دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Accuracy assessment of direct georeferencing of smartphone’s images in ‎videogerammetry method ‎ ارزیابی دقت توجیه مستقیم تصاویر گوشی‌های هوشمند در روش ویدئوگرامتری ‏ 201 218 2389 10.22061/jrsgr.2025.11753.1096 FA مهران شفیعی گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران اصغر میلان گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران علیرضا وفایی‌نژاد گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2025 02 13 <strong>Background and Objectives: </strong>The integration of imaging technologies with geolocation sensors such as GPS, accelerometers, gyroscopes, and compasses enables precise determination of the camera’s position and orientation during image capture. This capability plays a crucial role in simplifying the georeferencing process of 3D models, particularly in mobile mapping systems and short-range terrestrial applications. In this context, smartphones, equipped with these geolocation sensors, have gained significant prominence as imaging devices. This study examines the feasibility of direct georeferencing of 3D models generated through Structure-from-Motion (SFM) photogrammetry using camera position and orientation data simultaneously recorded by the sensors embedded in a smartphone.<br /><strong>Methods:</strong> The research data comprises ground control points collected using a Leica TS09 R1000 total station in reflector less mode, along with data obtained from an iPhone 13 Pro smartphone. In the proposed method, the relative orientation parameters estimated by the Structure-from-Motion algorithm were refined using orientation parameters directly measured by the smartphone’s motion sensors. Image acquisition was conducted under static conditions; therefore, the estimated and measured angles at each station should remain constant and, in the absence of errors, should be identical. The final model was oriented using the average of the measured angles at each station. The measured distance was then used to establish the model scale, and the average coordinates obtained at each station were employed to transform the model into the UTM coordinate system. Additionally, an alternative model was generated using the precise positions of the imaging stations via indirect georeferencing. The RMSE of the check points was used as the accuracy assessment metric for the proposed method.<br /><strong>Findings:</strong> The studied stockpile was approximately 150 meters in length and 25 meters in height, oriented roughly from south to north. In this study, five 3D models were generated based on the collected data. The first model was constructed solely using images, positional data, and angles recorded by the smartphone’s sensors. Subsequently, coded targets were incrementally added as control points, with one, two, and three control points being incorporated into the equations. The fifth model was generated using the same images but with the precise coordinates of twelve imaging stations measured by a total station.<br />In the first model, the positioning error remained at the accuracy level of the iOS single-point positioning system (approximately 2 meters in planimetric accuracy and 11 meters in height). In the model with a single control point, aligning the model with the low-accuracy GPS coordinates from the smartphone resulted in an azimuth calculation error, leading to model rotation. Although the model was correctly transferred, the azimuth error caused a misalignment with the reference system, resulting in an error of approximately 0.40 meters. With the addition of two and three control points, accuracy improved, reaching 0.004 meters, which matched the accuracy achieved using precise camera center coordinates. In the fifth case, where the exact coordinates of the imaging stations were used, an accuracy of 0.0007 meters was obtained.<br /><strong>Conclusion:</strong> As observed, GPS accuracy remains the most challenging aspect of this system. Most smartphones do not provide raw GNSS data or high-quality raw positioning data; instead, they only offer the final processed position determined by the operating system. Given the hardware and environmental limitations, the following considerations are recommended for future studies:<br /><br />a) Development of a handheld mobile mapping system by integrating survey-grade GPS with a smartphone camera.<br /><br />b) Since the study area consists of earthwork features with irregular shapes, when applying this method to structured objects such as buildings, it is recommended to refine the relative exterior orientation parameters of images using constraints derived from prominent vertical and horizontal features in the scene and incorporating them into the bundle adjustment process. <strong>پیشینه و اهداف</strong><strong>:</strong> ادغام فناوری‌های تصویربرداری با حسگرهای مکان‌نگاری نظیر GPS، شتاب‌سنج، ژیروسکوپ و قطب‌نما، امکان تعیین دقیق وضعیت و موقعیت دوربین در هنگام تصویربرداری را فراهم کرده است. این قابلیت، به‌ویژه در سامانه‌های نقشه‌برداری سیار و کاربردهای برد کوتاه زمینی،<strong> </strong>نقش کلیدی در ساده‌سازی فرآیند ارجاع جغرافیایی مدل‌های سه‌بعدی ایفا می‌کند. در این میان، تلفن‌های هوشمند به‌عنوان دوربین‌هایی مجهز به این حسگرهای مکان‌نگار، جایگاهی ویژه پیدا کرده‌اند. در این مطالعه، قابلیت ارجاع جغرافیایی مستقیم مدل سه‌بعدی حاصل از روش فتوگرامتری ساختار ناشی از حرکت<strong> </strong>با استفاده از داده‌های موقعیت و وضعیت دوربین که به‌صورت همزمان توسط حسگرهای موجود در گوشی هوشمند اندازه‌گیری شده‌اند، بررسی شده است.<br /><strong>روش‌ها‌:</strong> داده‌های پژوهش شامل نقاط برداشت ‌شده با استفاده از توتال‌استیشن Leica TS09 R1000 در حالت بدون منشور، همراه با داده‌های جمع‌آوری‌ شده به­وسیله تلفن هوشمند iPhone 13 Pro است. در روش پیشنهادی، پارامترهای جهت‌گیری نسبی که در الگوریتم ساختار ناشی از حرکت تخمین زده شده‌اند، با استفاده از پارامترهای جهت‌گیری که مستقیماً از طریق حسگرهای حرکتی تلفن هوشمند اندازه­گیری شده­اند، اصلاح گردید. عکسبرداری در شرایط ایستا انجام شد، بنابراین زوایای تخمینی و اندازه­گیری شده در هر ایستگاه باید دارای مقداری ثابت و در صورت عدم وجود خطاها با هم برابر باشند. برای جهت ‌دهی مدل نهایی، از میانگین زوایای اندازه‌گیری‌ شده در هر ایستگاه استفاده شد. سپس، طول اندازه­گیری شده با متر برای تعیین مقیاس مدل و میانگین مختصات به‌دست ‌آمده در هر ایستگاه جهت انتقال مدل به سیستم مختصات UTM به­کار رفت. همچنین یک مدل با استفاده از موقعیت دقیق ایستگاه‌های عکسبرداری به روش ارجاع جغرافیایی غیرمستقیم تولید و RMSE نقاط چک مبنای ارزیابی دقت روش پیشنهادی قرار گرفت.<br /><strong>یافته‌ها:</strong> دپو مورد مطالعه حدود 15۰ متر طول و 25 متر ارتفاع داشت و جهت آن تقریباً جنوب به شمال بود. در این مطالعه پنج مدل سه‌بعدی بر اساس داده‌های جمع‌آوری ‌شده تولید گردید. مدل اول صرفاً با استفاده از تصاویر، داده‌های موقعیتی، و زوایای ثبت ‌شده توسط حسگرهای تلفن هوشمند ساخته شد و در ادامه به­ترتیب 1، 2 و 3 نشانگر کددار به­عنوان نقطه کنترل به معادلات اضافه شد. مدل پنجم بر پایه همان تصاویر اما با مختصات دقیق دوازده ایستگاه عکسبرداری که با توتال­استیشن اندازه‌گیری شده بودند تولید گردید. در مدل اول میزان خطا همچنان در حد دقت تعیین موقعیت تک نقطه­ای سیستم iOS (حدود 2 متر مسطحاتی و 11 متر ارتفاعی) باقی ماند. در مدل با استفاده از یک نقطه کنترل، تطبیق مدل با مختصات کم‌­دقت GPS گوشی هوشمند باعث ایجاد خطا در محاسبه ژیزمان و در نتیجه چرخش مدل گردید. اگرچه انتقال مدل به­درستی انجام شد، اما به­دلیل چرخش ناشی از خطای ژیزمان، مدل نسبت به سیستم مرجع زاویه‌ دار شده و تطابق کامل حاصل نشد و خطای حدود 40/0 متر ایجاد کرد. در ادامه با افزایش تعداد نقاط کنترل به 2 و 3 دقت نیز افزایش و به 004/0 متر و برابر با حالت استفاده از مختصات دقیق مراکز دوربین رسید. همچنین در حالت پنجم یعنی استفاده از مختصات دقیق مراکز ایستگاه­ها دقت 0007/0 متر حاصل شد.<br /><strong>نتیجه‌گیری:</strong> همانطور که مشاهده شد، دقت GPS همچنان چالش ‌برانگیزترین بخش این سیستم است. بیشتر تلفن‌های هوشمند، به جای ارائه داده‌های خام یا داده‌های خام با کیفیت GNSS، تنها موقعیت نهایی پردازش‌ شده توسط سیستم ‌عامل<strong> </strong>را در اختیار کاربر قرار می‌دهند. با توجه به محدودیت­های سخت­افزاری و محیطی مطالعه پیشنهاد می­شود، توسعه یک سیستم نقشه‌برداری متحرک دستی از طریق ادغام GPS نقشه­برداری و دوربین تلفن هوشمند در مطالعات بعدی مورد توجه قرار گیرد همچنین با توجه به اینکه در مطالعه عملیات خاکی عوارض با اشکال منظم وجود ندارد اما هنگام استفاده از این روش در مواجه با عوارض با اشکال هندسی منظم مانند ساختمان­ها پیشنهاد می­شود، اصلاح پارامترهای جهت­گیری خارجی<strong> </strong>نسبی تصاویر با استفاده از محدودیت‌های ویژگی‌های موجود در صحنه (ویژگی­های عمودی و افقی بارز) و تلفیق آن در باندل­اجستمنت مورد مطالعه قرار گیرد. https://jrsgr.sru.ac.ir/article_2389_476df5f7726ab8def463a3b8c1189278.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 ‎2D Floorplan Extraction of Indoor Spaces from Mobile Laser Scanner Point Clouds ‎Using Deep Learning Methods استخراج نقشه‌ دو‌بعدی فضاهای داخلی ساختمان با روش‌های یادگیری عمیق از ابرنقاط لیزر ‏اسکنر‌های همراه 219 234 2400 10.22061/jrsgr.2025.12127.1100 FA مرتضی حیدری مظفر گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران زهرا دالوند گروه کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا Journal Article 2025 05 04 <strong>Background and Objectives:</strong> The extraction of 2D floorplans of building interiors plays a vital role in various domains, including architecture, surveying, building information modeling (BIM), robotics, and virtual reality. Mobile laser scanners capture the geometric structure of indoor environments with millimeter-level accuracy and record the results as point cloud data. Point clouds are a rich source of information for generating 2D floorplans of indoor spaces. However, surface reflection noise, occlusions caused by indoor objects, and the non-uniform density of points pose significant challenges for processing such data. Initially, 2D floorplan extraction relied on classical geometric methods. In recent years, however, deep learning-based approaches have gained increasing attention due to their strong ability to understand complex patterns and their robustness to noise. The main objective of this study is to present an effective framework for extracting 2D floorplans of building interiors from point cloud data using deep learning methods and to compare its performance with that of classical techniques.<br /><strong>Methods:</strong> In this study, an effective framework is proposed for extracting 2D floorplans of indoor building spaces from point cloud data, consisting of three sequential steps: data preprocessing, model implementation, and final evaluation. This framework enables a direct comparison between classical methods and deep learning approaches within a unified setting. Point cloud data are inherently discrete and unstructured, making direct processing challenging. In the preprocessing step, point clouds were projected onto a 2D space to generate density images, thereby reducing computational complexity. In the second step, two deep learning models, U-Net and Pix2Pix, as well as the classical Hough Transform algorithm, were implemented, with the density images serving as a common input for all methods. In the third step, the proposed framework was evaluated using publicly available datasets, including FloorNet and Structure3D. The input data were split into training, validation, and test sets, and data augmentation techniques were applied to improve model generalization. The performance of the models was assessed using the Dice Score and Intersection over Union (IoU) metrics.