فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: با پیشرفت فناوری‌های سنجش‌ازدوری و یادگیری عمیق، شناسایی خودکار شبکه‌ی راه‌ها به‌ویژه در مناطق روستایی و راه‌های فرعی، امکان‌پذیر شده است. همچنین، روش‌های سنتی نقشه‌برداری، به دلیل هزینه‌بر و زمان‌بر بودن، جای خود را به روش‌های مبتنی بر داده‌های سنجش‌ازدوری و یادگیری ماشین داده‌اند. بدین منظور هدف این تحقیق، بررسی جامعی از تحقیقات انجام‌شده در زمینه‌ی تهیه نقشه راه‌ها با استفاده از داده‌های سنجش‌ازدوری خصوصاً در سال‌های اخیر می‌باشد. به‌طورکلی تهیه‌ی نقشه از شبکه‌ی راه‌ها، روش‌های متفاوتی را دربر می‌گیرد که یکی از روش‌های قابل اعتماد و مقرون‌به‌صرفه، شناسایی اتوماتیک از طریق تصاویر سنجش‌ازدوری می‌باشددر نگاه کلی بنابر نوع مسیر موردمطالعه که شبکه‌ی راه‌های روستایی می‌‌باشد، تصاویر ماهواره‌ای با حد تفکیک مکانی متوسط و دسترسی رایگان نمی‌توانند گزینه‌ای جهت دستیابی به دقت‌های بالا باشند؛ از این رو، می‌توان از روش‌های تلفیق تصاویر ماهواره‌ای که منجر به افزایش حد تفکیک مکانی می‌شوند و نتایج الگوریتم‌های شناسایی را بهبود می‌بخشند، بهره گرفت. یکی از راه‌های تلفیق تصاویر ماهواره‌ای، الگوریتم‌های سوپر رزولوشن می‌باشند. این مطالعه می‌تواند مرجعی جهت مقایسه و انتخاب روشی جهت شناسایی شبکه‌ی راه‌ها به‌صورت خودکار و همچنین روش‌هایی جهت بهبود حد تفکیک مکانی تصاویر سنجش‌ازدوری برای کمک به شناسایی را‌ه‌هایی با عرض کم (مانند شبکه‌ی راه‌های روستایی) باشد، تا محققان با توجه به هدف و نوع شبکه‌ی راه مورد مطالعه، داده‌ها و الگوریتم‌ مناسب را انتخاب نمایند.مواد و روش: هدف این پژوهش بررسی روش‌های موجود تشخیص شبکه‌ی راه‌ها و چگونگی استفاده از تصاویر ماهواره‌ای با حد تفکیک مکانی متوسط جهت این امر می‌باشد. در ابتدا داده‌ها و روش‌های قابل استفاده جهت تولید نقشه‌ی شبکه‌ی راه مورد بررسی قرار گرفته است. در ادامه، اصول استفاده شده در حوزه‌ی تشخیص شبکه‌ی راه‌ها با استفاده از تصاویر سنجش-ازدوری تشریح شده و بر اساس این اصول دسته‌بندی‌ بصورت روش‌های مبتنی بر کلاسه‌بندی، قطعه‌بندی، شاخص راه و یادگیری ماشین انجام پذیرفته است. جهت به کارگیری تصاویر ماهواره‌ای با حد تفکیک مکانی متوسط نیز روش‌های بهبود حد تفکیک مکانی مورد بررسی قرار گرفته‌اند. در نهایت روش‌ها از نظر پارامتر‌های ورودی، نحوه سازوکار و خروجی قابل ارائه بررسی شده‌اند تا نقاط قوت و ضعف هر کدام شناسایی شود و بتوان از آنها در کاربردهای مختلف به بهترین نحو استفاده نمود.بحث و بررسی: با توجه به بررسی‌های انجام‌شده از مقاله‌‌های مورد بررسی از مجله‌های معتبر مختلف در زمینه‌ی تشخیص شبکه‌ی راه‌ها، روش‌های مبتنی بر کلاسه‌بندی، قطعه‌بندی، شاخص راه و یادگیری ماشین به‌ترتیب سهم‌هایی حدود 28‌، 31، 5 و 36 درصدی را دارا می‌باشند؛ شایان ذکر است که در سال‌های اخیر روش‌های مبتنی بر کلاسه‌بندی و قطعه‌بندی با شبکه-های عصبی توسعه یافته‌اندکه در حالت کلی روش‌های مبتنی بر یادگیری ماشین سهم بیشتری( حدود 60 درصد) را در بر بگیرد. همچنین در زمینه‌ی سوپر رزولوشن، بررسی‌های انجام‌شده نشان می‌دهد که روش‌های مبتنی بر روش‌های سنتی و یادگیری عمیق به‌ترتیب سهم‌هایی حدود 44 و 56 درصدی را دارا می‌باشند که در سال‌های اخیر اغلب رویکردهای مبتنی بر یادگیری عمیق در حال توسعه هستند. نتیجه گیری: بررسی‌ها نشان می‌دهد که استفاده از مدل‌های یادگیری عمیق در تشخیص شبکه‌ی راه‌ها نتایج بهتری نسبت به روش‌های سنتی ارائه می‌دهند و به تدریج جایگزین این روش‌ها شده‌اند. مدل‌های یادگیری عمیق با قابلیت استخراج ویژگی‌های پیچیده و کاهش نیاز به مداخله‌ی انسانی، دقت و کارایی فرایند تشخیص را بهبود بخشیده‌اند. از طرف دیگر، تکنیک‌های سوپر رزولوشن مبتنی بر یادگیری عمیق می‌توانند با افزایش حد تفکیک مکانی تصاویر، مشکلات ناشی از کمبود تصاویر با وضوح بالا را حل کنند. این تکنیک‌ها با حفظ ویژگی‌های طیفی و کاهش نویز، می‌توانند تصاویر با کیفیت‌تری برای تشخیص راه‌ها ارائه دهند. به طور کلی، ترکیب روش‌های سوپر رزولوشن و یادگیری عمیق برای شناسایی شبکه‌ی راه‌ها، رویکردی مقرون به‌صرفه و کارآمد برای به‌روزرسانی نقشه‌های راه ارائه می‌دهد. این رویکردها با کاهش هزینه‌ها و زمان مورد نیاز برای تشخیص، می‌توانند به‌طور گسترده‌ای توسط محققان و متخصصان در زمینه‌های مختلف مورد استفاده قرار گیرند. همچنین، با توسعه‌ی بیشتر این تکنیک‌ها و بهبود دقت آن‌ها، می‌توان به راهکارهای جدیدی برای مدیریت و برنامه‌ریزی ساخت و نگهداری جاده‌ها دست یافت.