شبکه‌های عصبی و یادگیری عمیق در پردازش داده‌های ماهواره‌ای

رشد فزاینده حجم و پیچیدگی داده‌های ماهواره‌ای، فرصت‌های بی‌سابقه و در عین حال چالش‌های تحلیلی قابل‌توجهی را در حوزه مشاهده زمین ایجاد کرده است. یادگیری عمیق به‌ویژه معماری‌های مبتنی بر شبکه‌های عصبی مانند cnn، rnn و مدل‌های ترکیبیِ مبتنی بر توجه به رویکردی تحول‌آفرین برای پردازش، تحلیل و تفسیر تصاویر ماهواره‌ای بدل شده است. این مرور، تلفیقی ساختاریافته از مدل‌های کلیدیِ یادگیری عمیقِ به‌کاررفته در حوزه‌های ماهواره‌ای ارائه می‌دهد و نقش آن‌ها را در وظایفی مانند طبقه‌بندیِ کاربری زمین، آشکارسازی تغییرات، پیش‌بینی‌های محیطی و پاسخ به بلایا برجسته می‌کند. معماری‌هایی چون شبکه‌های عصبی پیچشی (cnn) در استخراج ویژگی‌های مکانی برتری دارند، در حالی که شبکه‌های عصبی بازگشتی (rnn) و convlstm الگوهای زمانی در داده‌های چندزمانه را به‌خوبی مدیریت می‌کنند. این مرور همچنین به روندهای اخیر در هوش مصنوعیِ روی‌برد، مدل‌های سبک‌وزن برای محاسبات لبه، و سازوکارهای توجه برای بهبود دقت و تبیین‌پذیری می‌پردازد. با وجود پیشرفت‌های قابل‌توجه، چالش‌هایی مانند کمبود داده، تعمیم‌پذیری محدود مدل و قیود تبیین‌پذیری همچنان پابرجاست. این مقاله با ارائه نگاهی انتقادی به چشم‌انداز کنونی و مسیرهای آتیِ شبکه‌های عصبی در پردازش داده‌های ماهواره‌ای، در پیِ پشتیبانی از پژوهش و توسعه در سامانه‌های هوشمندِ مشاهده زمین است.

neural networks and deep learning in satellite data processing

the rapid growth in the volume and complexity of satellite data has created unprecedented opportunities—alongside substantial analytical challenges—for earth observation. deep learning, particularly neural-network–based architectures such as cnns, rnns, and attention-based hybrid models, has emerged as a transformative approach for processing, analyzing, and interpreting satellite imagery. this review provides a structured synthesis of the key deep learning models employed across satellite domains and highlights their roles in tasks such as land-use/land-cover classification, change detection, environmental forecasting, and disaster response. architectures such as convolutional neural networks (cnns) excel at extracting spatial features, whereas recurrent neural networks (rnns) and convlstms effectively handle temporal patterns in multitemporal data. the review also examines recent trends in on-board ai, lightweight models for edge computing, and attention mechanisms that enhance accuracy and interpretability. despite notable advances, persistent challenges include data scarcity, limited model generalization, and constraints on explainability. by offering a critical perspective on the current landscape and future directions of neural networks in satellite data processing, this article aims to support research and development in intelligent earth observation systems.