فهرست نشریات علمی دسترسی آزاد ایران

مطالعه کاربری اراضی و تغییرات آن در دوره‌های زمانی نقشی کلیدی در مدیریت منابع طبیعی و برنامه‌ریزی شهری ایفا می‌کند. یکی از روش‌های بهینه و مقرون به صرفه در این زمینه استفاده از الگوریتم‌ها و روش‌های طبقه‌بندی تصاویر هوایی و سنجش از دور است. طبقه‌بندی تصاویر هوایی با استفاده از مدل‌های یادگیری عمیق یکی از روش‌های پیشرفته در پردازش داده‌های مکانی محسوب می شود که بهبود صحت و کارایی آن به انتخاب مدل مناسب و تنظیم بهینه‌ فراپارامترها بستگی دارد. در این پژوهش، عملکرد دو مدل یادگیری عمیق U-Net و ResNet-34 در ترکیب با شش بهینه‌ساز مختلف شامل SGD، Adam، RMSprop، Adagrad، Nadam و AdamW برای طبقه‌بندی تصاویر هوایی بررسی شده است. نتایج نشان داد که ResNet-34 در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به U-Net ارائه داده است. بالاترین صحت کلی در مدل ResNet-34 با بهینه‌ساز RMSprop برابر با 87.54% بود، درحالی‌که همین بهینه‌ساز در مدل U-Net صحت77.17% را به دست آورد. بهینه‌ساز Adam نیز در ResNet-34 صحت83.97% و در U-Net صحت 63.30% را ارائه داد. در مقابل، بهینه‌ساز Adagrad ضعیف‌ترین عملکرد را داشت و همگرایی کندی نشان داد. تحلیل معیارهای ضریب کاپا، امتیاز ژاکارد و امتیاز F1 تأیید کرد که بهینه‌سازهای تطبیقی مانند RMSprop و Adam تأثیر مثبتی بر بهبود صحت مدل‌ها دارند. نتایج این تحقیق نشان داد که انتخاب مدل مناسب و بهینه‌ساز کارآمد نقش مهمی در افزایش صحت و کاهش خطای مدل‌های یادگیری عمیق دارد. در مطالعات آینده، بررسی بهینه‌سازی ترکیبی روش‌های کلاسیک و تطبیقی و استفاده از مدل‌های پیشرفته‌تر مانند ++ U-Net و بهینه‌سازهای نوظهور نظیر Lion، AdaBelief و RAdam پیشنهاد می‌شود.