تشخیص تغییرات در داده های سنجش از دور با استفاده از شبکه توجه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: تشخیص تغییرات، در داده های سنجش از دور، وظیفه ای بسیار مهم در علوم محیط زیست، مدیریت منابع طبیعی، برنامه ریزی شهری و مدیریت بحران هاست. با وجود پیشرفت های اخیر در این زمینه، بسیاری از روش های موجود صرفاً به چالش های خاصی می پردازند و قادر به دادن راه حلی جامع، برای انواع متفاوت داده ها و کاربردها نیستند. این محدودیت ها شامل ناتوانی در مدیریت داده های چندطیفی، فراطیفی و راداری، و نیز ناتوانی در بیان نتایج دقیق و سریع با استفاده از پردازش موازی و بهینه سازی منابع پردازشی می شود. علاوه براین، روش های فعلی اغلب به تشخیص تغییرات باینری محدود می شوند و قادر به شناسایی دقیق نوع ویژگی های تغییریافته نیستند. بنابراین هدف اصلی این تحقیق توسعه روشی نوآورانه و جامع برای تشخیص تغییرات است که بتواند این محدودیت ها را برطرف کند و در دنیای واقعی، کاربردهای مؤثری داشته باشد.مواد و روش ها: در این مطالعه، روش جدیدی مبتنی بر ترکیب شبکه ترانسفورمر و مدل توجه خودکار مطرح می کنیم که قادر به پردازش و تحلیل داده های سنجش از دور، با دقت و کارآیی بالاست. این روش از داده های چندطیفی، فراطیفی و راداری بهره می برد که از ماهواره های سنتینل – 2، QuickBird و TerraSAR-X به دست آمده اند. این داده ها در بازه های زمانی متفاوتی جمع آوری شده و شامل اطلاعات گوناگون، ازجمله تغییرات پوشش گیاهی، کاربری زمین و تغییرات ساختاری اند. روش پیشنهادی از تکنیک های ادغام ویژگی ها بهره می برد که با استفاده از لایه های کانولوشن و ترانسفورمر، اطلاعات موجود در داده ها را ترکیب می کند و دقت تشخیص تغییرات را افزایش می دهد. علاوه براین استفاده از مکانیسم توجه فضایی به شناسایی روابط مکانی بین ویژگی ها کمک می کند و با تمرکز بر نواحی کلیدی، دقت تشخیص تغییرات را بهبود می بخشد. شبکه مبتنی بر ترانسفورمر که برای تعیین شباهت توسعه یافته است، با مکانیسم های توجه خودکار تقویت شده که امکان دریافت روابط پیچیده بین ویژگی ها را در دنباله های زمانی فراهم می کند. این ویژگی، به ویژه برای تشخیص تغییرات جزئی که ممکن است در سایر روش ها نادیده گرفته شوند، اهمیت دارد. در بستر عملیاتی، روش پیشنهادی روی سیستمی با کارآیی بالا، شامل یک CPU 24 هسته ای Xeon E5-2697 v2، 28 گیگابایت حافظه، دیسک SSD با ظرفیت 200 گیگابایت و یک کارت گرافیک RTX 2080 Ti با 11 گیگابایت RAM و CUDA 11 اجرا و ارزیابی شد.نتایج و بحث: نتایج این تحقیق برتری روش پیشنهادی را در مقایسه با روش های موجود نشان می دهند. ارزیابی ها براساس معیارهای دقت، بازخوانی، F1-score، دقت کلی (OA) و هم پوشانی متقاطع (IoU) انجام شد. این روش توانست، در تمامی این معیارها، عملکردی بهتر از روش های دیگر نشان دهد. به طورخاص دقت کلی افزایش چشمگیری یافت و در برخی مجموعه داده ها، به بیش از 95% رسید. این نتایج حاکی از آن است که روش پیشنهادی نه تنها قادر به تشخیص دقیق تغییرات باینری است بلکه می تواند نوع ویژگی های تغییریافته را نیز با دقت بالا شناسایی کند. این قابلیت ها به دلیل استفاده از تکنیک های پیشرفته یادگیری عمیق و پردازش موازی به دست آمده اند. همچنین استفاده از چارچوب SoFRB باعث بهبود کارآیی روش پیشنهادی شده و امکان پردازش داده های حجیم را، در زمان کمتر، فراهم کرده است. تحلیل های ما بیان می کند که روش پیشنهادی می تواند، با مجموعه داده های متفاوت، انطباق بالایی نشان دهد و در شرایط گوناگون کارکرد مؤثری داشته باشد. به علاوه، این روش می تواند ابزار کارآمدی در زمینه های متفاوت، ازجمله نظارت بر محیط زیست، برنامه ریزی شهری، کشاورزی دقیق و مدیریت بحران ها باشد.نتیجه گیری: روش پیشنهادی ترکیبی از تکنیک های مدرن یادگیری عمیق و پردازش موازی است که دقت و کارآیی تشخیص تغییرات در داده های سنجش از دور را بهبود چشمگیری بخشیده است. نتایج این تحقیق نشان می دهد که روش پیشنهادی نه تنها در شرایط آزمایشگاهی بلکه در کاربردهای عملی نیز مورد اعتماد است. به طورخاص این روش می تواند در نظارت بر تغییرات محیط زیست، شناسایی تغییرات در زیرساخت های شهری و مدیریت بحران های طبیعی و انسانی، نقش مؤثری داشته باشد. این نتایج نویدبخش کاربردهای گسترده این روش در حوزه های گوناگون است. همچنین تحقیقات آینده می تواند شامل بهبودهای بیشتری در زمینه های گوناگون، مانند بهینه سازی مدل، استفاده از داده های بیشتر و متنوع تر و بررسی تأثیر استفاده از تکنیک های جدیدتر یادگیری عمیق و پردازش موازی باشد.Change Detection in Remote Sensing Data Using Attention Network