<br /><strong>Findings:</strong> Deep learning models demonstrated satisfactory performance on samples without occlusions, achieving accuracy levels above 90%. In particular, the U-Net model achieved a Dice Score of 97% on the Structure3D dataset. However, in samples containing occlusions, the models were unable to fully extract the floorplans. In contrast, the Hough Transform algorithm performed reasonably well in line detection but exhibited limitations in generating coherent and topologically valid outputs suitable for indoor map modeling due to its inability to capture topological structure. Moreover, the trial-and-error process required to tune the algorithm’s parameters significantly increased its runtime.<br /><strong>Conclusion:</strong> The findings of this study indicate that deep learning methods, when provided with complete data, are capable of accurately and structurally extracting 2D floorplans from point clouds. However, under real-world conditions where occlusion is inevitable, developing models that are robust to incomplete data becomes essential. To address this challenge, future research directions include employing hybrid architectures and incorporating complementary data sources such as RGB images or depth maps. The proposed framework in this study serves as an effective step toward the systematic comparison of 2D floorplan extraction methods and provides a foundation for developing more advanced models suitable for real-world applications.  <strong>پیشینه و اهداف:</strong> استخراج نقشه‌ دوبعدی فضاهای داخلی ساختمان در حوزه‌های مختلف ازجمله معماری،  نقشه‌برداری، مدل‌سازی اطلاعات ساختمان (BIM)، رباتیک و واقعیت مجازی نقش حیاتی دارد. اسکنرهای لیزری همراه، ساختار هندسی محیط را با دقت میلی‌متری اندازه‌گیری کرده و نتایج حاصل را به صورت داده‌های ابرنقاط ثبت می‌کنند. داده‌های ابرنقاط، منبع غنی اطلاعات برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان هستند.  با‌‌این‌حال، عواملی مانند نویز ناشی از بازتاب‌های سطحی، انسداد دید توسط اجسام درون ساختمان و تراکم غیریکنواخت نقاط، پردازش این نوع داده‌ را با چالش مواجه می‌کنند. در ابتدا استخراج نقشه‌ دوبعدی ساختمان، با تکیه بر روش‌های کلاسیک هندسی انجام می‌شد و در سال‌های اخیر، روش‌های مبتنی بر یادگیری عمیق به‌دلیل توانایی بالا در درک الگوهای پیچیده و مقاومت در برابر نویز به‌طور فزاینده‌ای مورد توجه قرار گرفته‌اند. هدف این پژوهش، ارائه یک چارچوب موثر برای استخراج نقشه‌ دوبعدی فضاهای داخلی ساختمان از داده‌های ابرنقاط با استفاده از روش‌های یادگیری عمیق و مقایسه عملکرد آن با روش‌های کلاسیک است.<br /><strong>روش‌ها‌</strong><strong>:</strong> در این پژوهش، یک چارچوب موثر برای استخراج نقشه دوبعدی فضاهای داخلی ساختمان از داده‌های ابرنقاط پیشنهاد شده است که شامل سه گام متوالی پیش‌پردازش داده‌ها، پیاده‌سازی و ارزیابی نهایی مدل‌ها است. این چارچوب امکان مقایسه مستقیم روش‌های کلاسیک و یادگیری عمیق را در یک بستر مشترک فراهم می‌کند. داده‌های ابرنقاط دارای ساختار گسسته و غیر‌ساخت‌یافته هستند و پردازش مستقیم آن‌ها دشوار است. در گام پیش‌پردازش داده‌ها، ابتدا با نگاشت ابرنقاط به فضای دوبعدی، تصاویر تراکم تولید شد تا پیچیدگی محاسباتی کاهش یابد. درگام دوم، دو مدل یادگیری عمیق U-Net و Pix2Pix و الگوریتم کلاسیک تبدیل هاف پیاده‌سازی شد و تصاویر تراکم به‌عنوان ورودی مشترک این روش‌ها استفاده شد. در گام سوم به منظور ارزیابی عملکرد روش پیشنهادی، آزمایش‌ها روی مجموعه‌داده‌های دردسترس FloorNet و Structure3D انجام شد. داده‌های ورودی به سه مجموعه داده آموزشی، اعتبارسنجی و آزمون تقسیم شده‌اند و به ‌منظور ارتقای تعمیم‌پذیری، تکنیک‌های داده‌افزایی اعمال شده است. ارزیابی عملکرد مدل‌ها با استفاده از معیارهای Dice Score و IoU انجام شد.<br /><strong>یافته‌ها:</strong> مدل‌های یادگیری عمیق در نمونه‌های فاقد انسداد، عملکرد قابل قبولی داشته و دقت  بیش از ۹۰٪ نشان دادند. به‌ویژه، مدل U-Net در مجموعه داده Structure3D به دقت ۹۷٪ در معیار Dice Score دست یافت. با‌این‌حال، مدل‌ها درنمونه‌هایی که شامل عارضه انسداد بودند، نتوانستند نقشه را به طور کامل استخراج کنند. در مقابل، الگوریتم تبدیل هاف در تشخیص خطوط عملکرد قابل قبول داشت اما به‌دلیل عدم تشخیص ساختار توپولوژیک، در تولید خروجی‌های منسجم و قابل‌استفاده برای مدل‌سازی نقشه‌های داخلی محدودیت دارد. هم‌چنین آزمون و خطا برای تنظیم مقادیر پارامترها، باعث افزایش قابل توجه زمان اجرای الگوریتم شد.<br /><strong>نتیجه‌گیری:</strong> یافته‌های این پژوهش نشان داد که روش‌های یادگیری عمیق، در صورت وجود داده‌های کامل، قادر به استخراج دقیق و ساخت‌یافته نقشه‌ دوبعدی از داده‌های ابرنقاط هستند اما در شرایط واقعی که عارضه انسداد اجتناب‌ناپذیر است، توسعه‌ مدل‌های مقاوم‌ نسبت به داده ناقص ضروری است. برای این منظور بهره‌گیری از معماری‌های ترکیبی، استفاده از منابع اطلاعاتی مکمل نظیر تصاویر RGB یا داده‌های عمق مسیر پژوهش‌های آینده است. چارچوب پیشنهادی این پژوهش، گامی مؤثر در جهت مقایسه‌ی نظام‌مند روش‌های استخراج نقشه دوبعدی و ایجاد بستر توسعه برای مدل‌های پیشرفته‌تر در کاربردهای واقعی تلقی می‌شود.  https://jrsgr.sru.ac.ir/article_2400_407127aaaa3c8a7697aece7a73ea414c.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 A Systematic Review of Machine Learning Methods for Change Detection in ‎Radar and Optical Images with a Focus on Deep Learning مروری نظام‌مند بر روش‌های یادگیری ماشین در شناسایی تغییرات تصاویر راداری و اپتیکی با تمرکز ‏بر یادگیری عمیق 235 256 2402 10.22061/jrsgr.2025.12190.1104 FA محمدرضا زرگر گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران ‏ امیر آقابالائی گروه نقشه برداری و داده های مکانی، دانشکده عمران، آب و انرژی، دانشگاه جامع امام حسین (ع)، تهران، ایران صفا خزائی گروه مهندسی اثر، دانشکده پدافند غیرعامل، دانشگاه جامع امام حسین (ع)، تهران، ایران علی مهتدی گروه نقشه برداری، دانشکده فنی و مهندسی، موسسه آموزش عالی حکمت، قم، ایران ‏ Journal Article 2025 04 29 <strong>Background and Objectives:</strong> With the expansion of radar remote sensing data and increased access to high-resolution imagery through sensors such as Sentinel-1, change detection using deep learning has emerged as a strategic and innovative field in geospatial sciences. Radar imagery, with its capabilities for day-and-night imaging, cloud penetration, and sensitivity to structural characteristics of the Earth’s surface, provides rich but complex data requiring advanced machine learning architectures for effective analysis. Accordingly, this study aims to systematically review deep learning-based methods for change detection in radar images, with a focus on comparative analysis of architectures, their strengths and limitations, and future research directions.<br /><strong>Methods:</strong> This systematic review covers literature published between 2014 and 2025 and includes 44 selected studies from reputable databases such as IEEE, Elsevier, and MDPI. Inclusion criteria involved the use of SAR data, application of deep learning algorithms, availability of quantitative performance metrics (e.g., accuracy and F1-score), and operational relevance in domains such as urban monitoring, natural resource assessment, and disaster management. The studies were classified based on the type of learning approach (supervised, unsupervised, self-supervised, multi-source) and architecture used (MLP, CNN, U-Net, Autoencoder, LSTM, GAN, MSCDUNet), and were analyzed using comparative tables.<br /><strong>Findings:</strong> The results indicate that supervised architectures such as U-Net performed best in urban and disaster-related applications, achieving up to 95% accuracy and F1-scores between 0.85 and 0.93. In unsupervised approaches, combining CNN with fuzzy clustering (FCM) reached accuracy levels up to 99.6%. Autoencoder-based models were successful in denoising and feature compression, while GAN architectures improved network performance through data augmentation. Multi-source models like MSCDUNet, integrating radar and optical data, reported F1-scores of up to 0.93. However, challenges persist, including inconsistent reporting of standard metrics such as F1, limited generalizability of models, and the computational complexity of processing heterogeneous datasets.<br /><strong>Conclusion:</strong> Despite significant advancements in the use of deep learning for change detection, ongoing challenges include the scarcity of labeled data, lack of publicly available benchmark multi-source datasets, and the limited availability of lightweight algorithms for real-time applications. Future research should prioritize self-supervised methods such as contrastive learning, the development of noise-resistant and lightweight architectures for UAV and edge deployments, and the creation of standardized open-access datasets with comprehensive metrics. This study, by offering a structured classification and comparative evaluation of algorithms, aims to inform intelligent decision-making in the design of change detection systems for researchers and developers alike. <strong>پیشینه و اهداف:</strong> 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.<br /><strong>روش‌ها‌:</strong> 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.<br /><strong>یافته‌ها:</strong> 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.<br /><strong>نتیجه‌گیری:</strong>  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. https://jrsgr.sru.ac.ir/article_2402_9ba2acd6730217086450d7d6c946161b.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Multi-objective optimization of CCTV camera placement using artificial ‎intelligence algorithms بهینه سازی چند هدفه جانمایی دوربین مدار بسته با استفاده از الگوریتم‌های هوش مصنوعی 257 270 2398 10.22061/jrsgr.2025.12191.1103 FA حسن صانعی آرانی گروه مدیریت فن آوری اطلاعات ، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران مهدی اسماعیلی گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران محمد علی افشار کاظمی گروه مدیریت صنعتی ، دانشکده مدیریت و اقتصاد ، واحد تهران مرکز،دانشگاه آزاد اسلامی، تهران، ایران Journal Article 2025 04 28 <strong>Background and Objectives:</strong> Optimizing the placement of surveillance cameras is a fundamental component of intelligent urban traffic management systems. Proper camera deployment significantly enhances traffic monitoring accuracy and reduces incident detection time. As a result, the problem of optimal camera placement has long been a research challenge for many scholars. Modern approaches employ multi-objective optimization methods to enable simultaneous analysis of various influential parameters. Despite significant advancements in optimization techniques, current methods rely on 2D and 3D grid-based modeling of the study area, which faces major limitations in complex urban environments. In these methods, the space is divided into a regular grid, and optimal camera locations are selected with appropriate angular rotation. However, in real urban topologies, road networks consist of nested and irregular paths, causing many computed points to fall outside accessible routes. This mismatch between theoretical models and practical conditions severely undermines the effectiveness of traditional methods. Given these limitations, developing a new framework that simultaneously considers real urban topologies, physical constraints, and urban planning requirements has become essential. New methods must integrate actual traffic routes, permissible camera installation points, and mandatory angle adjustments into their models. This requires using realistic virtual traffic data and applying artificial intelligence algorithms for optimization.