شناسایی تغییرات نقشه‏های شهری بزرگ مقیاس یکی از مسائل تحقیقاتی روز است. شناسایی تغییرات در این نوع نقشه‏ها با مشکلاتی روبرو است که عبارتند از: سایه‏ها، مناطق پنهان از دید، شباهت خصوصیات طیفی، ناهمگونی بافت و شکل ساختمان‏ها که در تحقیق حاضر این مشکلات حل شده است. در این تحقیق می‏خواهیم با تشکیل یک بردار ویژگی برای پیکسل‏های تصویر به‏جای اطلاعات طیفی هر پیکسل از تصویر و نیز استفاده از تصویر استریوی GeoEye1 به‏جای تک تصویر قائم آن، کارایی این داده‏ها را در شناسایی تغییرات بوجود آمده برای لایه ساختمان‏ها و به‏روزرسانی نقشه‏های 1:2000 بررسی کنیم. نوآوری‏های این تحقیق در انتخاب داده‏های استریو متناسب با نوع نقشه‏ بزرگ مقیاس شهری 1:2000، بررسی جداگانه ویژگی‏های محتوایی تصویر به‏صورت سعی و خطا و حذف ویژگی‏های اضافی و وابسته، تشکیل بردار ویژگی با اجزای مستقل از هم و موثر و مدیریت خطاهای ناشی از وجود عوارض اضافی مثل پوشش گیاهی و همچنین خطاهای ناشی از اختلاف ارتفاعی و سایه است. برای شناسایی تغییرات، الگوریتمی بر مبنای تفاضل گیری بردار ویژگی پیکسل های تصویر، تدوین شده که تغییرات ساختمانی را در 3 منطقه مطالعاتی شناسایی کرده، پیکسل های اضافی را حذف نموده و تغییرات شناسایی شده توسط الگوریتم، نسبت به تغییرات ایجاد شده واقعی با استفاده از ماتریس خطا ارزیابی شده و نتایج آن در غالب دقت های کلی ، تولیدکننده و استفاده کننده ارائه شده است. مقادیر دقت های بدست آمده برای کلاس تغییرات در بهترین حالت برای منطقه دوم که منطقه ای با تراکم ساختمانی کم است، به ترتیب  93.11درصد،68.60درصد و 64.29درصد می باشد. اما در منطقه سوم که از نظر ساختمانی پرتراکم است دقت های بدست آمده برای کلاس تغییرات به ترتیب عبارت است از: 95.07درصد،4.81درصد و 5.22درصد. با توجه به نتایج بدست آمده برای شناسایی تغییرات با استفاده از زوج تصویر سنجنده GeoEye1 ، الگوریتم پیشنهادی در مناطق کم تراکم کارایی لازم را دارد و همچنین در مناطق پرتراکم می تواند مناطق بدون تغییر را با دقت بالا به اپراتور معرفی کند.