Journal of Geomatics Science and Technology

fa پایش تغییرات ساختمانی در تصاویر ماهواره‌ای با توان تفکیک مکانی بالا: مقایسه روش‌های کلاسیک و یادگیری عمیق Building Change Detection in High Resolution Satellite Images: Comparison of Classical and Deep Learning Methods فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">شناسایی تغییرات در ساختارهای شهری با استفاده از تصاویر ماهواره‌ای نقش مهمی در برنامه‌ریزی شهری، توسعه زیرساخت‌ها، تصمیم‌گیری و مدیریت بحران ایفا می‌کند. رشد سریع شهرها در کنار بروز بلایای طبیعی همچون زلزله و سیل، منجر به دگرگونی‌های چشمگیری در نواحی شهری شده است؛ موضوعی که لزوم پایش دقیق و مستمر این تغییرات را برجسته می‌سازد. روش‌های سنتی شناسایی تغییرات که مبتنی بر تحلیل دستی تصاویر هستند، با چالش‌هایی نظیر هزینه‌های بالا، مقیاس‌پذیری محدود و زمان‌بر بودن مواجه‌اند. پیشرفت‌های اخیر در پردازش تصاویر و یادگیری عمیق، امکان شناسایی خودکار تغییرات ساختاری را فراهم کرده‌اند. در این پژوهش، مجموعه‌ای از روش‌ها مورد ارزیابی و مقایسه قرار گرفته‌اند که شامل روش‌های سنتی مانند تحلیل بردار تغییرات (CVA)، تشخیص تغییرات چندمتغیره (MAD) و تحلیل ویژگی‌های کند (SFA) و نیز روش‌های مبتنی بر یادگیری عمیق مانند نسخه‌ی عمیق‌شده‌ی تحلیل ویژگی‌های کند (DSFA) و شبکه‌های توجه دوگانه (DAS) میگردد. روش‌های CVA و MAD اگرچه در شناسایی تغییرات عمده عملکرد نسبتاً مناسبی دارند، اما در تشخیص تغییرات جزئی یا پیچیده عملکرد ضعیفی از خود نشان می‌دهند. به‌عنوان نمونه، دقت این دو روش در مطالعه حاضر به‌ترتیب برابر با 49.32٪ و 65.67٪ گزارش شده است. در مقابل، روش DSFA با دستیابی به دقت 84.07٪ عملکرد بهتری نشان داده، هرچند نیاز بالای آن به منابع محاسباتی، کاربرد عملی آن را محدود می‌سازد. در میان روش‌های ارزیابی‌شده، روش DAS با دقت 95.68٪ بهترین عملکرد را ارائه داده و با بهره‌گیری مؤثر از سازوکارهای توجه مکانی و طیفی، قادر به تمایز تغییرات واقعی از نویز است. نتایج این پژوهش برتری روش‌های مبتنی بر یادگیری عمیق در شناسایی دقیق، کارآمد و خودکار تغییرات ساختاری را نشان می‌دهد و آن‌ها را به ابزاری ارزشمند جهت پایش و تصمیم‌گیری شهری تبدیل می‌نماید. </div> <div style="text-align: justify;">Detecting changes in urban structures using satellite imagery plays a key role in urban planning, infrastructure development, decision-making, and disaster management. The rapid growth of cities, combined with natural disasters such as earthquakes and floods, has led to significant transformations in urban areas, highlighting the need for accurate and ongoing monitoring. Traditional change detection methods based on manual image analysis face challenges such as high costs, limited scalability, and time-consuming processes. Recent advances in image processing and deep learning have enabled automated detection of structural changes. This study evaluates and compares several methods, including traditional approaches like Change Vector Analysis (CVA), Multivariate Alteration Detection (MAD), and Slow Feature Analysis (SFA), as well as deep learning-based techniques such as Deep Slow Feature Analysis (DSFA) and Dual-Attention Networks (DAS). While CVA and MAD are effective for identifying major changes, they perform poorly in detecting subtle or complex transformations. For example, CVA and MAD achieved accuracies of 49.32% and 65.67%, respectively. In contrast, DSFA reached 84.07% accuracy, although its high computational demands limit its practicality. The DAS method demonstrated the best performance, achieving 95.68% accuracy by effectively using spatial and spectral attention mechanisms to distinguish real changes from noise. The results highlight the advantages of deep learning techniques in providing accurate, efficient, and automated change detection, offering valuable support for urban monitoring and decision-making.</div> پایش تغییرات, تصاویر ماهواره ای, روش های یادگیری عمیق, تحلیل ویژگی های آهسته عمیق, شبکه های دوگانه توجه. Change Detection, Satellite Imagery, Deep Learning Methods, Deep Slow Feature Analysis, Dual-Attention Networks. 57 69 http://jgst.issgeac.ir/browse.php?a_code=A-10-292-6&slc_lang=fa&sid=1 Mohaddeseh Mesvari محدثه مسواری m.mesvari@ut.ac.ir 100319475328460011114 100319475328460011114 No Photogrammetry and Remote Sensing Department, Faculty of Surveying and Spatial Information Engineering, University of Tehran گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران Reza Shah-Hosseini رضا شاه‌حسینی rshahosseini@ut.ac.ir 100319475328460011115 100319475328460011115 Yes Photogrammetry and Remote Sensing Department, Faculty of Surveying and Spatial Information Engineering, University of Tehran گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران Mohsen Niroomand محسن نیرومند k.niroomad@ut.ac.ir 100319475328460011116 100319475328460011116 No Department of Spatial Information Systems, Faculty of Surveying and Spatial Information Engineering, University of Tehran گروه سیستم اطلاعات مکانی، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران