نوع مقاله : مقاله مروری

نویسندگان

• محمدرضا زرگر ¹
• امیر آقابالائی ²
• صفا خزائی ³
• علی مهتدی ⁴

¹ گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران ‏

² گروه نقشه برداری و داده های مکانی، دانشکده عمران، آب و انرژی، دانشگاه جامع امام حسین (ع)، تهران، ایران

³ گروه مهندسی اثر، دانشکده پدافند غیرعامل، دانشگاه جامع امام حسین (ع)، تهران، ایران

⁴ گروه نقشه برداری، دانشکده فنی و مهندسی، موسسه آموزش عالی حکمت، قم، ایران ‏

چکیده

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

کلیدواژه‌ها

• شناسایی تغییرات
• سنجش از دور
• تصویر راداری
• یادگیری عمیق

موضوعات

• سنجش از دور

عنوان مقاله [English]

A Systematic Review of Machine Learning Methods for Change Detection in ‎Radar and Optical Images with a Focus on Deep Learning

نویسندگان [English]

• M.R. Zargar ¹
• A. Aghabalaei ²
• S.a Khazai ³
• A. Mohtadi ⁴

¹ Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, University of ‎Tehran, Tehran, Iran

² Department of Surveying and Spatial Data, Faculty of Civil Engineering, Water and Energy, Imam Hossein Comprehensive ‎University, Tehran, Iran

³ Department of Signature engineering, Faculty of Passive Defense, Imam Hossein Comprehensive University, Tehran, Iran

⁴ Department of Surveying Engineering, Faculty of Technology and Engineering, Hekmat Higher Educational Institute, Qom, ‎Iran

چکیده [English]

Background and Objectives: 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.
Methods: 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.
Findings: 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.
Conclusion: 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.

کلیدواژه‌ها [English]

• Change Detection
• Remote Sensing
• Radar Image
• Deep Learning

COPYRIGHTS

© 2025 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

(https://creativecommons.org/licenses/by-nc/4.0/)