Geri Dön

Earthquake damage detection with satellite imagery and deep learning approaches: A case study of the february 2023, Kahramanmaraş, Turkey earthquake sequence

Uydu görüntüleri ve derin öğrenme yaklaşımları ile hasar tespiti: 2023 şubat Kahramanmaraş, Türkiye deprem dizisinden bir vaka çalışması

PDF İndir

  1. Tez No: 834988
  2. Yazar: FATMA ELİK
  3. Danışmanlar: PROF. DR. ELİF SERTEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Jeofizik Mühendisliği, Computer Engineering and Computer Science and Control, Geophysics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 163

Özet

Son yıllarda, derin öğrenme tekniklerinin, uzaktan algılama teknolojisinin ve yapay zeka (AI) teknolojisinin birleşimi, afet yönetimi ve hasar tespiti alanını kökten değiştirmiştir. Yüksek çözünürlüklü uydu görüntülerinin artan kullanılabilirliği ve gelişmiş bilgisayarlı görü teknikleri ile yer gözlem verilerinin büyük ölçekte ve benzersiz bir hassasiyetle incelenmesi artık mümkün hale gelmiştir. Bu tez, bilgisayarlı görü kullanarak deprem sonrası hasar sınıflandırması yapmak için uzaktan algılama ve derin öğrenme tekniklerinin uygulanmasını incelemektedir ve özellikle 6 Şubat'ta gerçekleşen Kahramanmaraş depremlerine odaklanmaktadır. Bu tezin amacı, çeşitli derin öğrenme tekniklerinin uygulanabilirliğini araştırmak, yapısal olarak hasar görmüş binaları bölütleme ile değerlendirmek ve deprem çalışmalarını geliştirmek amacıyla uydu görüntüleri ile çeşitli açık kaynaklı mekânsal verileri birleştirmektir. Bu yüksek lisans tezi, özellikle jeofizik ve deprem çalışmaları alanında uzaktan algılama, bilgisayarlı görü ve yer gözlem tekniklerinin birleştirilmesini ele almak, deprem sonrası hasarın analizinde bilgisayarlı görünün kullanımını sergilemek ve böylesine kritik anlarda hızlı müdahalenin önemini vurgulamayı amaçlamaktır. Bu tezde, afet hasar tespiti için görüntülerin sınıflandırılmasında uydu görüntüleri ve piksel bazlı sınıflandırmanın kullanımı ana yöntem olarak kullanılmakta ve bunun önemi vurgulanmaktadır. UNet, DeepLabV3 ve PSPNet mimarileri, bilimsel araştırmalar için yenilikçi ve destekleyici bir araç olan ArcGIS Pro Python API yazılımı kullanılarak piksel tabanlı sınıflandırma araçları ile segmentasyon modelleri tasarlamaktır. Bu modeller, depremler sonrası toplanan uydu verilerinde hasar gören bölgeleri verimli bir şekilde tespit edebilir ve çözümlemenin hızını ve doğruluğunu artırır. Bu yöntem, hasar tespiti hızını ve doğruluğunu artırmakla kalmaz, aynı zamanda yıkımın coğrafi yayılımı ve şiddeti hakkında faydalı bilgiler sunar. Araştırma için birincil veri kaynağı Maxar Technologies'den alınan RGB görüntüleridir. Araştırma, 6 Şubat 2023 Kahramanmaraş deprem dizilerinden etkilenen üç şehir olan Kahramanmaraş, Hatay ve Gaziantep'i incelemektedir. Hasar tespiti yapılan veri noktaları Yer Çizenler Sivil Toplum Kuruluşu (STK) sayesinde alınmış ve yakın zamanda güncelenen bina ayak izleri Humanitarian OpenStreetMap'ten (HOTOSM) alınmış ve hepsi hasar analizi için kullanılmıştır. Hasar noktalarına 5 metre uzaklığa kadar mesafede etiketli poligonlar oluşturulmuştur. Ancak, daha uzak ve yakın mesafeler için değerler atanması model doğruluğu üzerinde olumsuz bir etki yaratmıştır. Uydu görüntüleri ve hasar değeri atanan veri noktaları baz alınarak oluşturulan eğitim verileri, bina ayak izlerinin görüntülerle en etkili şekilde eşleştiği Kahramanmaraş ili için dengeli bir veri seti sağlamıştır. Hatay'da, hasar değeri atanan veri dağılımı en dengeli olduğu halde, bina ayak izlerinin görüntülerle iyi uyum göstermediği ve istenildiği gibi çakışmadığı görülmüştür. Gaziantep, bina ayak izleri ve görüntüler arasında iyi bir eşleşme sunmaktadır, ancak