https://jrsgr.sru.ac.ir/ پژوهش های سنجش از دور و اطلاعات مکانی fa daily 1 Mon, 19 Jan 2026 00:00:00 +0330 Mon, 19 Jan 2026 00:00:00 +0330 https://jrsgr.sru.ac.ir/article_2489.html پیشینه و اهداف: چکیده یکی از بخش‌های کلیدی هر مقاله است و باید به‌صورت سازمان‌یافته و روشن، زمینه، مسأله و هدف را در کنار روش، یافته‌ها و نتیجه‌گیری بیان کند. در حوزه ناوبری نوریِ فضاپیما در مدار پایین زمین، اتکا به حسگرهای مبتنی بر تصویر به‌عنوان جایگزین یا پشتیبان سامانه‌های رادیویی اهمیت فزاینده‌ای یافته است. چالش اصلی، حفظ دقت و پایداری در شرایطی است که پوشش سامانه‌های رادیویی کاهش می‌یابد یا محیط دید دچار افت می‌شود. پژوهش حاضر بر پایه ادغام اطلاعات حسگر ستاره و حسگر افق زمین بنا شده است تا زنجیره‌ای ارائه دهد که بدون تکیه به زیرساخت رادیویی، بتواند وضعیت و موقعیت فضاپیما را با دقت قابل اتکا برآورد کند. ایده محوری آن است که حسگر افق زمین قید هندسی نیرومندی را در راستای شعاعی ایجاد می‌کند و حسگر ستاره، خطی‌سازی و پایایی تخمین وضعیت را بهبود می‌دهد. هدف‌ها به‌طور شفاف عبارت‌اند از: طراحی و پیاده‌سازی یک زنجیره ادغام ناهم‌نرخ برای دو حسگر مکمل، تدوین راهبرد وزن‌دهی سازگار با هندسه مدار و سنجه‌ها، پایش کیفیت اندازه‌گیری‌ها با شاخص‌های آماری قابل تفسیر، و بهبود رفتار زمانی خروجی برای کاربردهای عملیاتی که نسبت به نوسان‌های کوتاه‌دوره حساس‌اند.روش‌ها‌: سامانه پیشنهادی بر یک مسیر شبیه‌سازی‌شده در مدار پایین زمین و حقیقتِ مبنا حاصل از نرم‌افزار تخصصی شبیه‌سازی مداری استوار است. جریان داده شامل بردارهای ستاره‌ای از حسگر ستاره و لبه افق زمین از حسگر افق زمین است که با نرخ‌های متفاوت در دسترس قرار می‌گیرند. ادغام بر پایه یک فیلتر کالمن توسعه‌یافته انجام می‌شود که در آن معادلات دینامیکی وضعیت و مکان، با مدل‌سازی اختلالات اصلی و نویزهای فرایندی و اندازه‌گیری فرموله شده‌اند. به‌سبب ناهم‌نرخ بودن سنجه‌ها، به‌روزرسانی‌ها به‌صورت رویدادمحور انجام می‌شود و برای هم‌ترازی زمانی، از میانیابی وضعیت بهره گرفته می‌شود. کنترل کیفیت اندازه‌گیری‌ها با گیتینگ (ناحیه بندی) آماری بر پایه فاصله ماهالانوبیس انجام می‌گیرد تا مؤلفه‌های ناسازگار به‌موقع کنار گذاشته شوند. برای هم‌سو کردن سهم اطلاعاتی هر راستا با فیزیک مسأله، از وزن‌دهی بیضوی در دستگاه شعاعی، مماسی و عمود بر مدار استفاده شده است. به‌منظور کاهش نوسان کوتاه‌دوره در راستاهای صفحه‌ای، اسموتینگ (صاف کننده) پس‌پردازشی از نوع رائو–تارب–استرایبل به‌صورت انتخابی تنها بر مؤلفه‌های غیرشعاعی اعمال می‌شود و برآورد شعاعی همان برونداد فیلتر باقی می‌ماند تا قید افق زمین مخدوش نشود. ارزیابی کارایی در سناریوهای گوناگون نویزی انجام شده و محاسبه شاخص‌های خطا مانند میانگین مربعات و میانگین قدر مطلق خطا، در کنار تحلیل پایداری با رصد روند نوآوری و نرخ پذیرش به‌روزرسانی‌ها، مبنای قضاوت قرار گرفته است.یافته‌ها: نتایج نشان داد ادغام ناهم‌نرخ حسگر ستاره و حسگر افق زمین در قالب فیلتر کالمن توسعه‌یافته به همراه اسموتینگ (صاف کننده) انتخابی، خطای کلی مکان را به‌طور معناداری کاهش می‌دهد و هم‌زمان، راستای شعاعی به دلیل قید قوی حسگر افق زمین مقید و پایدار باقی می‌ماند. کاهش محسوس نوسان در مؤلفه‌های صفحه‌ای با حفظ رفتار طبیعی مؤلفه شعاعی مشاهده شد؛ به‌گونه‌ای که منحنی‌های خطا در بازه زمانی، الگوی هموارتر و سازگارتر با دینامیک مدار پیدا کردند. محاسبه خطای میانگین مربعات و میانگین قدر مطلق، بهبود پایدار عملکرد را نسبت به حالت بدون اسموتینگ (صاف کننده) تأیید کرد و تحلیل نوآوری نشان داد هم‌ترازی زمانی و وزن‌دهی اندازه‌گیری‌ها به‌درستی تنظیم شده است. نرخ پذیرش به‌روزرسانی‌ها روند یکنواختی داشت و نشان داد گیتینگ (ناحیه بندی) آماری توانسته است تعادل مطلوبی میان حذف پرت‌ها و حفظ اطلاعات مفید برقرار کند. ارزیابی سناریوهای با نویز بالاتر نشان داد هرچند دامنه نوسان افزایش می‌یابد و زمان رسیدن به باند عملکرد طولانی‌تر می‌شود، سامانه پیشنهادی همچنان به محدوده خطای قابل قبول همگرا می‌شود و بیشترین تأثیر اسموتینگ (صاف کننده) در راستاهای صفحه‌ای نمود دارد.