیری عمیق، گزارش معیارهای کمی مانند دقت و F1-score و کاربردهای عملیاتی در حوزههایی چون پایش شهری، منابع طبیعی و بلایای طبیعی بوده است. مقالات بر اساس نوع یادگیری (نظارتی، بدوننظارت، خودنظارتی، چندمنبعی) و نوع معماری (MLP، CNN، U-Net، Autoencoder، LSTM، GAN و MSCDUNet) طبقهبندی شدهاند و در قالب جداول مقایسهای تحلیل شدهاند.یافتهها: نتایج نشان میدهد معماریهای نظارتشده نظیر U-Net با دقت تا 95% و F1 در بازه 85/0 تا 93/0، بهویژه در کاربردهای شهری و ارزیابی خسارات بلایای طبیعی، بهترین عملکرد را داشتهاند. در حوزه بدوننظارت، ترکیب CNN با خوشهبندی فازی (FCM) به دقتی تا 6/99% دست یافته است. مدلهای مبتنی بر Autoencoder در کاهش نویز و فشردهسازی اطلاعات موفق عمل کردهاند و معماریهای GAN با دادهافزایی، عملکرد شبکهها را بهبود بخشیدهاند. مدلهای چندمنبعی مانند MSCDUNet که دادههای راداری و نوری را تلفیق میکنند، F1 معادل 93/0 را گزارش کردهاند. با این حال، کمبود گزارشهای کمی استاندارد مانند F1، ضعف تعمیمپذیری مدلها، و پیچیدگی پردازش دادههای ناهمگن، از چالشهای موجود محسوب میشود.نتیجهگیری: با وجود پیشرفتهای چشمگیر در کاربرد یادگیری عمیق در شناسایی تغییرات، چالشهایی مانند کمبود دادههای برچسبخورده، عدم دسترسی به مجموعهدادههای مرجع چندمنبعی، و ضعف الگوریتمهای سبک برای کاربردهای بلادرنگ همچنان پابرجاست. توسعه الگوریتمهای خودنظارتی مانند یادگیری تضادمحور، طراحی معماریهای مقاوم به نویز و سبک برای UAVها و سامانههای لبهای، و تدوین پایگاههای داده باز و معیارمحور از جمله اولویتهای آتی این حوزه است. مطالعه حاضر با ارائه طبقهبندی ساختاریافته و تحلیل تطبیقی عملکرد الگوریتمها، تلاش دارد زمینه تصمیمسازی هوشمند در طراحی سامانههای تحلیل تغییرات را برای پژوهشگران و توسعهدهندگان مهیا سازد.