<br /><strong>Methods:</strong> The current research analyzes urban maps and requires a comprehensive and precise city map to identify optimal locations based on real data. The map is represented as a matrix—a 2D grid of points—where accessible paths and obstacles are defined by different numerical values. Since a street's width includes multiple points, a central row is selected to represent the path, restricting vehicle movement to this route and providing an ideal location for surveillance cameras. The optimal placement process is systematically conducted in four stages after matrix formation. First, origin-destination pairs are randomly generated using population density-based probability distribution. Second, optimal routing for each pair is simulated based on traffic behavior—shortest path selection during normal hours and alternative routes during peak hours. Third, all generated routes are aggregated to create virtual traffic, and path density is calculated for traffic-based optimization. Finally, considering different camera types based on purchase cost and installation expenses, placement is optimized for cost efficiency.<br /><strong>Findings:</strong> One hundred thousand new data points were generated, and two experiments were conducted. The first experiment used a greedy algorithm to maximize camera coverage across all paths. The second experiment applied the proposed method, first identifying high-traffic points, then maximizing coverage in these areas while minimizing installation costs. Results showed that the proposed method improves monitoring efficiency by 40% on new routes and reduces project costs by 6.6%.<br /><strong>Conclusion:</strong> In urban surveillance camera placement, methods focusing solely on maximum path coverage are ineffective, and traffic assessment is crucial for optimization. Additionally, since geometric features of paths are eliminated in the proposed method, it is scalable and applicable to any city and routing system. Furthermore, urban planners often purchase cameras with varying fields of view and brands, which can be leveraged as an opportunity for cost optimization. <strong>پیشینه و اهداف:</strong> بهینه‌سازی جانمایی دوربین‌های مداربسته یکی از ارکان اساسی سیستم‌های هوشمند مدیریت ترافیک شهری است. استقرار صحیح این دوربین‌ها دقت پایش ترافیک را افزایش می‌دهد و زمان تشخیص حوادث را کاهش می‌دهد. بنابراین، مسأله بهینه‌سازی جانمایی دوربین‌ها سال‌ها است به عنوان یک چالش پژوهشی مطرح می‌شود. رویکردهای نوین حل مسئله از روش‌های بهینه‌سازی چندهدفه استفاده می‌کنند تا امکان تحلیل همزمان پارامترهای مختلف را فراهم کنند. با وجود پیشرفت‌های قابل توجه در روش‌های بهینه‌سازی، رویکردهای فعلی مبتنی بر شبکه‌بندی دوبعدی و سه‌بعدی هستند که در محیط‌های شهری پیچیده با محدودیت‌های اساسی مواجه می‌شوند. در این روش‌ها، فضا به صورت یک شبکه منظم تقسیم‌بندی می‌شود و نقاط بهینه برای نصب دوربین‌ها با چرخش زاویه‌ای مناسب انتخاب می‌شوند. اما در توپولوژی واقعی شهرها، شبکه‌های معابر به صورت خطوط تو در تو و غیرمنظم گسترده شده‌اند و بسیاری از نقاط محاسبه‌شده خارج از مسیرهای قابل دسترس قرار می‌گیرند. این ناهماهنگی بین مدل‌های نظری و شرایط عملی، کارایی روش‌های سنتی را به شدت زیر سوال می‌برد. با توجه به این محدودیت‌ها، ارائه یک چارچوب نوین ضروری است که توپولوژی واقعی شهرها، محدودیت‌های فیزیکی و الزامات برنامه‌ریزی شهری را همزمان در نظر بگیرد. روش‌های جدید باید بتوانند مسیرهای واقعی ترافیک، مکان‌های مجاز نصب دوربین و زاویه‌بندی اجباری را در مدل‌های خود ادغام کنند. این امر نیازمند استفاده از روش‌های مبتنی بر داده‌های ترافیک مجازی واقع‌گرا‌ و به‌کارگیری الگوریتم‌های هوش مصنوعی برای بهینه‌سازی است. <br /><strong>روش‌ها:‌</strong> روش پژوهش حاضر نقشه‌های شهری را تحلیل می‌کند و به یک نقشه جامع و دقیق از شهر نیاز دارد تا موقعیت‌های بهینه را بر اساس داده‌های واقعی شناسایی کند. نقشه مورد استفاده به صورت یک ماتریس نمایش داده می‌شود که شبکه‌ای دوبعدی از نقاط است و مسیرهای قابل دسترس و موانع غیرقابل عبور با اعداد مختلف تعریف شده‌اند. از آنجا که عرض یک خیابان شامل چندین نقطه است، یک ردیف از مرکز مسیر به عنوان نماینده مسیر در نظر گرفته می‌شود تا حرکت وسایل نقلیه را به آن محدود کند و مکان ایده‌آلی برای استقرار دوربین‌های نظارتی فراهم نماید. فرآیند جانمایی بهینه پس از تشکیل ماتریس مدل، در چهار مرحله به صورت سیستماتیک انجام می‌شود. در مرحله اول، جفت‌های مبدأ-مقصد به صورت تصادفی با استفاده از توزیع احتمال مبتنی بر تراکم جمعیتی تولید می‌شوند. در مرحله دوم، برای هر جفت مبدأ-مقصد، مسیریابی بهینه با شبیه‌سازی رفتار ترافیکی شهروندان انجام می‌شود. این شبیه‌سازی در دو حالت انجام می‌گیرد: ساعات عادی با انتخاب کوتاه‌ترین مسیر و ساعات شلوغی با انتخاب مسیرهای فرعی. در مرحله سوم، تمام مسیرهای تولید‌شده تجمیع می‌شوند و ترافیک مجازی ساخته می‌شود. سپس تراکم مسیرها محاسبه می‌شود و بهینه‌سازی بر اساس ترافیک انجام می‌گیرد. در مرحله چهارم، با در نظر گرفتن انواع دوربین‌ها بر اساس قیمت خرید و هزینه‌های نصب، جانمایی بر اساس هزینه بهینه می‌شود. <br /><strong>یافته‌ها:</strong> یکصد هزار داده جدید ایجاد شد و دو آزمایش انجام گرفت. در آزمایش اول، از یک الگوریتم حریصانه برای حداکثر کردن پوشش دوربین‌ها در کل مسیر استفاده شد. آزمایش دوم از روش پیشنهادی بهره گرفت که ابتدا نقاط پرتردد را شناسایی می‌کند، سپس پوشش دوربین‌ها را در این نقاط حداکثر می‌کند و در نهایت هزینه‌های نصب را به حداقل می‌رساند. نتایج نشان داد روش پیشنهادی در پایش مسیرهای جدید ۴۰ درصد کاراتر و در اجرای پروژه ۶.۶ درصد مقرون‌به‌صرفه‌تر است. <br /><strong>نتیجه‌گیری:</strong> در جانمایی دوربین های مداربسته شهری  هر روشی که حداکثر پوشش را در مسیرهای شهری در نظر بگیرد کارایی ندارد و سنجش ترافیک عامل مهمی‌برای بهینه‌سازی است. همچنین در روش پیشنهادی  چون ویژگی‌های هندسی مسیرها حذف شده‌اند، این روش‌ مقیاس پذیر بوده و برای هر شهر و سیستم مسیریابی قابل اعمال است . همچنین  برنامه‌ریزان شهری معمولا دوربین های با میدان دید و برندهای متفاوت را خریداری می کنند که می تواند به عنوان فرصت در نظر گرفته شده و هدف دوم بهینه سازی برای کاهش هزینه در نظر گرفته شود. https://jrsgr.sru.ac.ir/article_2398_737ad573a40fe56386beadab7c364464.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 ‎3D Modeling of Shir-Qaleh Castle in Shahmirzad Using UAV-Based ‎Photogrammetry; With an Approach to Documentation, Conservation, ‎Restoration, and Cultural Heritage Zoning مدلسازی سه‌بعدی شیرقلعه شهمیرزاد با استفاده از فتوگرامتری پهپاد‌مبنا؛ با رویکرد مستندسازی، ‏حفاظت، مرمت و تعیین حریم میراث فرهنگی 271 286 2401 10.22061/jrsgr.2025.12148.1102 FA ابوالفضل شهسواری بابوکانی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست دانشگاه شهید بهشتی، تهران، ایران سعید صادقیان گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست دانشگاه شهید بهشتی، تهران، ایران علیرضا وفائی نژاد گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست دانشگاه شهید بهشتی، تهران، ایران داود صدیق پور دانشکده حفاظت و مرمت، دانشگاه هنر اصفهان، ایران Journal Article 2025 04 11 <strong>Background and Objectives:</strong> Three-dimensional modeling and documentation of immovable cultural heritage, especially in the fields of conservation, restoration, and sustainable management of these assets, play a significant role in preserving the historical and cultural identity of communities. This approach not only enables precise and comprehensive recording of the physical and spatial characteristics of historical buildings and sites but also provides a scientific basis for comparative analyses, defining heritage boundaries, damage assessment, and designing restoration programs. Utilizing technologies such as drone-based photogrammetry, as a non-destructive, accurate, and rapid method, allows for comprehensive data acquisition of historical and natural structures with minimal human intervention, facilitating documentation, analysis, and conservation/restoration planning processes. One of the notable advantages of this method is the significant reduction in costs and execution time compared to other surveying and documentation techniques, making it a cost-effective and efficient option.<br />The importance of this method increases in areas with challenging geographical conditions, including mountainous, inaccessible, or restricted-access regions, as it enables precise data collection without the need for prolonged onsite presence. Therefore, drone-based photogrammetry can be considered an innovative and practical solution for recording, conserving, and optimizing planning in projects related to cultural heritage.<br /><strong>Methods:</strong> This research was conducted in three stages: library, field, and office. In the library stage, basic information regarding the historical background, geographical location, and condition of the studied site was collected. In the field stage, ground control points were first surveyed using a dual-frequency satellite positioning receiver, and their precise coordinates were recorded to enable data georeferencing. Then, to capture accurate data of the target area, a DJI Mavic Mini 2 drone was used for aerial photography. During several planned flights, the drone captured a series of high-resolution aerial images from different angles of the castle and its surrounding environment. The images were acquired with appropriate overlap (80% longitudinal and 50% lateral) to enable accurate three-dimensional modeling.<br /><strong>Findings:</strong> Following the completion of field data collection and office-based processing, a set of high-accuracy and high-quality digital products was generated, serving the objectives of the research in documentation, restoration, and conservation of cultural heritage. These products included a precise 3D model of the castle structure, a digital elevation model (DEM) representing surface topography, a high-resolution Ortho mosaic map with geometric corrections, and a 2D plan illustrating the dimensions and spatial layout of architectural elements. The accuracy assessment of the 3D model, conducted using ground control points (GCPs) measured around the study site, revealed planimetric and vertical errors of 2.4 cm and 1.9 cm, respectively, indicating a high level of precision in the final results. Additionally, a topographic map featuring contour lines and a comprehensive site map encompassing all natural and man-made features within the study area were produced. These data provide a solid foundation for environmental analyses, boundary delineation, and risk assessments, effectively supporting processes related to the conservation, restoration, and sustainable management of cultural heritage.