فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: تشخیص تغییرات، در داده‌های سنجش از دور، وظیفه‌ای بسیار مهم در علوم محیط‌زیست، مدیریت منابع طبیعی، برنامه‌ریزی شهری و مدیریت بحران‌هاست. با وجود پیشرفت‌های اخیر در این زمینه، بسیاری از روش‌های موجود صرفاً به چالش‌های خاصی می‌پردازند و قادر به دادن راه‌حلی جامع، برای انواع متفاوت داده‌ها و کاربردها نیستند. این محدودیت‌ها شامل ناتوانی در مدیریت داده‌های چندطیفی، فراطیفی و راداری، و نیز ناتوانی در بیان نتایج دقیق و سریع با استفاده از پردازش موازی و بهینه‌سازی منابع پردازشی می‌شود. علاوه‌براین، روش‌های فعلی اغلب به تشخیص تغییرات باینری محدود می‌شوند و قادر به شناسایی دقیق نوع ویژگی‌های تغییریافته نیستند. بنابراین هدف اصلی این تحقیق توسعۀ روشی نوآورانه و جامع برای تشخیص تغییرات است که بتواند این محدودیت‌ها را برطرف کند و در دنیای واقعی، کاربردهای مؤثری داشته باشد.مواد و روش‌ها: در این مطالعه، روش جدیدی مبتنی‌بر ترکیب شبکۀ ترانسفورمر و مدل توجه خودکار مطرح می‌کنیم که قادر به پردازش و تحلیل داده‌های سنجش از دور، با دقت و کارآیی بالاست. این روش از داده‌های چندطیفی، فراطیفی و راداری بهره می‌برد که از ماهواره‌های سنتینل‌– 2، QuickBird و TerraSAR-X به دست آمده‌اند. این داده‌ها در بازه‌های زمانی متفاوتی جمع‌آوری شده و شامل اطلاعات گوناگون، ازجمله تغییرات پوشش گیاهی، کاربری زمین و تغییرات ساختاری‌اند. روش پیشنهادی از تکنیک‌های ادغام ویژگی‌ها بهره می‌برد که با استفاده از لایه‌های کانولوشن و ترانسفورمر، اطلاعات موجود در داده‌ها را ترکیب می‌کند و دقت تشخیص تغییرات را افزایش می‌دهد. علاوه‌براین استفاده از مکانیسم توجه فضایی به شناسایی روابط مکانی بین ویژگی‌ها کمک می‌کند و با تمرکز بر نواحی کلیدی، دقت تشخیص تغییرات را بهبود می‌بخشد. شبکۀ مبتنی‌بر ترانسفورمر که برای تعیین شباهت توسعه یافته است، با مکانیسم‌های توجه خودکار تقویت شده که امکان دریافت روابط پیچیدۀ بین ویژگی‌ها را در دنباله‌های زمانی فراهم می‌کند. این ویژگی، به‌ویژه برای تشخیص تغییرات جزئی که ممکن است در سایر روش‌ها نادیده گرفته شوند، اهمیت دارد. در بستر عملیاتی، روش پیشنهادی روی سیستمی با کارآیی بالا، شامل یک CPU 24 هسته‌ای Xeon E5-2697 v2، 28 گیگابایت حافظه، دیسک SSD با ظرفیت 200 گیگابایت و یک کارت گرافیک RTX 2080 Ti با 11 گیگابایت RAM و CUDA 11 اجرا و ارزیابی شد.نتایج و بحث: نتایج این تحقیق برتری روش پیشنهادی را در مقایسه با روش‌های موجود نشان می‌دهند. ارزیابی‌ها براساس معیارهای دقت، بازخوانی، F1-score، دقت کلی (OA) و هم‌پوشانی متقاطع (IoU) انجام شد. این روش توانست، در تمامی این معیارها، عملکردی بهتر از روش‌های دیگر نشان دهد. به‌طورخاص دقت کلی افزایش چشمگیری یافت و در برخی مجموعه داده‌ها، به بیش از 95% رسید. این نتایج حاکی از آن است که روش پیشنهادی نه‌تنها قادر به تشخیص دقیق تغییرات باینری است بلکه می‌تواند نوع ویژگی‌های تغییریافته را نیز با دقت بالا شناسایی کند. این قابلیت‌ها به‌دلیل استفاده از تکنیک‌های پیشرفتۀ یادگیری عمیق و پردازش موازی به دست آمده‌اند. همچنین استفاده از چارچوب SoFRB باعث بهبود کارآیی روش پیشنهادی شده و امکان پردازش داده‌های حجیم را، در زمان کمتر، فراهم کرده است. تحلیل‌های ما بیان می‌کند که روش پیشنهادی می‌تواند، با مجموعه داده‌های متفاوت، انطباق بالایی نشان دهد و در شرایط گوناگون کارکرد مؤثری داشته باشد. به‌علاوه، این روش می‌تواند ابزار کارآمدی در زمینه‌های متفاوت، ازجمله نظارت بر محیط‌زیست، برنامه‌ریزی شهری، کشاورزی دقیق و مدیریت بحران‌ها باشد.نتیجه‌گیری: روش پیشنهادی ترکیبی از تکنیک‌های مدرن یادگیری عمیق و پردازش موازی است که دقت و کارآیی تشخیص تغییرات در داده‌های سنجش از دور را بهبود چشمگیری بخشیده است. نتایج این تحقیق نشان می‌دهد که روش پیشنهادی نه‌تنها در شرایط آزمایشگاهی بلکه در کاربردهای عملی نیز مورد ‌اعتماد است. به‌طورخاص این روش می‌تواند در نظارت بر تغییرات محیط‌زیست، شناسایی تغییرات در زیرساخت‌های شهری و مدیریت بحران‌های طبیعی و انسانی، نقش مؤثری داشته باشد. این نتایج نویدبخش کاربردهای گسترده این روش در حوزه‌های گوناگون است. همچنین تحقیقات آینده می‌تواند شامل بهبودهای بیشتری در زمینه‌های گوناگون، مانند بهینه‌سازی مدل، استفاده از داده‌های بیشتر و متنوع‌تر و بررسی تأثیر استفاده از تکنیک‌های جدیدتر یادگیری عمیق و پردازش موازی باشد.