مروری بر روش های آشکارسازی دوبعدی و سه بعدی تغییرات ساختمان مبتنی بر داده‌ های سنجش از دور

زمینه و هدف: در مواجهه با ساختمان ها و ابنیه شهری، توسعه پایدار شهر و لزوم به هنگام نگه داشتن مدل‌‌های سه‌‌بعدی آن نیاز به پایش مداوم تغییرات رخ داده در سطح زمین دارد. بنابراین، آشکار‌سازی تغییرات کاربری و یا پوشش زمین با استفاده از داده‌‌های سنجش از دور چند‌زمانه برای درک روابط پویا بین پدیده‌‌های انسانی و طبیعی به منظور تصمیم‌‌گیری صحیح و به تبع آن تسهیل مدیریت شهری و بحران و استفاده بهینه از منابع، بسیار حائز اهمیت است. هدف از انجام این مطالعه مروری، پاسخ به این سوال است که آیا پیشرفت های صورت گرفته در روش های آشکارسازی تغییرات ساختمان ها و تبدیل آنها از روش های دوبعدی به روش های سه بعدی توانسته چالش های مطرح در این زمینه را پاسخ دهد و زمینه های تحقیقاتی آتی برای بهبود نتایج روش های سه بعدی آشکارسازی تغییرات چیست؟روش بررسی: در این مقاله، مروری کلی بر دسته بندی انواع روش های مطرح در آشکارسازی تغییرات عوارض شهری با تاکید بر عارضه ساختمان انجام شده است. پیشرفت­های موجود در تسهیل دستیابی به داده های سه بعدی موجب شده روش های آشکارسازی سه بعدی تغییرات با دو مفهوم مقایسه هندسی و آنالیز هندسی - طیفی مورد توجه تحقیقاتی قرار گیرند.یافته ها: با توجه به مطالعات صورت گرفته در زمینه آشکارسازی دوبعدی تغییرات با استفاده از روش‌های مختلف، دقت نتایج وابسته به پاره‌ای از عوامل نظیر قدرت تفکیک مکانی و رادیومتریکی داده های سنجش از دور ورودی، رفتار پدیده‌ها در منطقه مورد مطالعه و چرخه تغییرات طبیعی در آن‌ها، تکنیک‌های به کار رفته در شناسایی تغییرات، تجربه و مهارت عامل خبره و ... می‌باشد. امروزه به داده‌های سه‌بعدی دسترسی آسان‌تری داریم. آشکارسازی سه بعدی تغییرات با استفاده از داده های سنجش از دور افزونه‌ای از تحقیقات بسیار کلاسیک و در عین حال رایج است که در آن از اطلاعات سه‌بعدی در فرآیند تشخیص تغییر استفاده می‌شود.نتیجه گیری: در بررسی الگوریتم آشکارسازی دو بعدی و سه بعدی تغییرات، این نتیجه به دست می آید که در اکثر موارد، روش‌های آشکارسازی سه بعدی تغییرات به شدت به دو موضوع اساسی متکی هستند: 1) استفاده از الگوریتم های پیشرفته تناظریابی تصاویر برای تولید داده‌های سه‌بعدی؛ 2) تکنیک‌های استخراج و یادگیری ماشین سطح بالا براساس داده‌های هندسی و طیفی. بنابراین، جدا از الگوریتم آشکارسازی تغییر، توسعه تکنیک‌های آشکارسازی سه بعدی تغییرات بستگی به تلاش تحقیقاتی در این دو جنبه دارد.

Review on 2D and 3D Building Change Detection Methods Based on Remotely Sensed Data

Background and Objective: Land is rapidly changing at the local, regional, national, and global scales, with a significant impact on the environment. Some changes occur due to natural causes, while other changes due to human projects such as urban growth.Material and Methodology: This article provides an overview on the categorization of different methods used in detecting urban changes with emphasis on building complexities. Advances in facilitating the acquisition of threedimensional data have led to threedimensional change detection methods with two concepts of geometric comparison (including height difference calculation, Euclidean distance and transitionbased methods) and geometricspectral analysis (including correction). The purpose of this review is to answer the question of whether advances in change detecion methods and converting them from twodimensional methods to threedimensional ones have been able to meet the challenges in this context. What is future research to improve the results of 3D change detection methods? Findings: According to the results of research on different types of change detection methods, although twodimensional change detection methods have considerable variation, they lack altitude information and estimation of changes in the third dimension and in the face of high spatial and spectral resolution and threedimensional effects such as buildings face challenges. Therefore, just by relying on the results of these methods, it is not possible to get a proper assessment of damages during accidents or construction estimations and so on. Discussion and Conclusion: In this article, while discussing the concepts presented in the threedimensional methods of detecting changes, the strengths and weaknesses and challenges of the existing research are compared with the twodimensional methods. It is concluded that in most cases, threedimensional change detection methods rely heavily on two basic issues: 1) the use of advanced imagematching algorithms to produce threedimensional data; 2) highlevel machine learning techniques based on geometric and spectral data.