<br /><strong>Conclusion:</strong> The use of drone-based photogrammetry in the documentation and three-dimensional modeling of cultural heritage, as a non-destructive, accurate, and cost-effective method, has brought a remarkable transformation in the approaches to recording and conserving historical sites. This technology, utilizing high-resolution aerial images and image processing techniques, enables the production of precise three-dimensional models of buildings, sites, and cultural structures. The resulting data not only provides a realistic digital representation of the current condition of the heritage assets but also serves as a reliable basis for specialized analyses, conservation and restoration planning, and legal documentation. One of the key applications of these data is the preparation of a three-dimensional cadastral system for cultural heritage; a process in which spatial, descriptive, and ownership information of historical assets is organized in an integrated and digital format. The 3D cadaster, relying on accurate models generated by photogrammetry, facilitates advanced spatial management, precise delineation of heritage boundaries, monitoring of changes, and prevention of encroachments or environmental damages. Particularly in areas with dense historical fabric or complex topographic conditions, this information can play a central role in managerial and legal decision-making. <strong>پیشینه و اهداف:</strong> مدلسازی سه‌بعدی و مستندسازی میراث فرهنگی غیرمنقول، به‌ویژه در زمینه حفاظت، مرمت و مدیریت پایدار این آثار، نقش بسزایی در حفظ هویت تاریخی و فرهنگی جوامع ایفا می‌کند. این رویکرد نه‌تنها امکان ثبت دقیق و جامع ویژگی‌های کالبدی و فضایی بناها و محوطه‌های تاریخی را فراهم می‌سازد، بلکه بستری علمی برای تحلیل‌های تطبیقی، تعیین حریم آثار، ارزیابی آسیب‌ها و طراحی برنامه‌های مرمتی فراهم می‌آورد. بهره‌گیری از فناوری‌هایی نظیر فتوگرامتری پهپادمبنا، به‌عنوان روشی غیرمخرب، دقیق و سریع، امکان ثبت اطلاعات جامع از ساختارهای تاریخی و طبیعی را با حداقل دخالت انسانی فراهم کرده و موجب تسهیل در فرآیندهای مستندسازی، تحلیل و برنامه‌ریزی‌های حفاظتی و مرمتی می‌شود. یکی از مزایای برجسته این روش، کاهش چشمگیر هزینه‌ها و زمان اجرایی نسبت به روش‌های دیگر برداشت و مستندسازی است که آن را به گزینه‌ای مقرون‌به‌صرفه و کارآمد بدل می‌سازد. اهمیت این روش در مناطقی با شرایط جغرافیایی دشوار، از جمله نواحی کوهستانی، صعب‌العبور یا دارای محدودیت دسترسی، دوچندان می‌شود؛ چراکه امکان برداشت داده‌های دقیق بدون نیاز به حضور طولانی‌مدت در محل را فراهم می‌کند. بدین ترتیب، فتوگرامتری پهپادمبنا می‌تواند به عنوان راهکاری نوین و عملیاتی برای ثبت، حفاظت و برنامه‌ریزی بهینه در پروژه‌های مرتبط با میراث فرهنگی مورد استفاده قرار گیرد.<br /><strong>روش‌ها‌</strong>: این پژوهش در سه مرحله‌ی کتابخانه‌ای، میدانی و دفتری انجام پذیرفت. در مرحله کتابخانه‌ای، اطلاعات پایه‌ای درباره پیشینه تاریخی، موقعیت جغرافیایی و وضعیت سایت مورد مطالعه گردآوری شدند. در مرحله میدانی، ابتدا نقاط کنترل زمینی  با استفاده از گیرنده تعیین موقعیت ماهواره‌ای سه‌فرکانسه برداشت و مختصات دقیق آن‌ها ثبت گردید تا امکان هم‌مرجع‌سازی داده‌ها فراهم شود. سپس، به منظور برداشت داده‌های دقیق از محدوده مورد نظر، از پهپاد <em>DJI Mavic Mini 2</em><em> </em>برای تصویربرداری هوایی استفاده شد. پهپاد طی چند پرواز برنامه‌ریزی‌شده، مجموعه‌ای از تصاویر هوایی با وضوح بالا از زوایای مختلف قلعه و محیط پیرامون آن ثبت کرد. تصاویر با همپوشانی مناسب (۸۰ درصد طولی و 50 درصد عرضی) برداشت گردیده شد تا امکان مدل‌سازی سه‌بعدی دقیق فراهم گردد.<br /><strong>یافته‌ها:</strong> پس از انجام مراحل برداشت میدانی و پردازش‌های دفتری، مجموعه‌ای از محصولات رقومی با دقت و کیفیت بالا تولید شد که در راستای اهداف تحقیق در زمینه مستندسازی، مرمت و حفاظت میراث فرهنگی کاربرد دارند. این محصولات شامل مدل سه‌بعدی دقیق از ساختار قلعه، مدل رقومی ارتفاعی نمایش‌دهندۀ ارتفاعات سطح زمین، نقشه ارتوموزائیک با وضوح بالا و اصلاح‌شده از نظر هندسی، و همچنین پلان دوبعدی بازنمایی‌کنندۀ ابعاد و موقعیت عناصر معماری بود. ارزیابی دقت مدل سه‌بعدی با استفاده از نقاط کنترل زمینی برداشت‌شده در اطراف سایت نشان داد که خطای مسطحاتی و ارتفاعی مدل به‌ترتیب برابر با 2.4 و 1.9 سانتی‌متر بوده که بیانگر دقت بالای نتایج حاصل است. افزون بر این، نقشه توپوگرافی همراه با نمایش منحنی‌های میزان و نیز نقشه نهایی سایت شامل کلیه عوارض طبیعی و مصنوعی موجود در محدوده مطالعه تهیه شد. این اطلاعات، بستر مناسبی برای انجام تحلیل‌های محیطی، تعیین حدود حریم سایت و ارزیابی مخاطرات فراهم آورده و نقش مؤثری در فرآیندهای حفاظت، مرمت و مدیریت پایدار میراث فرهنگی ایفا می‌کند.<br /><strong>نتیجه‌گیری:</strong> استفاده از فتوگرامتری پهپادمبنا در مستندسازی و مدلسازی سه‌بعدی میراث فرهنگی، به‌عنوان یک روش غیرمخرب، دقیق و مقرون‌به‌صرفه، تحولی چشم‌گیر در شیوه‌های ثبت و حفاظت آثار تاریخی ایجاد کرده است. این فناوری با بهره‌گیری از تصاویر هوایی با وضوح بالا و تکنیک‌های پردازش تصویر، امکان تولید مدل‌های سه‌بعدی دقیق از بناها، محوطه‌ها و ساختارهای فرهنگی را فراهم می‌آورد. داده‌های حاصل نه‌تنها بازنمایی رقومی واقع‌گرایانه‌ای از وضعیت موجود آثار ارائه می‌دهند، بلکه پایه‌ای قابل اعتماد برای تحلیل‌های تخصصی، برنامه‌ریزی حفاظتی و مرمتی و تهیه مستندات حقوقی محسوب می‌شوند. یکی از کاربردهای کلیدی این داده‌ها، تهیه کاداستر سه‌بعدی میراث فرهنگی است؛ فرآیندی که در آن اطلاعات مکانی، توصیفی و مالکیتی آثار تاریخی در قالبی یکپارچه و رقومی سازمان‌دهی می‌گردد. کاداستر سه‌بعدی با تکیه بر مدل‌های دقیق تولیدشده از فتوگرامتری، امکان مدیریت فضایی پیشرفته، تعیین دقیق حریم آثار، پایش تغییرات و پیشگیری از تجاوزات یا آسیب‌های محیطی را فراهم می‌سازد. به‌ویژه در مناطق با بافت تاریخی متراکم یا شرایط توپوگرافی پیچیده، این اطلاعات می‌توانند نقش محوری در تصمیم‌سازی‌های مدیریتی و حقوقی ایفا کنند. https://jrsgr.sru.ac.ir/article_2401_7f2bfb9fa4fe0ea581587e3ee96a9208.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Land use changes using satellite images processing and geographic information ‎systems in Gilan province, Iran تغییرات کاربری اراضی با استفاده از پردازش تصاویر ماهواره ای و سامانه‌های اطلاعات جغرافیایی در ‏استان گیلان، ایران 287 295 2399 10.22061/jrsgr.2025.11659.1091 FA کامران مروج گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران شیلان فعله گری گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران علیرضا شریفی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران احمد گلچین گروه خاکشناسی دانشکده کشاورزی دانشگاه زنجان، زنجان، ایران پرویز کرمی گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه کردستان، کردستان، ایران Journal Article 2025 01 20 <strong>Background and Objectives:</strong> Human activities and natural processes drive land use changes, resulting in pressing issues such as deforestation, biodiversity loss, and heightened vulnerability to natural disasters like floods. Population growth and increasing socio-economic demands exert substantial pressure on land use and cover, often leading to unregulated alterations primarily attributed to mismanagement in agriculture, urban development, pasturelands, and forests. Integrating remote sensing and geographic information systems (GIS) offers a potent approach to accurately assess and monitor land use changes across vast areas. Satellite data, particularly from sources like Landsat's Multispectral Scanner (MSS), Thematic Mapper (TM), and Advanced Thematic Mapper (ETM+), have been extensively utilized to analyze land use changes, especially in forested and agricultural regions. This study aims to analyze land use changes in paddy rice soil texture in Gilan, North Iran, from 1391 to 1401.  Leveraging Landsat MSS and ETM+ data and GIS software, the study endeavors to identify and characterize significant land use and cover changes, providing valuable insights into regional landscape dynamics.<br /><strong>Methods:</strong> In this research conducted in Gilan province, Landsat-8 satellite images from 2012 and 2022, featuring minimal cloud cover, were utilized. Geometric and radiometric corrections were made on Landsat-8 satellite images to reduce errors. Employing the maximum likelihood method, supervised classification of land use classes was determined. This method calculates the probability of a pixel belonging to each predefined class and assigns the pixel to the class with the highest probability. This comprehensive approach enabled the analysis of land use dynamics in the study area, offering valuable insights into environmental changes over time.<br /><strong>Findings:</strong> The evaluation of land use classification maps revealed an overall accuracy of 80% and a kappa coefficient exceeding 0.8, indicating substantial agreement with ground truth classes. Forest area exploitation decreased from 46% in 2011 to 33% in 2011, signaling ecosystem degradation. Similarly, pasture land decreased from 51% in 1391 to 42% in 1401. Conversely, agricultural land witnessed significant growth, increasing by 7% from 2013 to 1401 (34% to 41%). Residential land area experienced a notable increase, rising by 34%. These findings underscore significant land use changes, including forest decline and increased residential expansion, highlighting the pressing need for sustainable land management practices in the study area.<br /><strong>Conclusion:</strong> Forest cover in the study area declined by 13%, whereas residential land witnessed a significant expansion of 34%. Data analysis indicated that the primary alterations in land area were linked to changes in residential use. Remote sensing technology proved instrumental in precisely, effectively, and economically estimating these changes, highlighting its crucial role in environmental studies. <strong>پیشینه و اهداف:</strong> فعالیت‌های انسانی و فرآیندهای طبیعی باعث ایجاد تغییرات کاربری می‌شوند که منجر به مسائل مهمی مانند جنگل‌زدایی، از بین رفتن تنوع زیستی و افزایش آسیب‌پذیری در برابر بلایای طبیعی مانند سیل می‌شود. رشد جمعیت و افزایش تقاضاهای اجتماعی-اقتصادی فشار قابل توجهی بر کاربری و پوشش زمین وارد می‌کند که اغلب منجر به تغییرات غیرقانونی می‌شود که عمدتاً به سوء مدیریت در کشاورزی، توسعه شهری، مراتع و جنگل‌ها نسبت داده می‌شود. ادغام سنجش از دور و سیستم‌های اطلاعات جغرافیایی (GIS) یک رویکرد قوی برای ارزیابی دقیق و نظارت بر تغییرات کاربری زمین در مناطق وسیع ارائه می‌دهد. داده های ماهواره ای، به ویژه از منابعی مانند اسکنر چندطیفی Landsat (MSS)، نقشه برداری موضوعی (TM) و نقشه برداری موضوعی پیشرفته (ETM+)، به طور گسترده برای تجزیه و تحلیل تغییرات کاربری زمین، به ویژه در مناطق جنگلی و کشاورزی استفاده شده است. این مطالعه با هدف تحلیل تغییرات کاربری اراضی در بافت خاک برنج شالیزاری در گیلان، شمال ایران از سال 1391 تا 1401 انجام شده است. با استفاده از داده‌های Landsat MSS و ETM+ و نرم‌افزار GIS، این مطالعه تلاش می‌کند تا تغییرات کاربری و پوشش قابل‌توجهی را شناسایی و مشخص کند و بینش‌های ارزشمندی را در مورد پویایی چشم‌انداز منطقه‌ای ارائه دهد.<br /><strong>روش‌ها:‌</strong> در این مطالعه که در استان گیلان انجام شد، تصاویر ماهواره‌ای Landsat-8 از سال‌های 1391 و 1401، با حداقل پوشش ابری، استفاده شد. برروی تصاویر ماهواره‌ای لندست-8 برای کاهش خطاها اصلاحات هندسی و رادیومتری انجام شد. با استفاده از روش حداکثر احتمال، طبقه‌بندی نظارت شده طبقات کاربری زمین را مشخص کرد. این روش احتمال یک پیکسل متعلق به هر کلاس از پیش تعریف شده را محاسبه می‌کند و پیکسل را به کلاسی با بیش‌ترین احتمال اختصاص می‌دهد. این رویکرد جامع، تحلیل پویایی کاربری زمین در منطقه مورد مطالعه را تسهیل کرد و بینش های ارزشمندی را در مورد تغییرات محیطی در طول زمان ارائه داد.<br /><strong>یافته‌ها:</strong> ارزیابی نقشه‌های طبقه‌بندی کاربری اراضی دقت کلی 80% و ضریب کاپا بیش از 0.8 را نشان داد که نشان‌دهنده توافق قابل‌توجه با کلاس‌های حقیقت زمینی است. بهره برداری از مساحت جنگل از 46 درصد در سال 2011 به 33 درصد در سال 2011 کاهش یافته است که نشان دهنده تخریب اکوسیستم است. به همین ترتیب، اراضی مرتع از 51 درصد در سال 1391 به 42 درصد در سال 1401 کاهش یافت. در مقابل، زمین های کشاورزی شاهد رشد قابل توجهی بودند که از سال 2013 تا 1401 به میزان 7 درصد (34 درصد به 41 درصد) افزایش یافت. مساحت زمین مسکونی افزایش قابل توجهی را تجربه کرد و 34 درصد افزایش یافت. این یافته‌ها بر تغییرات قابل‌توجه کاربری زمین، از جمله کاهش جنگل‌ها و افزایش گسترش مسکونی تاکید می‌کند، که نیاز مبرم به شیوه‌های مدیریت پایدار زمین در منطقه مورد مطالعه را برجسته می‌کند. https://jrsgr.sru.ac.ir/article_2399_e9bc3e90fdee50318167aa99c317c59b.