نتیجه‌گیری: جمع‌بندی نتایج نشان می‌دهد ترکیب دو حسگر مکمل با ادغام ناهم‌نرخ، وزن‌دهی سازگار با هندسه مدار و اسموتینگ (صاف کننده) انتخابی، چارچوبی عملی و کم‌هزینه برای ناوبری نوری در مدار پایین زمین فراهم می‌کند. این چارچوب علاوه بر ارتقای دقت، رفتار زمانی منظم‌تری تولید می‌کند که برای تصمیم‌گیری‌های آستانه‌محور در عملیات فضایی ارزشمند است. از دید کاربرد، راهکار پیشنهادی برای ماهواره‌های کوچک و مأموریت‌های با منابع محاسباتی محدود مناسب است و می‌تواند نقش پشتیبان یا جایگزین سامانه‌های رادیویی را در شرایط دشوار بر عهده گیرد. در عین حال، محدودیت‌هایی مانند اتکا به محیط شبیه‌سازی و ساده‌سازی برخی مدل‌ها وجود دارد. گذار به محیط عملیاتی مستلزم آزمایش‌های زمینی و در حلقه با حسگرهای واقعی و نیز کالیبراسیون دقیق ماتریس‌های نصب است. پیشنهاد می‌شود حساسیت سامانه نسبت به بایاس حسگر افق زمین، درخشش پراکنده، دوره‌های طولانی سایه و مانورهای گذرا بررسی شود. از منظر برآورد، آزمون گونه‌های پیشرفته فیلتر کالمن و طراحی اسموتینگ (صاف کننده) با قیدهای سخت‌تر، همراه با مدل‌سازی پرفیدلیِ دینامیک و زمان‌بندی دقیق‌تر در ادغام ناهم‌نرخ، می‌تواند مسیر ارتقای بیشتر را هموار کند و زمینه را برای توسعه نسخه‌های عملیاتی آماده به‌کار فراهم آورد. https://jrsgr.sru.ac.ir/article_2504.html پیشینه و اهداف: آتش‌سوزی‌های گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیست‌بوم‌ها، به یکی از جدی‌ترین چالش‌های محیطی عصر حاضر تبدیل شده‌اند و شناسایی دقیق نواحی سوخته پس از حریق، پیش‌نیاز ارزیابی خسارت، برنامه‌ریزی احیا و مدیریت خطر است. داده‌های اپتیکی ماهواره‌ای، به‌ویژه تصاویر سنتینل-۲، همراه با شاخص‌های طیفی پرکاربرد، ابزار قدرتمندی برای نقشه‌برداری مناطق سوخته فراهم می‌کنند، اما کارایی آن‌ها به انتخاب مناسب شاخص‌ها و مدل‌های طبقه‌بندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایى یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخص‌های طیفی، در آتش‌سوزی جنگلی Kenneth  در لس‌آنجلس است.روش‌ها‌: در این پژوهش، پس از انتخاب تصویر پساحریق سنتینل-۲ و اعمال ماسک ابر، هشت باند طیفی اصلی (شامل باندهای مرئی، فروسرخ نزدیک، لبه قرمز و فروسرخ موج کوتاه) به‌همراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره به‌عنوان ورودی مدل‌ها تشکیل گردید. داده‌های مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتش‌سوزی‌ها برداشت شد و نمونه‌ها به‌صورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگی‌ها با روش نرمال‌سازی خطی مقیاس‌بندی شدند. در ادامه، یک روش آماری مبتنی بر بیشینه شباهت (MLE)، سه الگوریتم یادگیری ماشین شامل تقویت تطبیقی (Adaboost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی (CNN) و شبکه پرسپترون چندلایه (MLP) آموزش داده شد. ارزیابی مدل‌ها بر اساس ماتریس درهم‌ریختگی و شاخص‌هایی نظیر Accuracy، Precision، Recall، F1-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخص‌ها در هر مدل نیز محاسبه شد.یافته‌ها: نتایج این پژوهش نشان داد تمامی مدل‌ها قادر به تفکیک الگوی کلی سوختگی از پس‌زمینه نسوخته بودند، اما در دقت عددی و نویز مکانی اختلاف قابل توجهی داشتند. روش آماری مبتنی بر MLE، اگرچه دقتی نزدیک به ۹۸ درصد را به‌دست آورد، به‌دلیل مقدار بالای طبقه‌بندی نادرست پیکسل‌های نسوخته به‌عنوان سوخته و تولید لکه‌های پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتم‌های یادگیری ماشین، RF بهترین عملکرد را داشت؛ به‌گونه‌ای که با Accuracy حدود ۹۹٫۶۷ درصد، F1-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسل‌های سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F1-score بیش از ۹۶ درصد عملکردی پایدار نشان داد، هرچند نسبت به RF تا حدی خطای بیشتری در مرزهای لکه سوختگی داشت. الگوریتم Adaboost، با وجود بهبود محسوس نسبت به روش آماری، به‌سبب حساسیت به نمونه‌های دشوار، میزان بالاتری از عدم شناسایی پیکسل‌های سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشه‌هایی پیوسته و کم‌نویز تولید نمودند و از نظر Accuracy ، F1-score و IoU نتایجی بسیار نزدیک به RF به‌دست آوردند. تحلیل اهمیت ویژگی‌ها نشان داد باندهای فروسرخ موج کوتاه (SWIR-1,2) و شاخص‌های مرتبط با سوختگی و پوشش گیاهی، به‌ویژه شاخص‌های NBR، NDVI و SAVI، بیشترین سهم را در تصمیم‌گیری مدل‌ها داشته‌اند و باندهای ناحیه مرئی نقش فرعی‌تری ایفا کرده‌اند.