مروری نظام مند بر روش های یادگیری ماشین در شناسایی تغییرات تصاویر راداری و اپتیکی با تمرکز بر یادگیری عمیق

پیشینه و اهداف: با گسترش داده های سنجش از دور راداری و افزایش دسترسی به تصاویر باکیفیت از طریق سنجنده هایی مانند سنتینل-۱، تحلیل تغییرات در سطح زمین از طریق یادگیری عمیق به یکی از حوزه های راهبردی و نوظهور در علوم مکانی تبدیل شده است. تصاویر راداری با قابلیت تصویربرداری شبانه روزی، نفوذ در ابر، و حساسیت به ویژگی های ساختاری زمین، اطلاعات غنی اما پیچیده ای فراهم می کنند که تحلیل آن ها نیازمند بهره گیری از معماری های هوشمند یادگیری ماشین است. در این راستا، مقاله حاضر با هدف مرور نظام مند روش های مبتنی بر یادگیری عمیق در شناسایی تغییرات در تصاویر راداری، با تمرکز بر تحلیل تطبیقی معماری ها، نقاط قوت و ضعف آن ها و چشم اندازهای آینده طراحی شده است.روش ها : این مرور بر اساس رویکرد مرور نظام مند در بازه زمانی ۲۰۱۴ تا ۲۰۲۵، شامل ۴۴ مقاله منتخب از پایگاه های معتبر مانند IEEE، Elsevier و MDPI است. معیارهای انتخاب شامل استفاده از داده های SAR، بهره گیری از الگوریتم های یادگیری عمیق، گزارش معیارهای کمی مانند دقت و F۱-score و کاربردهای عملیاتی در حوزه هایی چون پایش شهری، منابع طبیعی و بلایای طبیعی بوده است. مقالات بر اساس نوع یادگیری (نظارتی، بدون نظارت، خودنظارتی، چندمنبعی) و نوع معماری (MLP، CNN، U-Net، Autoencoder، LSTM، GAN و MSCDUNet) طبقه بندی شده اند و در قالب جداول مقایسه ای تحلیل شده اند.یافته ها: نتایج نشان می دهد معماری های نظارت شده نظیر U-Net با دقت تا ۹۵% و F۱ در بازه ۸۵/۰ تا ۹۳/۰، به ویژه در کاربردهای شهری و ارزیابی خسارات بلایای طبیعی، بهترین عملکرد را داشته اند. در حوزه بدون نظارت، ترکیب CNN با خوشه بندی فازی (FCM) به دقتی تا ۶/۹۹% دست یافته است. مدل های مبتنی بر Autoencoder در کاهش نویز و فشرده سازی اطلاعات موفق عمل کرده اند و معماری های GAN با داده افزایی، عملکرد شبکه ها را بهبود بخشیده اند. مدل های چندمنبعی مانند MSCDUNet که داده های راداری و نوری را تلفیق می کنند، F۱ معادل ۹۳/۰ را گزارش کرده اند. با این حال، کمبود گزارش های کمی استاندارد مانند F۱، ضعف تعمیم پذیری مدل ها، و پیچیدگی پردازش داده های ناهمگن، از چالش های موجود محسوب می شود.نتیجه گیری:  با وجود پیشرفت های چشمگیر در کاربرد یادگیری عمیق در شناسایی تغییرات، چالش هایی مانند کمبود داده های برچسب خورده، عدم دسترسی به مجموعه داده های مرجع چندمنبعی، و ضعف الگوریتم های سبک برای کاربردهای بلادرنگ همچنان پابرجاست. توسعه الگوریتم های خودنظارتی مانند یادگیری تضادمحور، طراحی معماری های مقاوم به نویز و سبک برای UAVها و سامانه های لبه ای، و تدوین پایگاه های داده باز و معیارمحور از جمله اولویت های آتی این حوزه است. مطالعه حاضر با ارائه طبقه بندی ساختاریافته و تحلیل تطبیقی عملکرد الگوریتم ها، تلاش دارد زمینه تصمیم سازی هوشمند در طراحی سامانه های تحلیل تغییرات را برای پژوهشگران و توسعه دهندگان مهیا سازد.

کلیدواژه ها:

شناسایی تغییرات ، سنجش از دور ، تصویر راداری ، یادگیری عمیق