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 A Web-Based GIS Framework for Optimal Bank Branch Selection Using MCDM ‎Algorithms ‎ طراحی و توسعه سامانه اطلاعات‌ مکانی تحت‌وب برای انتخاب هوشمند شعبه بانک با استفاده از ‏الگوریتم‌های تصمیم‌گیری چندمعیاره 297 306 2418 10.22061/jrsgr.2025.12430.1108 FA جواد صابریان گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران آرمین پوربیک گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم تحقیقات، تهران، ایران سیدمحمد سینا سیدمحسنی گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران Journal Article 2025 04 21 <strong>Background and Objectives:</strong> In the modern era, the banking industry is continuously developing solutions to provide faster, more convenient, and more intelligent services to its customers. With the digitalization of nearly 80% of banking services, customer expectations for personalized experiences have surged. In this context, Geographic Information Systems (GIS) have emerged as a powerful tool for location-based analysis and decision-making optimization. Previous studies have demonstrated that GIS can play a vital role in selecting new branch locations, assessing market share, and determining optimal routing.<br />However, a need persists for an integrated tool that empowers customers to select the most suitable branch based on their priorities. The loss of time and the confusion customers face when searching for a branch that offers their required services remain significant challenges for in-person banking. The primary objective of this research is to design and develop an intelligent, user-centric Web-based Geographic Information System (WebGIS) for the optimal selection of bank branches. By integrating web technologies, GIS, and Multi-Criteria Decision-Making (MCDM) algorithms, this system aims to streamline the branch selection process for customers. The specific aims of this study include: creating an interactive platform for searching and displaying branch information; implementing an optimal routing functionality that accounts for real-world constraints; and, most importantly, providing a feature for ranking branches based on user-personalized criteria, thereby enabling the most intelligent choice in the minimum possible time.<br /><strong>Methods:</strong> In this research, a multi-stage approach was employed for the system's development. Initially, a geospatial database was created within the ArcGIS Desktop environment using the WGS84 Web Mercator coordinate system. Data about the branches of Dey Bank, including both attribute data (name, address, code, services) and spatial information, were stored in this database. To ensure optimal management and facilitate concurrent user access, an Enterprise Geodatabase was utilized on the Microsoft SQL Server platform. In the subsequent stage, the required map services, encompassing the branch layer and the network analysis layer for routing, were published via ArcGIS for Server. The client-side of the system was developed using the ArcGIS API for JavaScript, which provides interactive functionalities such as searching, displaying information, filtering, and routing.<br />For the implementation of the intelligent selection component, the Analytic Hierarchy Process (AHP), a prominent multi-criteria decision-making method, was adopted. The decision criteria selected were: VIP branch status, availability of safe deposit boxes, provision of foreign exchange services, and access to insurance services. Through a user interface, users can perform pairwise comparisons of these criteria to specify their relative importance. The system then utilizes these comparisons to construct a comparison matrix, normalizes it, and calculates the final weight for each criterion. These weights are ultimately applied to compute the final score and ranking for all bank branches.<br /><strong>Findings:</strong> The outcome of this research is a fully operational WebGIS system, successfully accessible via web browsers across various platforms. Through this system, users can visualize all bank branches on an interactive map and access comprehensive information by clicking on any branch.<br />The most significant finding of this study is the successful implementation of the AHP algorithm. The system ranks all branches based on these priorities and subsequently suggests the most suitable options to the user. Furthermore, a routing capability from the user's current location to a selected branch is incorporated into the system. This feature considers the traffic restriction zone layer as a barrier and renders the optimal route as a graphical line on the map.<br /><strong>Conclusion:</strong> This research demonstrates that integrating WebGIS technology with multi-criteria decision-making algorithms, such as AHP, offers a highly effective solution to the real-world challenge of optimal service selection. By providing a suitable and intelligent platform, the developed system significantly mitigates the time loss and confusion experienced by customers, empowering them to make an informed choice that is fully aligned with their personal needs.<br />This intelligent selection process enhances the customer experience for in-person banking, representing a significant step toward increasing customer satisfaction and loyalty. The study confirms that investing in intelligent location-based systems is value-adding not only for customers but also for organizations, enabling them to optimize services and gain a better understanding of demand patterns. This creates a win-win scenario for both service providers and their clientele. <strong>پیشینه و اهداف:</strong> در دنیای مدرن، صنعت بانکداری به طور مداوم در حال توسعه راهکارهایی برای ارائه خدمات سریع‌تر، آسان‌تر و هوشمندانه‌تر به مشتریان است. با دیجیتالی شدن نزدیک به ۸۰ درصد خدمات بانکی، انتظارات مشتریان برای تجربه‌های شخصی‌سازی شده افزایش یافته است. در این میان، سیستم‌های اطلاعات مکانی به ابزاری کارآمد برای تحلیل‌های مبتنی بر مکان و بهینه‌سازی تصمیم‌گیری‌ها بدل شده‌اند. مطالعات پیشین نشان است کهGIS  می‌تواند در انتخاب مکان شعب جدید، ارزیابی سهم بازار و مسیریابی بهینه نقشی حیاتی ایفا کند. با این حال جای خالی یک ابزار یکپارچه که به مشتریان اجازه دهد تا بر اساس اولویت‌های فردی خود بهترین شعبه را انتخاب کنند همچنان احساس می‌شود. اتلاف وقت و سردرگمی مشتریان برای یافتن شعبه‌ای که خدمات مورد نظرشان را ارائه می‌دهد، یکی از چالش‌های خدمات حضوری است. هدف اصلی این پژوهش، طراحی و توسعه یک سامانه اطلاعات مکانی تحت‌وب(WebGIS)  هوشمند و کاربرمحور برای انتخاب بهینه شعب بانکی است. این سامانه با تلفیق وب، GIS و الگوریتم‌های تصمیم‌گیری چندمعیاره (MCDM) به‌دنبال تسهیل فرآیند انتخاب شعبه برای مشتریان است. اهداف مشخص این تحقیق شامل ایجاد یک پلتفرم تعاملی برای جست‌وجو و نمایش اطلاعات شعب، پیاده‌سازی قابلیت مسیریابی بهینه با در نظر گرفتن محدودیت‌های ترافیکی و مهم‌تر از همه، فراهم کردن امکانی برای رتبه‌بندی شعب بر اساس معیارهای شخصی‌سازی ‌شده توسط کاربر است تا هوشمندانه‌ترین انتخاب در کمترین زمان ممکن رخ دهد.<br /><strong>روش‌ها‌:</strong> در این تحقیق، از یک رویکرد چندمرحله‌ای برای توسعه سامانه استفاده شد. ابتدا پایگاه داده اطلاعات مکانی در محیط  ArcGIS Desktopو با سیستم مختصات UTM ایجاد گردید. داده‌های مربوط به شعب بانک دی، شامل اطلاعات مکانی و توصیفی (نام، آدرس، کد، نوع خدمات)، در این پایگاه داده ذخیره شد. برای مدیریت بهینه و امکان دسترسی همزمان کاربران، از Enterprise Geodatabase بر روی بستر Microsoft SQL Server استفاده شد. در مرحله بعد سرویس‌های نقشه مورد نیاز، از جمله لایه شعب و تحلیل شبکه برای مسیریابی، از طریق  ArcGIS for Server منتشر شدند. بخش سمت کاربر سامانه با بهره‌گیری از  ArcGIS JavaScript APIتوسعه داده شد که امکانات تعاملی مانند جستجو، نمایش اطلاعات، فیلتر کردن و مسیریابی را فراهم می‌کند. برای پیاده‌سازی بخش انتخاب هوشمند بانک، از فرآیند تحلیل سلسله مراتبی (AHP) به عنوان یکی از روش‌های تصمیم‌گیری چندمعیاره استفاده شد. معیارهای تصمیم‌گیری شامل VIP بودن شعبه، وجود صندوق امانات، دارا بودن باجه ارزی و برخورداری از خدمات بیمه انتخاب شدند. کاربران می‌توانند از طریق یک رابط کاربری، این معیارها را به صورت زوجی مقایسه کرده و میزان ارجحیت هرکدام را مشخص کنند. سپس سامانه با استفاده از این مقایسات زوجی، ماتریس مقایسه را تشکیل داده، آن را نرمال‌سازی کرده و وزن نهایی هر معیار را محاسبه می‌کند. این وز‌ن‌ها در نهایت برای محاسبه امتیاز و رتبه‌بندی نهایی هر شعبه بانک به کار گرفته می‌شوند.<br /><strong>یافته‌ها:</strong> نتیجه این پژوهش، یک سامانه WebGIS کاملاً عملیاتی است که ‌با موفقیت بر روی مرورگرهای وب در پلتفرم‌های مختلف قابل اجرا است. پیاده‌سازی موفق الگوریتم AHP بزرگترین یافته این پژوهش است. سامانه پس از دریافت اولویت‌ها، تمامی شعب را بر اساس آن رتبه‌بندی کرده و در آخر مناسب‌ترین گزینه‌ها را به کاربر پیشنهاد می‌دهد. علاوه بر این قابلیت مسیریابی از مکان فعلی کاربر به شعبه منتخب، با در نظر گرفتن لایه محدوده طرح ترافیک به عنوان مانع احتمالی، در سامانه تعبیه شده است و بهترین مسیر به صورت یک پلی‌لاین بر روی نقشه ترسیم می‌شود. کاربران از طریق این سامانه قادر هستند تا تمامی شعب بانک را بر روی نقشه مشاهده کرده و با کلیک بر روی هر شعبه، به جزئیات کامل آن دسترسی پیدا کنند.<br /><strong>نتیجه‌گیری:</strong> این تحقیق نشان داد که ادغام فناوری WebGIS با الگوریتم‌های تصمیم‌گیری چندمعیاره مانند AHP، راهکاری بسیار مؤثر برای حل چالش‌های انتخاب بهینه خدمات بانکی در دنیای واقعی است. سامانه توسعه‌یافته با فراهم کردن بستری مناسب و هوشمند قادر است به طور قابل توجهی از اتلاف وقت و سردرگمی مشتریان بکاهد و به آن‌ها کمک می‌کند تا انتخابی آگاهانه و کاملاً منطبق بر نیازهای شخصی خود داشته باشند. این فرآیند انتخاب هوشمند، تجربه مشتری از خدمات حضوری بانکی را بهبود بخشیده و می‌تواند گامی بزرگ در جهت افزایش رضایت و وفاداری مشتریان باشد. این پژوهش ثابت کرد که سرمایه‌گذاری در سیستم‌های مکان‌محور و هوشمند، نه تنها برای مشتریان، بلکه برای سازمان‌ها نیز در جهت بهینه‌سازی خدمات و درک بهتر الگوهای تقاضا، ارزش‌آفرین است. https://jrsgr.sru.ac.ir/article_2418_3f9612db8f4d743e6558fa21882691da.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 A Study and Investigation on the Implementation of Service-Oriented ‎Architecture for Spatial Data Infrastructure in Urban Management مطالعه و بررسی پیاده سازی معماری سرویس گرا برای زیر ساخت داده های مکانی در مدیریت شهری 307 320 2436 10.22061/jrsgr.2025.12263.1106 FA حسین باز علی پور گروه مهندسی نقشه‌برداری، دانشکده مهندسی‎ ‎عمران، آب و محیط زیست ، دانشگاه شهید بهشتی، تهران، ایران غلامرضا فلاحی گروه مهندسی نقشه‌برداری، دانشکده مهندسی‎ ‎عمران، آب و محیط زیست ، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2025 04 20 <strong>Background and Objectives:</strong> Spatial data, as one of the fundamental components of urban information systems, plays a crucial role in analysis, planning, decision-making, and policy evaluation processes. In recent decades, the rapid growth of urbanization, the emergence of smart cities, and the expansion of sensor networks and the Internet of Things (IoT) have led to an exponential increase in the volume and diversity of spatial data. These data are collected from multiple sources such as Geographic Information Systems (GIS), satellite imagery, remote sensing, intelligent transportation systems, and citizen-generated data. Consequently, the effective management of these datasets has become one of the major challenges in contemporary urban management. The absence of standardized and integrated infrastructures often leads to inconsistency among executive organizations, data redundancy, and reduced accuracy in data-driven decision-making.