Introduction: Detecting changes in remote sensing data is a critical task in environmental sciences, natural resource management, urban planning, and disaster management. Despite recent advancements in this field, many existing methods only address specific challenges and are unable to provide a comprehensive solution for various types of data and applications. These limitations include the inability to handle multispectral, hyperspectral, and radar data and the lack of capability to deliver accurate and timely results using parallel processing and optimized computing resources. Additionally, current methods are often confined to binary change detection and cannot accurately identify the specific types of changes. Therefore, the primary aim of this research is to develop an innovative and comprehensive change detection method that can overcome these limitations and be effectively used in real-world applications.Materials and Methods: In this study, we propose a novel approach based on the combination of a transformer network and an automated attention model, capable of processing and analyzing remote sensing data with high accuracy and efficiency. This method utilizes multispectral, hyperspectral, and radar data obtained from Sentinel-2, QuickBird, and TerraSAR-X satellites. These data are collected over different time periods and include diverse information such as vegetation changes, land use, and structural changes. The proposed method employs feature fusion techniques using convolutional and transformer layers to integrate information from the data, thereby enhancing change detection accuracy. Additionally, the use of spatial attention mechanisms helps identify spatial relationships between features, focusing on key areas to improve change detection accuracy. The transformer-based network, developed to determine similarity, is enhanced with automated attention mechanisms that capture complex relationships between features over temporal sequences. This capability is especially important for detecting subtle changes that may be overlooked by other methods. For operational implementation, the proposed method was deployed and evaluated on a high-performance system, including a 24-core Xeon E5-2697 v2 CPU, 28 GB of memory, a 200 GB SSD, and a powerful RTX 2080 Ti graphics card with 11 GB of RAM and CUDA 11.Results and Discussion: The results obtained from this research indicate the superiority of the proposed method compared to existing methods. Evaluations were conducted using metrics such as Precision, Recall, F1-score, Overall Accuracy (OA), and Intersection over Union (IoU). The proposed method outperformed other methods across all these metrics. Notably, overall accuracy (OA) increased significantly, reaching over 95% on some datasets. These results indicate that the proposed method can not only accurately detect binary changes but also identify the types of changed features with high precision. These capabilities are achieved through the use of advanced deep learning techniques and parallel processing. Moreover, the implementation of the SoFRB(Enayati et al. 2023) framework has enhanced the efficiency of the proposed method, enabling the processing of large volumes of data in less time. Our analysis demonstrates that the proposed method has high adaptability with different datasets and can effectively operate under various conditions. Furthermore, this method can serve as an efficient tool for various applications, including environmental monitoring, urban planning, precision agriculture, and disaster management.Conclusion: The proposed method integrates modern deep learning techniques and parallel processing to significantly improve the accuracy and efficiency of change detection in remote sensing data. The findings of this study show that the proposed method is reliable not only in experimental settings but also in practical applications. Specifically, this method can effectively monitor environmental changes, detect alterations in urban infrastructures, and manage natural and human-induced disasters. These results promise widespread applications of this method in various fields. Future research could include further improvements in different areas, such as model optimization, the use of more diverse and extensive datasets, and the exploration of the impact of newer deep learning and parallel processing techniques.
تبلیغات