نتیجه‌گیری: برآیند نتایج نشان می‌دهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخص‌های پوشش گیاهی و رطوبتی، در ترکیب با مدل‌های یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشه‌برداری نواحی سوخته در چشم‌اندازهای ناهمگن فراهم می‌کند. در این میان، RF و سپس مدل­های CNN و MLP، به‌عنوان گزینه‌های بهینه برای پیاده‌سازی عملی پیشنهاد می‌شوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر به‌عنوان خطوط پایه مقایسه قابل استفاده‌اند. از مهم‌ترین محدودیت‌های مطالعه حاضر می‌توان به تکیه بر یک رویداد آتش‌سوزی و استفاده از داده تک‌زمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتش‌سوزی‌ها، تیپ‌های پوشش گیاهی و شرایط توپوگرافی متنوع‌تر، همراه با بهره‌گیری از داده‌های چندزمانه و ادغام سنجنده‌های راداری و ارتفاعی، به‌عنوان مسیرهای اصلی پژوهش‌های آینده پیشنهاد می‌شود. نتایج این تحقیق می‌تواند در طراحی سامانه‌های عملیاتی پایش آتش‌سوزی، اولویت‌بندی مناطق احیا و برنامه‌ریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد. https://jrsgr.sru.ac.ir/article_2389.html پیشینه و اهداف: 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، 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 با استفاده از داده‌های موقعیت و وضعیت دوربین که به‌صورت همزمان توسط حسگرهای موجود در گوشی هوشمند اندازه‌گیری شده‌اند، بررسی شده است.روش‌ها‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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 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 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_2400.html پیشینه و اهداف: 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.روش‌ها‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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_2402.html 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. https://jrsgr.sru.ac.ir/article_2398.html پیشینه و اهداف: 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. روش‌ها:‌ 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. یافته‌ها: 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. نتیجه‌گیری: 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_2401.html پیشینه و اهداف: 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.روش‌ها‌: 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 DJI Mavic Mini 2 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.یافته‌ها: 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.نتیجه‌گیری: 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_2399.html پیشینه و اهداف: 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.روش‌ها:‌ 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.یافته‌ها: 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_2418.html پیشینه و اهداف: 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.روش‌ها‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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_2436.html پیشینه و اهداف: 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.روش‌ها‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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.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_2434.html پیشینه و اهداف: 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.روش‌ها‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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_2475.html پیشینه و اهداف: 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 (IPCC)، 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 Sentinel-5P مجهز به حسگر TROPOMI 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.روش‌ها‌: این پژوهش با رویکرد توصیفی–تحلیلی و بر پایه سری‌های زمانی داده‌های روزانه سنجنده TROPOMI ماهواره Sentinel-5P در پلتفرم Google Earth Engine 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.یافته‌ها: 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 ppb بالاتر از آستانه ۱۸۰۰ ppb تعیین‌شده توسط IPCC 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 ppb رسید.نتیجه‌گیری: 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_2479.html اهداف: 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.روش‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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_2481.html پیشینه و اهداف: 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.روش‌ها‌: 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.یافته‌ها: 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.نتیجه‌گیری: 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.