خط ساحلی که رابط فیزیکی و نقطه تلاقی خشکی و دریاست، به‌عنوان یکی از پویاترین مرزهای طبیعی- انسانی نقشی کلیدی در مدیریت پایدار نواحی ساحلی و خصوصاً توسعه دریامحور ایفا می‌کند. استخراج دقیق مرز آب و خشکی در نواحی ساحلی، به دلیل پویایی بالا و تأثیرپذیری از عوامل طبیعی و انسانی، همواره یکی از چالش‌های مهم در پایش محیطی بوده است. در این پژوهش، رویکردی با استفاده از ترکیب داده‌های نوری و راداری و مبتنی بر یادگیری عمیق به منظور بهبود دقت طبقه‌بندی آب و خشکی توسعه داده شد. منطقه مورد مطالعه شامل خلیج چابهار و بخشی از سواحل مکران است. این منطقه شامل انواع مختلف خط ساحلی نظیر سواحل ماسه‌ای، گلی و صخره‌ای، نواحی جزر و مدی و مصب‌ها بوده و از نظر تنوع طیفی و هندسی، شرایط پیچیده‌ای برای تفکیک مرز آب و خشکی فراهم می‌کند. این شرایط امکان ارزیابی واقع‌بینانه عملکرد مدل پیشنهادی را فراهم می‌سازد. به این منظور، یک مجموعه‌داده ساخت‌یافته شامل تصاویر هم‌مکان و نرمال‌شده‌ی Sentinel-2 (نوری) و Sentinel-1 (راداری) همراه با برچسب‌های دودویی (آب/خشکی) تهیه گردید. در گام نخست، یک مدل پایه U-Net با ورودی تصاویر نوری طراحی و بهینه‌سازی شد که در آن از لایه‌های Dropout، تنظیم‌کننده L2 و راهکارهای جلوگیری از بیش‌برازش بهره گرفته شد. سپس، به منظور بررسی اثر ترکیب داده‌های چندمنبعی، معماری مذکور به نسخه Dual U-Net توسعه یافت تا داده‌های نوری و راداری به‌صورت هم‌زمان پردازش شوند. نتایج ارزیابی با شاخص‌های کمی شامل ضریب اشتراک (IoU) معادل 96.83%، امتیاز F1 معادل 98.38% و دقت کلی 98.62% ، نشان داد که استفاده از داده‌های ترکیبی به‌طور معناداری موجب بهبود عملکرد مدل در تفکیک مرز آب و خشکی می‌گردد. این یافته‌ها بر اهمیت بهره‌گیری از داده‌های چندمنبعی در مدل‌های یادگیری عمیق برای پایش و مدیریت نواحی ساحلی تأکید دارند.