<br /><strong>Methods:</strong> To address these challenges, this study proposes a novel framework based on Service-Oriented Architecture (SOA) for establishing an integrated spatial data infrastructure in urban management. SOA, with its core principles of service independence, reusability, composability, and interoperability, provides a flexible and scalable foundation for developing distributed spatial systems. Additionally, the research utilizes international OGC standards, including Web Map Service (WMS), Web Feature Service (WFS), and Web Processing Service (WPS), to establish a unified technical framework for the exchange, processing, and visualization of spatial data across heterogeneous environments. The use of these standards enables various urban subsystems to interact dynamically and seamlessly without dependency on specific technologies or programming languages.<br /><strong>Findings:</strong> The findings indicate that the proposed framework consists of three main layers: the spatial data service layer for storing, managing, and accessing distributed datasets; the processing service layer for analyzing, integrating, and extracting spatial patterns at different decision-making levels; and the interaction management layer for service orchestration, data flow control, and quality assurance in heterogeneous environments. This three-layered structure was designed to enhance scalability, minimize inter-component dependencies, and improve interoperability among diverse urban systems. A case study was implemented in a real urban management environment to empirically evaluate the performance, stability, and reliability of the proposed framework in terms of response time, processing volume, and coordination among services.<br /><strong>Conclusion:</strong> The results demonstrated that implementing the integrated SOA–OGC framework led to an average 30% reduction in response time, improved scalability in handling large spatial datasets, and simplified service maintenance and expansion. Moreover, interoperability among urban systems in various domains—such as transportation, environment, and public services—was significantly enhanced. However, challenges including data security assurance, user access control, system stability under high network load, and Quality of Service (QoS) remain critical issues requiring further investigation. In summary, the study concludes that adopting a service-oriented approach in conjunction with OGC standards provides an effective foundation for developing spatial data infrastructures in urban management. This framework not only strengthens data-driven decision-making but also paves the way toward smart city realization, sustainable resource management, and improved quality of urban life. Future research is recommended to integrate Cloud GIS, Big Spatial Data processing, and Artificial Intelligence (AI)-based spatial analytics within this architecture to further enhance the performance, scalability, and security of urban spatial systems. <strong>پیشینه و اهداف:</strong> داده‌های مکانی به‌عنوان یکی از ارکان اساسی نظام‌های اطلاعاتی شهری، نقشی تعیین‌کننده در فرآیندهای تحلیل، برنامه‌ریزی، تصمیم‌سازی و ارزیابی سیاست‌های شهری ایفا می‌کنند. در دهه‌های اخیر، با رشد شتابان شهرنشینی، ظهور شهرهای هوشمند و گسترش سامانه‌های حسگر و اینترنت اشیا، حجم و تنوع داده‌های مکانی به‌صورت تصاعدی افزایش یافته است. این داده‌ها از منابع متعددی نظیر سامانه‌های اطلاعات جغرافیایی (GIS)، تصاویر ماهواره‌ای، داده‌های سنجش از دور، سامانه‌های حمل‌ونقل هوشمند، و داده‌های تولیدشده توسط شهروندان جمع‌آوری می‌شوند. در نتیجه، مدیریت مؤثر این داده‌ها به یکی از چالش‌های اساسی مدیریت شهری معاصر تبدیل شده است. نبود زیرساخت‌های استاندارد و یکپارچه موجب ناهماهنگی میان نهادهای اجرایی، تکرار داده‌ها، و کاهش دقت تصمیم‌گیری‌های مبتنی بر داده می‌شود.<br /><strong>روش‌ها‌:</strong> در پاسخ به این نیاز، این پژوهش چارچوبی نوین مبتنی بر معماری سرویس‌گرا (Service-Oriented Architecture - SOA) را برای ایجاد زیرساخت داده‌های مکانی شهری پیشنهاد می‌کند. معماری سرویس‌گرا با اصولی همچون استقلال سرویس‌ها، استفاده مجدد، ترکیب‌پذیری و تعامل‌پذیری، بستر مناسبی برای توسعه سامانه‌های توزیع‌شده و انعطاف‌پذیر فراهم می‌آورد. این پژوهش همچنین با بهره‌گیری از استانداردهای بین‌المللی OGC شامل WMS، WFS و WPS، چارچوبی فنی برای تبادل، پردازش و نمایش داده‌های مکانی در محیط‌های ناهمگون ایجاد کرده است. استفاده از این استانداردها موجب می‌شود تا سامانه‌های مختلف شهری، بدون وابستگی به فناوری یا زبان برنامه‌نویسی خاص، بتوانند به‌صورت هماهنگ و پویا با یکدیگر تعامل داشته باشند.<br /><strong>یافته‌ها:</strong> یافته‌های پژوهش نشان می‌دهد که چارچوب پیشنهادی شامل سه لایه اصلی است: لایه سرویس‌های داده مکانی برای ذخیره، مدیریت و دسترسی به داده‌های توزیع‌شده؛ لایه سرویس‌های پردازشی برای تحلیل، تلفیق و استخراج الگوهای مکانی در سطوح مختلف تصمیم‌گیری؛ و لایه مدیریت تعامل برای یکپارچه‌سازی سرویس‌ها، کنترل جریان داده و تضمین کیفیت خدمات در محیط‌های ناهمگون. این ساختار سه‌لایه با هدف افزایش مقیاس‌پذیری، کاهش وابستگی میان مؤلفه‌ها و بهبود تعامل میان سامانه‌های شهری طراحی شده است. در این پژوهش، یک نمونه موردی (Case Study) در محیط واقعی مدیریت شهری پیاده‌سازی گردید تا کارایی، پایداری و قابلیت اطمینان چارچوب پیشنهادی از منظر زمان پاسخ‌گویی، حجم پردازش و هماهنگی میان سرویس‌ها به‌صورت تجربی ارزیابی شود.<br /><strong>نتیجه‌گیری:</strong> نتایج نشان داد که پیاده‌سازی چارچوب تلفیقی SOA-OGC سبب کاهش میانگین زمان پاسخ‌دهی تا ۳۰٪، افزایش مقیاس‌پذیری سامانه در مواجهه با داده‌های حجیم، و تسهیل نگهداری و توسعه سرویس‌ها شده است. همچنین، سطح تعامل‌پذیری میان سامانه‌های شهری در حوزه‌های مختلف نظیر حمل‌ونقل، محیط زیست و خدمات عمومی به‌طور معناداری افزایش یافته است. از سوی دیگر، چالش‌هایی همچون تضمین امنیت داده‌های حساس، مدیریت سطح دسترسی کاربران، حفظ پایداری سامانه در شرایط بار سنگین شبکه، و تضمین کیفیت سرویس‌ها (QoS) از جمله موضوعات کلیدی هستند که نیازمند بررسی‌های بیشتر می‌باشند.<br />در جمع‌بندی، نتایج پژوهش نشان می‌دهد که بهره‌گیری از معماری سرویس‌گرا در کنار استانداردهای OGC می‌تواند زیربنایی مؤثر برای توسعه زیرساخت داده‌های مکانی در مدیریت شهری فراهم آورد. این چارچوب ضمن ارتقای تصمیم‌گیری‌های مبتنی بر داده، مسیر را برای تحقق شهر هوشمند، مدیریت پایدار منابع و بهبود کیفیت زندگی شهروندان هموار می‌سازد. برای پژوهش‌های آینده پیشنهاد می‌شود که فناوری‌های ابری (Cloud GIS)، پردازش کلان‌داده‌های مکانی (Big Spatial Data) و هوش مصنوعی در تحلیل داده‌های مکانی در قالب این معماری ادغام شوند تا کارایی و امنیت سامانه‌های شهری به سطح بالاتری ارتقا یابد. https://jrsgr.sru.ac.ir/article_2436_35a5dfd3a6cc0f8e9cc7312db4f6a12d.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Monitoring and Analysis of Land Subsidence in Eastern Shiraz Using the DInSAR ‎Technique ‎ تحلیل‎ ‎و‎ ‎پایش‎ ‎فرونشست‎ ‎زمین‎ ‎در‎ ‎نواحی‎ ‎شرقی‎ ‎شیراز‎ ‎با‎ ‎استفاده‎ ‎از‎ ‎تکنیک‎ DInSAR ‎ 321 332 2434 10.22061/jrsgr.2025.12229.1105 FA پرستو برزابادی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران افسانه رزاقپور گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران مهدی اصلانی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران علیرضا شریفی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2025 04 06 <strong>Background and Objectives:</strong> Land subsidence is considered one of the most significant geomorphological hazards in arid and semi-arid regions, threatening groundwater resources, urban infrastructure, and agricultural lands for decades. In Iran, unregulated urban expansion and excessive groundwater extraction have intensified this phenomenon in major cities such as Tehran, Mashhad, Isfahan, and Shiraz. In particular, the eastern areas of Shiraz, characterized by alluvial soils, high building density, and sharp declines in groundwater levels, have become one of the primary hotspots of subsidence in southern Iran. Given the high potential of Sentinel-1 radar data for analyzing land deformation and the effectiveness of DInSAR in rapid monitoring, this study aims to analyze the spatiotemporal patterns of land subsidence in eastern Shiraz, investigate natural and anthropogenic contributing factors, and propose solutions for risk mitigation and support of sustainable urban development.<br /><strong>Methods:</strong> This study employed 24 Sentinel-1A SAR images (IW mode, VV polarization) from 2015 to 2025. Processing was conducted in SNAP software. Orbital corrections were applied using POD files, followed by radiometric calibration to extract Sigma⁰ values. A 7×7 Lee filter was used to reduce speckle noise. Fifteen image pairs with temporal baselines less than 365 days and perpendicular baselines below 150 meters were selected to generate interferograms. Phase unwrapping was performed using the SNAPHU algorithm with the Minimum Cost Flow (MCF) method. To minimize atmospheric effects, image pairs with similar humidity were chosen, and additional filtering included the Goldstein filter, topographic masking, and variogram analysis. The final phase data were analyzed statistically using mean, skewness, and kurtosis, as well as spatially through Moran’s I. Multiple regression analysis was also conducted to evaluate the influence of groundwater extraction, soil type, building density, and slope on the observed subsidence rates.<br /><strong>Findings:</strong> The results showed an average subsidence rate of 18.4 mm/year with a standard deviation of 8.2 mm. Three main subsidence hotspots with rates of 25–45 mm/year were identified in the north, center, and south of the study area. Statistical analysis indicated a positively skewed distribution (1.23) with a kurtosis of 2.87. Multivariate regression analysis showed that groundwater extraction (β = 0.78, p < 0.001) was the most influential factor. Soil type (clay), building density, and slope also had significant effects, with positive and negative contributions. Moran’s, I test confirmed a clustered spatial pattern of subsidence (I = 0.742).<br /><strong>Conclusion:</strong> DInSAR proved to be an effective and relatively accurate tool for monitoring land subsidence, especially in regions with limited in-situ data. This study underscores the significant role of human activities in exacerbating land subsidence and highlights the need for continuous monitoring, smart supervisory systems, and a reassessment of urban development patterns. Suggested future directions include developing machine learning models with Sentinel-1 data, integrating GNSS observations to enhance accuracy, and conducting land use change analysis using Landsat and Sentinel-2 imagery. The main limitations of the study were the lack of up-to-date groundwater level data and the temporal sparsity of some satellite images. <strong>پیشینه و اهداف:</strong> در ایران، گسترش ناپایدار شهری و برداشت بی‌رویه از منابع آب زیرزمینی موجب تشدید و گسترش پدیده فرونشست در کلان‌شهرهایی مانند تهران، مشهد، اصفهان و شیراز شده است. به‌ویژه نواحی شهری شیراز که دارای خاک‌های آبرفتی، تراکم بالای ساخت‌وساز و کاهش شدید سطح آب‌های زیرزمینی هستند، به یکی از کانون‌های اصلی فرونشست در جنوب کشور تبدیل شده‌اند. با توجه به قابلیت بالای داده‌های راداری ماهواره Sentinel-1 در تحلیل تغییرات زمین و نقش مؤثر روش DInSAR در پایش سریع این پدیده، هدف این پژوهش، تحلیل الگوهای مکانی-زمانی فرونشست در نواحی شهری شیراز، بررسی عوامل طبیعی و انسانی موثر و ارائه راهکارهایی برای کاهش مخاطرات و حمایت از توسعه پایدار شهری است.