تحلیل روش ها، چالش ها و دیدگاه های موجود در زمینه ی شناسایی شبکه راه های روستایی با محوریت استفاده از تصاویر سنجش ازدوری

سابقه و هدف: با پیشرفت فناوری های سنجش ازدوری و یادگیری عمیق، شناسایی خودکار شبکه ی راه ها به ویژه در مناطق روستایی و راه های فرعی، امکان پذیر شده است. همچنین، روش های سنتی نقشه برداری، به دلیل هزینه بر و زمان بر بودن، جای خود را به روش های مبتنی بر داده های سنجش ازدوری و یادگیری ماشین داده اند. بدین منظور هدف این تحقیق، بررسی جامعی از تحقیقات انجام شده در زمینه ی تهیه نقشه راه ها با استفاده از داده های سنجش ازدوری خصوصا در سال های اخیر می باشد. به طورکلی تهیه ی نقشه از شبکه ی راه ها، روش های متفاوتی را دربر می گیرد که یکی از روش های قابل اعتماد و مقرون به صرفه، شناسایی اتوماتیک از طریق تصاویر سنجش ازدوری می باشددر نگاه کلی بنابر نوع مسیر موردمطالعه که شبکه ی راه های روستایی می باشد، تصاویر ماهواره ای با حد تفکیک مکانی متوسط و دسترسی رایگان نمی توانند گزینه ای جهت دستیابی به دقت های بالا باشند؛ از این رو، می توان از روش های تلفیق تصاویر ماهواره ای که منجر به افزایش حد تفکیک مکانی می شوند و نتایج الگوریتم های شناسایی را بهبود می بخشند، بهره گرفت. یکی از راه های تلفیق تصاویر ماهواره ای، الگوریتم های سوپر رزولوشن می باشند. این مطالعه می تواند مرجعی جهت مقایسه و انتخاب روشی جهت شناسایی شبکه ی راه ها به صورت خودکار و همچنین روش هایی جهت بهبود حد تفکیک مکانی تصاویر سنجش ازدوری برای کمک به شناسایی را ه هایی با عرض کم (مانند شبکه ی راه های روستایی) باشد، تا محققان با توجه به هدف و نوع شبکه ی راه مورد مطالعه، داده ها و الگوریتم مناسب را انتخاب نمایند.مواد و روش: هدف این پژوهش بررسی روش های موجود تشخیص شبکه ی راه ها و چگونگی استفاده از تصاویر ماهواره ای با حد تفکیک مکانی متوسط جهت این امر می باشد. در ابتدا داده ها و روش های قابل استفاده جهت تولید نقشه ی شبکه ی راه مورد بررسی قرار گرفته است. در ادامه، اصول استفاده شده در حوزه ی تشخیص شبکه ی راه ها با استفاده از تصاویر سنجش-ازدوری تشریح شده و بر اساس این اصول دسته بندی بصورت روش های مبتنی بر کلاسه بندی، قطعه بندی، شاخص راه و یادگیری ماشین انجام پذیرفته است. جهت به کارگیری تصاویر ماهواره ای با حد تفکیک مکانی متوسط نیز روش های بهبود حد تفکیک مکانی مورد بررسی قرار گرفته اند. در نهایت روش ها از نظر پارامتر های ورودی، نحوه سازوکار و خروجی قابل ارائه بررسی شده اند 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 بررسی های انجام شده از مقاله های مورد بررسی از مجله های معتبر مختلف در زمینه ی تشخیص شبکه ی راه ها، روش های مبتنی بر کلاسه بندی، قطعه بندی، شاخص راه و یادگیری ماشین به ترتیب سهم هایی حدود ۲۸ ، ۳۱، ۵ و ۳۶ درصدی را دارا می باشند؛ شایان ذکر است که در سال های اخیر روش های مبتنی بر کلاسه بندی و قطعه بندی با شبکه-های عصبی توسعه یافته اندکه در حالت کلی روش های مبتنی بر یادگیری ماشین سهم بیشتری( حدود ۶۰ درصد) را در بر بگیرد. همچنین در زمینه ی سوپر رزولوشن، بررسی های انجام شده نشان می دهد که روش های مبتنی بر روش های سنتی و یادگیری عمیق به ترتیب سهم هایی حدود ۴۴ و ۵۶ درصدی را دارا می باشند که در سال های اخیر اغلب رویکردهای مبتنی بر یادگیری عمیق در حال توسعه هستند. نتیجه گیری: بررسی ها نشان می دهد که استفاده از مدل های یادگیری عمیق در تشخیص شبکه ی راه ها نتایج بهتری نسبت به روش های سنتی ارائه می دهند و به تدریج جایگزین این روش ها شده اند. مدل های یادگیری عمیق با قابلیت استخراج ویژگی های پیچیده و کاهش نیاز به مداخله ی انسانی، دقت و کارایی فرایند تشخیص را بهبود بخشیده اند. از طرف دیگر، تکنیک های سوپر رزولوشن مبتنی بر یادگیری عمیق می توانند با افزایش حد تفکیک مکانی تصاویر، مشکلات ناشی از کمبود تصاویر با وضوح بالا را حل کنند. این تکنیک ها با حفظ ویژگی های طیفی و کاهش نویز، می توانند تصاویر با کیفیت تری برای تشخیص راه ها ارائه دهند. به طور کلی، ترکیب روش های سوپر رزولوشن و یادگیری عمیق برای شناسایی شبکه ی راه ها، رویکردی مقرون به صرفه و کارآمد برای به روزرسانی نقشه های راه ارائه می دهد. این رویکردها با کاهش هزینه ها و زمان مورد نیاز برای تشخیص، می توانند به طور گسترده ای توسط محققان و متخصصان در زمینه های مختلف مورد استفاده قرار گیرند. همچنین، با توسعه ی بیشتر این تکنیک ها و بهبود دقت آن ها، می توان به راهکارهای جدیدی برای مدیریت و برنامه ریزی ساخت و نگهداری جاده ها دست یافت.

کلیدواژه ها:

تصاویر ماهواره ای حد تفکیک متوسط ، هوش مصنوعی ، شبکه ی راه ها ، سنجش ازدور ، سوپر رزولوشن