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.