<br /><strong>روش‌ها‌:</strong> در این پژوهش از ۲۴ تصویر راداری Sentinel-1A در مد IW با پلاریزاسیون VV در سال‌های ۲۰۱۵ تا ۲۰۲۵ استفاده شد. تمامی پردازش‌ها در نرم‌افزار SNAP انجام گرفت. ابتدا داده‌ها با استفاده از فایل‌های POD تصحیح مداری و سپس کالیبراسیون رادیومتریکی برای استخراج Sigma⁰ انجام شد. برای کاهش نویز اسپکل از فیلتر Lee با پنجره ۷×۷ استفاده شد. سپس با انتخاب ۱۵ جفت تصویر با خطای زمانی کمتر از ۳۶۵ روز و خطای مکانی عمودی زیر ۱۵۰ متر، اینترفروگرام‌ها تولید و فرآیند Unwrapping با الگوریتم MCF-SNAPHU اجرا گردید. برای کاهش خطاهای اتمسفری، تصاویر با شرایط رطوبتی مشابه انتخاب، فیلتر Goldstein اعمال، ماسک توپوگرافی استفاده و تحلیل واریوگرام اجرا شد. تحلیل‌های آماری) میانگین، چولگی، کشیدگی، تحلیل مکانی Moran’s I و تحلیل رگرسیون چندمتغیره (برای بررسی اثر متغیرهای برداشت آب، نوع خاک، تراکم ساخت‌وساز و شیب زمین) بر نرخ فرونشست انجام شد.<br /><strong>یافته‌ها:</strong> یافته‌ها نشان داد میانگین نرخ فرونشست ۱۸.۴ میلی‌متر در سال با انحراف معیار ۸.۲ میلی‌متر است. سه کانون اصلی فرونشست با نرخ‌های ۲۵ تا ۴۵ میلی‌متر در سال در شمال، مرکز و جنوب محدوده مورد مطالعه شناسایی شد. تحلیل آماری نیز توزیع چولگی مثبت (۱.۲۳) و کشیدگی (۲.۸۷) را تأیید کرد. بررسی آماری چندمتغیره نشان داد برداشت آب زیرزمینی با ضریب β=۰.۷۸ و سطح معناداری کمتر از ۰.۰۰۱، قوی‌ترین عامل فرونشست است.<br /><strong>نتیجه‌گیری:</strong> روش DInSAR به‌عنوان ابزاری سریع و نسبتاً دقیق در پایش فرونشست اثربخش است، به‌ویژه در مناطقی که داده‌های زمینی محدود هستند. این مطالعه ضمن تأکید بر نقش مؤثر عوامل انسانی در تشدید فرونشست، بر ضرورت نظارت پیوسته، بهره‌گیری از سامانه‌های هوشمند نظارتی، و بازنگری در الگوهای توسعه شهری تأکید می‌کند. از جمله پیشنهادهای پژوهش می‌توان به توسعه مدل‌های یادگیری ماشین با داده‌های Sentinel-1، تلفیق داده‌های GNSS  برای افزایش دقت تحلیل، و تهیه تغییرات کاربری اراضی با تصاویر Landsat و Sentinel-2 اشاره کرد. محدودیت پژوهش شامل نبود داده‌های میدانی به‌روز از سطح آب زیرزمینی و پراکندگی زمانی برخی تصاویر بود. https://jrsgr.sru.ac.ir/article_2434_fc12b8db66db7150d26cb9e4246ec1ca.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Monitoring methane emissions in Iran using Sentinel-P5 satellite data: Analyzing emission trends and identifying critical sources (2019-2023) پایش انتشار متان در ایران با استفاده از داده‌های ماهواره Sentinel-P5: تحلیل روند انتشار و شناسایی منابع بحرانی (۲۰۱۹-۲۰۲۳) 333 344 2475 10.22061/jrsgr.2025.12508.1109 FA بهناز بابائی گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه زنجان، زنجان، ایران رضا دوستی گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه زنجان، زنجان، ایران اسلام جوادنیا گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه زنجان، زنجان، ایران 0000-0002-1375-1888 سینا کیایی گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه زنجان، زنجان، ایران حشمت کرمی پژوهشگاه فضایی ایران، تهران، ایران امیرحسین عبدی پژوهشگاه فضایی ایران، تهران، ایران Journal Article 2025 05 14 <strong>Background and Objectives:</strong> Methane, as the second most important greenhouse gas after carbon dioxide, plays a significant role in intensifying global warming. Its global warming potential (GWP) over a 100-year period is estimated to be about 28 times greater than that of carbon dioxide. According to reports by the Intergovernmental Panel on Climate Change (IPCC), approximately 40% of anthropogenic methane emissions are linked to the energy sector, particularly the oil and gas industries. As one of the major producers of oil and gas worldwide, Iran faces serious challenges in monitoring and controlling methane emissions—a matter of particular importance within the framework of international commitments such as the Paris Agreement. The Sentinel-5P satellite, equipped with the TROPOMI sensor, provides high spatial resolution and daily coverage, enabling continuous monitoring and quantification of methane emissions on a global scale. This study aims to examine the temporal trends of methane emissions in Iran over a five-year period (2019–2023) and to identify critical areas in terms of emission intensity.<br /><strong>Methods:</strong> This research was conducted using a descriptive–analytical approach based on time-series data derived from the TROPOMI sensor onboard the Sentinel-5P satellite within the Google Earth Engine platform. Methane concentration data with a spatial resolution of 5.5 × 7 km were extracted for the entire geographical extent of Iran and processed to obtain annual, seasonal, and monthly averages. To analyze temporal trends and spatial patterns, five-year variation maps and charts were generated to identify dominant trends and high-emission regions.<br /><strong>Findings:</strong> The results indicated an increasing trend in the annual mean methane concentration over Iran during the study period, with an estimated annual growth rate of about 0.03%. On average, methane concentrations exceeded the IPCC threshold of 1800 ppb by approximately 101.21 ppb. Seasonal analyses revealed that the highest concentrations occurred in autumn and winter, likely due to increased gas extraction activities and reduced efficiency of leakage control systems during colder periods. The total cumulative methane concentration from all sources during the five-year study period reached a considerable value of 1,487,134,705 ppb.<br /><strong>Conclusion:</strong> The findings highlight a serious challenge for Iran in managing and controlling methane emissions. The observed upward trend underscores the urgent need to formulate and implement effective mitigation policies. In this regard, the deployment of advanced leak detection systems and investment in modern emission control technologies can play a significant role in reducing the environmental impacts of methane. <strong>پیشینه و اهداف:</strong> متان به‌عنوان دومین گاز گلخانه‌ای مهم پس از دی‌اکسید کربن، نقش چشمگیری در تشدید پدیده گرمایش جهانی دارد. پتانسیل گرمایش جهانی این گاز در بازه زمانی صدساله، حدود ۲۸ برابر بیشتر از دی‌اکسید کربن برآورد شده است. بر اساس گزارش‌های هیئت بین‌دولتی تغییرات اقلیمی (<em>IPCC</em>)، حدود ۴۰ درصد از انتشار متان با منشأ انسانی به بخش انرژی، به‌ویژه صنایع نفت و گاز، مربوط می‌شود. ایران به‌عنوان یکی از تولیدکنندگان عمده نفت و گاز جهان، با چالشی جدی در زمینه کنترل و پایش انتشار این گاز گلخانه‌ای مواجه است؛ موضوعی که در چارچوب تعهدات بین‌المللی همچون توافق‌نامه پاریس از اهمیت ویژه‌ای برخوردار است. ماهواره <em>Sentinel</em>-<em>5P</em> مجهز به حسگر <em>TROPOMI</em> با قابلیت تفکیک مکانی بالا و پوشش روزانه، امکان پایش مستمر و کمی‌سازی انتشار متان را در مقیاس جهانی فراهم کرده است. هدف این پژوهش، بررسی روند تغییرات انتشار متان در ایران طی دوره پنج‌ساله (۲۰۱۹ تا ۲۰۲۳) و شناسایی مناطق بحرانی از نظر میزان انتشار است.<br /><strong>روش‌ها‌:</strong> این پژوهش با رویکرد توصیفی–تحلیلی و بر پایه سری‌های زمانی داده‌های روزانه سنجنده <em>TROPOMI</em> ماهواره <em>Sentinel-5P</em> در پلتفرم <em>Google</em> <em>Earth</em> <em>Engine</em> انجام شد. داده‌های غلظت متان با تفکیک مکانی ۵/۵×۷ کیلومتر برای کل محدوده جغرافیایی ایران استخراج و به‌صورت میانگین‌های سالانه، فصلی و ماهانه پردازش گردید. به‌منظور تحلیل روندهای زمانی و الگوهای مکانی، نقشه‌ها و نمودارهای تغییرات پنج‌ساله تولید و بررسی شدند تا روندهای غالب و نواحی با انتشار بالا شناسایی شوند.<br /><strong>یافته‌ها:</strong> نتایج نشان داد که میانگین سالانه غلظت متان در ایران طی دوره مورد مطالعه روندی افزایشی داشته و نرخ رشد سالانه آن حدود ۰۳/۰ درصد برآورد شده است. مقدار میانگین ثبت‌شده، به‌طور متوسط 21/101 <em>ppb</em> بالاتر از آستانه ۱۸۰۰ <em>ppb</em> تعیین‌شده توسط <em>IPCC</em> بوده‌اند. بررسی تغییرات فصلی نشان داد بیشترین میزان انتشار در فصل‌های پاییز و زمستان رخ می‌دهد که احتمالاً ناشی از افزایش فعالیت‌های استخراج گاز و کاهش کارایی سامانه‌های کنترل نشت در دوره‌های سرد سال است. مجموع کل انتشار متان از تمامی منابع طی پنج سال، به رقم قابل‌توجه ۱٬۴۸۷٬۱۳۴٬۷۰۵ <em>ppb</em> رسید.<br /><strong>نتیجه‌گیری:</strong> یافته‌های این پژوهش بیانگر چالش جدی ایران در زمینه مدیریت و کنترل انتشار متان است. روند افزایشی این گاز گلخانه‌ای، ضرورت تدوین و اجرای سیاست‌های مؤثر کاهش انتشار را برجسته می‌سازد. در این راستا، بهره‌گیری از سامانه‌های پیشرفته تشخیص نشت و سرمایه‌گذاری در فناوری‌های نوین کنترل انتشار می‌تواند نقش بسزایی در کاهش اثرات زیست‌محیطی ایفا کند. https://jrsgr.sru.ac.ir/article_2475_89570674e9de7efe0f9d5c010d7f9859.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Design and Development of an Intelligent Web-Based Spatial Decision Support System for Optimal Allocation of Local Disaster Response Centers طراحی و توسعه سیستم هوشمند پشتیبان تصمیم‌گیری مکانی مبتنی بر وب برای بهینه‌سازی تخصیص مراکز توزیع محلی پاسخ به بلایا 345 362 2479 10.22061/jrsgr.2025.12658.1116 FA علی اصغر آل شیخ گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران امیر پروینی گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران Journal Article 2025 04 28 <strong>Background and Objectives:</strong> Optimal management of humanitarian supply chains and distribution of relief items after natural disasters is a major challenge in the field of crisis management. Despite the importance of optimal allocation of local distribution centers in post-disaster situations, many existing decision-making tools lack spatial capabilities, flexibility in scenario building, and ease of access. Aiming to fill the gap in previous studies, this paper designs a web-based system that utilizes geographic information systems (GIS) and meta-heuristic algorithms to enable optimal allocation of distribution centers and management of relief items.<br /><strong>Methods:</strong> In this study, an intelligent web-based spatial decision support system has been developed that helps decision makers allocate relief distribution centers more efficiently in different post-crisis scenarios. This system consists of three main parts, including a database, a decision engine, and a web-based user interface, and can be fully implemented in a browser without the need to install additional software. Also, genetic and forbidden search algorithms have been integrated to optimize resource allocation and distribution of relief items in this system. Users can edit input data, define different scenarios, and visually view the results on a map. In this system, common uncertainties after disasters, including different rates of affected populations, as well as five different planning periods ranging from 8 to 72 hours (i.e. 8, 16, 24, 48, and 72 hours), have been considered. The system's high flexibility in defining and analyzing various scenarios makes it an effective tool for improving decision-making in planning relief aid distribution operations.<br /><strong>Findings:</strong><strong> </strong>Results show that the proposed hybrid algorithm has been able to improve the optimal allocation of distribution centers and the effective distribution of items and reduce the amount of unmet demand. However, depending on the number of iterations of the algorithm, different scenarios, and some input parameters, the results have sometimes been unstable, which can be investigated and analyzed more precisely in future studies.