تم تطبيق هذه الدراسة التجريبية على منصة غوغل كولاب السحابية، من خلال تنفيذ التعليمات البرمجية والمكتبات المتطورة في لغة البايثون، قمنا بإجراء المعالجة المسبقة لبيانات بحثنا لإعداد صور الحقيقة الأرضية، ثم تدريب النموذج، تطلبت عملية التدريب والتحقق (4)
فترات، بحجم دفعة للبيانات (4) صور، تناقصت دالة الخسارة إلى حدودها الدنيا بقيمة (0.025)، واستغرق زمن التدريب ثلاث ساعات وعشرة دقائق، وذلك بالاستعانة بـوحدة معالجة الرسومات المتطورة (GPU) وذاكرة وصول عشوائي إضافية. حققنا نتائج جيدة في تقييم الدقة في صحة تنبؤات النموذج المدرب بقيمة (التقاطع إلى الاتحاد=0.953)، فتم اختباره على منطقتين مختلفين إحداهما سكنية وأخرى زراعية في مدينة اللاذقية، أظهرت النتائج أن النموذج (+DeepLabv3) المدرب في بحثنا يمكنه استخراج شبكة الطرق بدقة وفعالية، لكن أداؤه ضعيف في بعض المناطق التي تحوي أشجار بسبب تأثير الظلال على حواف الطرق، وحيث تكون الخصائص الطيفية مشابهة للطرق كأسطح بعض المباني، وهو غير صالح لاستخراج الطرق الفرعية وغير المعبدة. قدم البحث عدة توصيات بتحسين أداء النموذج (+Deeplabv3) في استخراج الطرق من صور الأقمار الصناعية عالية الدقة، بما يفيد في تحديث خرائط الطرق وأعمال التخطيط الحضري.