ادغام ویژگی ها

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.