کاربرد یادگیری عمیق در پردازش خودکار تصاویر ماهواره ای برای پایش تغییرات کاربری اراضی

پایش تغییرات کاربری اراضی (LULC) یکی از مهم ترین کاربردهای سنجش از دور محسوب می شود که نقشی حیاتی در مدیریت منابع طبیعی، برنامه ریزی شهری، پایش محیط زیست و مقابله با تغییرات اقلیمی ایفا می کند. در سال های اخیر، رشد بی سابقه داده های ماهواره ای با قدرت تفکیک بالا و هم زمان با آن، پیشرفت های شگرف در حوزه یادگیری عمیق، تحولی بنیادین در روش های آشکارسازی تغییرات ایجاد کرده است. این مقاله به بررسی جامع کاربرد روش های یادگیری عمیق در پردازش خودکار تصاویر ماهواره ای برای پایش تغییرات کاربری اراضی می پردازد. ابتدا معماری های اصلی شامل شبکه های عصبی پیچشی (CNN)، شبکه های سیامی، معماری U-Net، و مدل های مبتنی بر Transformer معرفی و تحلیل می شوند. سپس مجموعه داده های استاندارد و معیارهای ارزیابی عملکرد مرور می گردند. در ادامه، چالش های عمده از جمله نیاز به داده های برچسب گذاری شده، مشکل انتقال پذیری مدل ها در مناطق جغرافیایی مختلف، و پیچیدگی های صحنه های طبیعی بررسی شده و در نهایت، روندهای پژوهشی آتی و چشم انداز توسعه این حوزه ترسیم می گردد.

کلیدواژه ها:

یادگیری عمیق ، آشکارسازی تغییرات ، تصاویر ماهواره ای ، کاربری اراضی ، شبکه های عصبی پیچشی ، Transformer ، سنجش از دور