<br /><strong>Conclusion:</strong> This study presents a comprehensive, web-based decision support system for the optimal management of relief distribution, which can significantly increase the efficiency of crisis operations. The combined use of meta-heuristic algorithms and geographic data in this system enables rapid response and accurate decision-making. Future development and improvements of this system can include support for different types of items and diverse disaster situations to play a more effective role in reducing human and financial losses. <strong>اهداف:</strong><strong> </strong>مدیریت بهینه زنجیره تأمین بشردوستانه و توزیع اقلام امدادی پس از بلایای طبیعی از چالش‌های مهم در حوزه مدیریت بحران است. باوجود اهمیت تخصیص بهینه مراکز توزیع محلی در شرایط پس از بحران، ازجمله زلزله، بسیاری از ابزارهای تصمیم‌گیری موجود فاقد قابلیت‌های مکانی، انعطاف‌پذیری در سناریوسازی و سهولت دسترسی هستند. این مقاله باهدف پر کردن خلأ موجود در مطالعات پیشین، سامانه‌ای مبتنی بر وب طراحی کرده است که با بهره‌گیری از قابلیت­های سیستم‌ اطلاعات مکانی (GIS) و الگوریتم‌های فرا ابتکاری، امکان تخصیص بهینه مراکز توزیع و مدیریت اقلام امدادی را فراهم می‌آورد.<br /><strong>روش‌:</strong> در این مطالعه، یک سامانه هوشمند پشتیبانی تصمیم‌گیری مکانی مبتنی بر وب توسعه داده‌شده است که به تصمیم‌گیرندگان کمک می‌کند تا مراکز توزیع کمک‌های امدادی را به‌صورت کارآمدتری در سناریوهای مختلف پس از بحران تخصیص دهند. این سامانه از سه بخش اصلی شامل پایگاه داده، موتور تصمیم‌گیری و رابط کاربری تحت وب تشکیل‌شده و امکان اجرای کامل آن در مرورگر، بدون نیاز به نصب نرم‌افزار اضافی، فراهم‌شده است. همچنین از ترکیب الگوریتم‌های ژنتیک و جستجوی ممنوعه برای بهینه‌سازی تخصیص منابع و توزیع اقلام امدادی در این سامانه استفاده‌شده است. در این سامانه کاربران می‌توانند داده‌های ورودی را ویرایش کرده، سناریوهای مختلف را تعریف کرده و نتایج را به‌صورت بصری بر روی نقشه مشاهده کنند. در این سامانه، عدم قطعیت‌های رایج پس از وقوع بلایای طبیعی، ازجمله نرخ‌های متفاوت جمعیت آسیب‌دیده و همچنین پنج دوره زمانی برنامه‌ریزی مختلف در بازه ۸ تا ۷۲ ساعت (۸، ۱۶، ۲۴، ۴۸ و ۷۲ ساعت) در نظر گرفته‌شده‌اند. انعطاف‌پذیری بالای سامانه در تعریف و تحلیل سناریوهای متنوع، آن را به ابزاری مؤثر برای بهبود تصمیم‌گیری در برنامه‌ریزی عملیات توزیع کمک‌های امدادی تبدیل می‌کند.<br /><strong>یافته‌ها</strong><strong>:</strong><strong> </strong>نتایج نشان می‌دهد که الگوریتم ترکیبی پیشنهادی توانسته است تخصیص بهینه مراکز توزیع اقلام را بهبود بخشد و میزان تقاضای برآورده نشده را کاهش دهد. هرچند، بسته به تعداد تکرار الگوریتم در سناریوهای مختلف و تغییر پارامترهای ورودی، نتایج گاهی ناپایدارند که می‌توانند در مطالعات آتی موردبررسی و تحلیل دقیق‌تری قرار گیرند.<br /><strong>نتیجه‌گیری:</strong> این مطالعه سامانه‌ای جامع و مبتنی بر وب برای پشتیبانی تصمیم‌گیری در مدیریت بهینه توزیع اقلام امدادی ارائه داده است که می‌تواند کارایی عملیات بحران را به‌طور قابل‌توجهی افزایش دهد. استفاده ترکیبی از الگوریتم‌های فرا ابتکاری و داده‌های مکانی در این سامانه، امکان پاسخگویی سریع و تصمیم‌گیری دقیق را فراهم می‌سازد. توسعه و بهبودهای آتی این سامانه می‌تواند شامل پشتیبانی از انواع مختلف اقلام و شرایط بحرانی متنوع باشد تا نقش مؤثرتری در کاهش خسارات انسانی و مالی ایفا کند. https://jrsgr.sru.ac.ir/article_2479_bd20ba32fe2a8392eb0b57682ad10df1.pdf

دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 3 2 2025 06 22 Multi-Class 3D Change Detection in Urban Areas Using UNet++ آشکارسازی تغییرات سه‌بعدی در مناطق شهری با استفاده از مدل UNet++ 363 378 2481 10.22061/jrsgr.2026.12415.1107 FA مهدی حسنلو دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران علیرضا ابراهیمی دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران Journal Article 2025 06 19 <strong>Background and Objectives:</strong> With the rapid expansion of urbanization, the need for automatic updating of change maps has become increasingly important. Accurate and up-to-date spatial information is essential for monitoring construction activities and tracking the development of urban areas. Traditional approaches to change detection are mostly limited to two-dimensional analysis and often lack sensitivity to vertical changes. This shortcoming fails to identify multi-story constructions, thereby limiting the completeness of monitoring outcomes. Recent advances in remote sensing and deep learning have enabled three-dimensional urban change detection, providing superior results compared to classical methods. This study aims to improve the performance of 3D urban change detection by introducing a deep learning approach that integrates multi-source data. The primary objective is to automatically identify and distinguish four types of building-related changes—new construction, complete demolition, height increase, and height decrease—alongside unchanged areas, to generate a comprehensive 3D change map.<br /><strong>Methods:</strong> The dataset employed in this research consists of high-resolution RGB aerial imagery and corresponding Digital Surface Model (DSM) data acquired from two different periods over Valladolid, Spain. The input data were prepared by stacking RGB images and DSMs from both epochs into an eight-band input, allowing the network to jointly analyze spectral and elevation information. The dataset was divided into training (90%) and testing (10%) subsets. To increase variability in the training data and reduce overfitting, augmentation techniques such as horizontal and vertical flipping, random rotation, and Gaussian blurring were applied. The proposed model architecture combines a ResNet-34 backbone for feature extraction with a UNet++ decoder for pixel-level change reconstruction. Model parameters were updated using the Adam optimizer. In the first stage, the deep network was trained in a binary setting (change/no-change) and evaluated against classical approaches, including Random Forest, image differencing/ratioing, and a PCA–K-Means hybrid method. In the second stage, the network was retrained for five-class classification, including the four change categories and the unchanged class, using a loss function optimized directly for the Intersection-over-Union (IoU) metric. Model performance was assessed using Accuracy, Recall, Precision, and F1-score.<br /><strong>Findings:</strong> In the binary classification stage, after 50 epochs of training, the network successfully identified most real changes while maintaining a low false alarm rate. Evaluation metrics confirmed this performance, with Recall and Accuracy both reaching 98.5% and an F1-score of 0.92, considerably outperforming the classical methods. Unlike traditional approaches, the deep learning model was able to detect almost all small-scale constructions and demolitions. In the five-class stage, the model effectively identified and classified change types, achieving a Recall of 96.32%, an Accuracy of 96%, and an F1-score of 0.95. All newly constructed and fully demolished buildings were correctly labeled in the output maps, and a large proportion of unchanged areas received no misclassification.<br /><strong>Conclusion:</strong> The findings demonstrate that combining elevation data with 2D imagery and leveraging deep learning architectures significantly mitigates the limitations of traditional change detection approaches and enhances accuracy. The developed model is capable of detecting not only the location but also the type of change. This approach has strong potential applications in monitoring unauthorized constructions, updating spatial databases, and assessing urban development. However, its effectiveness relies on the availability of accurate DSM data, which may not be consistently accessible for all urban areas. Additionally, the training of deep networks requires extensive labeled datasets and considerable computational resources, which could limit their applicability in operational contexts. <strong>پیشینه و اهداف:</strong> امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشه‌های تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشه‌های مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشه‌های جدید تغییرات می‎‌باشد. از آنجا که روش‌های سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت کافی در ثبت تغییرات بعد سوم یا ارتفاع را ندارند، لذا این محدودیت موجب عدم تشخیص ساخت و ساز‌های طبقه‌ای شده که در نتیجه آن، نقص اطلاعات در پایش را به همراه خواهد داشت. با پیشرفت در سنجش ازدور و روش‌های نوین یادگیری عمیق، آشکارسازی تغییرات سه ­بعدی شهری امکان پذیر شده است که تاکنون نتایج برتری را نسبت به روش‌های کلاسیک ارائه داده‌اند. این پژوهش با هدف بهبود عملکرد در آشکارسازی تغییرات سه ­بعدی شهری، رویکردی بر مبنای یادگیری عمیق با استفاده از داده‌هایی با منابع مختلف ارائه می‌دهد تا انواع تغییرات ساختمانی به طور خودکار شناسایی و تفکیک نماید. هدف اصلی تفکیک چهار نوع تغییر ساختمانی از جمله ساخت جدید، تخریب کامل، افزایش ارتفاع و کاهش ارتفاع در کنار نواحی بدون تغییر می‌باشد تا نقشه جامعی از تغییرات سه بعدی شهری ارائه گردد.<br /><strong>روش‌ها‌:</strong> مجموعه داده مورد استفاده در این پژوهش شامل تصاویر هوایی رنگی (RGB) با وضوح مکانی بالا به همراه داده‌های مدل رقومی سطح (DSM) مربوط به دو بازه‌ی زمانی مختلف از محدوده شهری والادولید اسپانیا می‌باشد. داده ورودی شامل تصاویر رنگی قبل و بعد از تغییر به همراه مدل ارتفاعی متناظر آن به صورت یک ورودی هشت بانده با یکدیگر ترکیب شده تا شبکه به طور همزمان اطلاعات طیفی و ارتفاعی را مشاهده کند و جهت ورود به فرآیند آموزش مدل، داده‌ها به نسبت 90 به 10درصد به دو دسته آموزش و آزمایش تقسیم­بندی می‌شوند. جهت افزایش تنوع داده‌های آموزش و جلوگیری از برازش بیش از حد از روش‌هایی چون وارون­سازی افقی و عمودی، چرخش تصادفی و تاری گاوسی بهره گرفته شده است. معماری مدل متشکل از یک شبکه‌ی عمیق  ResNet-34به عنوان بخش ویژگی یاب و از شبکه UNet++ جهت بازسازی پیکسل به پیکسل تغییرات می‌باشد. همچنین برای به­ روزرسانی پارامترهای مدل از الگوریتم Adam بهره گرفته شده است. در مرحله نخست مدل شبکه عمیق به صورت دودویی (تغییر/عدم تغییر) آموزش داده شده و عملکرد آن در مقایسه با روش کلاسیک جنگل تصادفی، تفاضل یا نسبت گیری و روش ترکیبی تحلیل مولفه‌های اصلی (PCA) و خوشه بندی K-Means مقایسه می‌شود. پس از آن شبکه با برچسب‌های پنج کلاسه شامل چهار نوع تغییر گفته شده و برچسب عدم تغییر مجددا آموزش داده و جهت بهبود فرآیند یادگیری از یک تابع هزینه ­ساز بر مبنای بهینه ­سازی مستقیم معیار (IoU) استفاده شده است. جهت مقایسه عملکرد مدل‌ها از معیارهایی نظیر Accuracy، Recall، F1-score و Precision استفاده شده است.<br /><strong>یافته‌ها:</strong> در مرحله نخست این شبکه پس از 50 اپک آموزش اغلب تغییرات واقعی را شناسایی کرده و در عین حال نرخ هشدار غلط را پایین نگه داشته است که معیارهای ارزیابی Recall، Accuracy و F1-score با مقادیر 98.5% و 98.5% و 0.92 این نتایج را تأکید می‌کنند و این ارقام به طور محسوسی بهتر از روش‌های کلاسیک بوده‌.  همچنین در مدل یادگیری عمیق بر خلاف دیگر روش‌ها تقریبا تمامی موارد ساخت و ساز یا تخریب در مقیاس‌های کوچک تشخیص داده شده است. در مرحله پنج کلاسه، تغییرات به خوبی توسط مدل شناسایی و طبقه بندی شده‌اند و معیارهای Recall، Accuracy و F1-score به ترتیب برابر با 96.32% و 96% و 0.95 می‌باشد. تمامی سازه‌های جدید احداث شده و ساختمان‌های کاملا تخریب شده در نقشه خروجی مدل با برچسب درست تشخیص داده شده اند و بخش وسیعی از مناطق بدون تغییر هیچ برچسب اشتباهی دریافت نکرده‌اند.<br /><strong>نتیجه‌گیری:</strong> نتایج نشان‌دهنده آن است که ترکیب داده‌های ارتفاعی با تصاویر دو بعدی و به کارگیری مدل‌های یادگیری عمیق به طرز چشمگیری کاستی‌های روش سنتی تشخیص تغییرات را برطرف کرده و افزایش دقت را به همراه خواهد داشت. این مدل توسعه یافته قادر است که نه تنها مکان تغییر بلکه نوع تغییر را شناسایی کند. لازم به ذکر است که از این شیوه نوین می‌توان جهت پایش ساخت و سازهای غیر مجاز، به روز رسانی پایگاه‌های داده مکانی و ارزیابی تغییرات شهری استفاده شود. مهمترین محدودیت این پژوهش وابستگی به داده‌های ارتفاعی دقیق می‌باشد که تهیه منظم آن در تمامی شهرها امکان پذیر نمی‌باشد. به علاوه آموزش مدل‌های عمیق نیازمند داده‌های برچسب دار گسترده و توان پردازشی بالا می‌باشد که ممکن است در کاربردهای عملی محدودیت ایجاد کند. https://jrsgr.sru.ac.ir/article_2481_e67e8586b26472fb75120a7b29423d6b.pdf