hasarlı veri sınıflarının dağılımı oldukça dengesizdir. Sonuç olarak, araştırılan depremden etkilenen bölgedeki çatı ve bina tiplerindeki benzerlik nedeniyle modelin Kahramanmaraş ili için eğitilmesine odaklanılmasına karar verilmiş ve modelin bölgedeki diğer şehirlere de uygulanabileceği düşünülmüştür. Görüntü boyutlarının 256x256 piksel, 128 adım ve 4 yığın (batch) olması, DeepLabV3 modeli ve ResNet50 kodlayıcı (encoder) ile diğer seçenekler arasında bize en uygun model sonuçlarını vermiştir. Ayrıca, kullanılan yazılım altyapısı sayesinde, özellikle uzaktan algılama görevleri için faydalı olan çeşitli görsel temsil seçenekleri sunulmuştur. Kullanılan yazılım 2D ve 3D görüntüler gibi uzaktan algılama verilerini görselleştirmek ve analiz etmek için gelişmiş araçlar sunar. Bununla birlikte, ArcGIS Pro verilerin görselleştirmeleri, grafikler gibi çeşitli görselleştirmelerin coğrafi bilgi sistemi iş akışlarına entegrasyonunu destekleyen bir yazılımdır. Veri görselleştirmelerini dahil etmek, karmaşık bilgileri ve modelleri etkili bir şekilde iletebilme, daha iyi karar verme ve işbirliği yapma olanağı sağlamıştır. Ayrıca, uzaktan algılama verilerini farklı boyutlarda görselleştirebilme yeteneği, derin öğrenme sonuçlarının analizini ve yorumunu geliştirerek içgörü ve keşifleri kolaylaştırmaktadır. Ancak, ArcGIS Pro derin öğrenmeyi desteklese de, öncelikle derin öğrenme yapısına özel olarak olarak tasarlanmamıştır. Bu nedenle, özellikle PyTorch veya TensorFlow gibi uzman derin öğrenme altyapıları mevcut olan birçok karmaşık yetenek ve optimizasyonlar konusunda konusunda eksiklik taşımaktadır. Bu sınırlama, derin öğrenme modelleri için kullanılabilirlik ve önceden eğitilmiş modeller gibi özelleştirilme imkanını kısıtlayabilir. Ayrıca, en güncel geliştirilmiş derin öğrenme mimarileri ve tekniklerini desteklemeyebilir. Buna ek olarak, hesaplama açısından yoğun, derin öğrenme uygulamaları için özellikle GPU gibi yüksek teknoloji bilgisayar kaynaklarına sahip olunması önem taşır. Aksi durumda, özellikle karmaşık derin öğrenme altyapılarına göre, yapılan işlemler daha yavaş eğitim ve çıkarım süreleriyle sonuçlanabilir. Ayrıca, ArcGIS ekosistemine bağımlılık, GIS ile ilgili olmayan geliştiriciler için dezavantaj olabilir, çünkü ek kurulum, eklentiler, ArcGIS araçları (tool) ve kavramları hakkında ek bilgi gerektirebilir. Örneğin, bazı veri tipleri (JSON, vb.) ESRI yazılım sisteminde her araçta doğrudan desteklenmez, bu da ek olarak veri önişleme adımlarını gerektirebilir. Bu çalışmada, ArcGIS Pro yazılımının büyük bir önemi bulunmaktadır. Özellikle, bu tez için özel olarak tasarlanan verilerin kullanımı açısından ArcGIS Pro, çok değerli bir araç sağlamıştır. Çalışmanın temel amacı, deprem sonrası hasar tespiti için yapay zeka ve derin öğrenme tekniklerini kullanarak uydu görüntülerini analiz etmek olduğu için, bu amaçla, veriler üç farklı ilde, yani Kahramanmaraş, Hatay ve Gaziantep'te toplandı. Bu iller, 6 Şubat tarihinde gerçekleşen Kahramanmaraş depremleri sonrasında etkilenen illerden bazıları olarak çalışmamızda seçilmiştir. Toplamda, Maxar Technologies'den elde edilen 6 farklı uydu görüntüsü kullanılmış ve bu görüntülerin analizi ArcGIS Pro üzerinde gerçekleştirilmiştir. ArcGIS Pro, bu görüntülerin işlenmesi, görselleştirilmesi ve analiz edilmesi için mükemmel bir platform sağlamıştır. Verilerin bu şekilde bu tez için özel olarak tasarlanmıi ve farklı avantaj ve dezavantajı olan 3 ayrı veri seti oluşturuldu. Oluşturulan illerden değil de görüntü boyutlarından bahsederken, bu çalışmak kapsamında daha fazla veri seti üretmek ve deney yapmak zorunda olduğumuz söylenebilir. Bu süreçte, araştırmamızda mevcut olan çeşitli toolları sayesinde ArcGIS Pro vazgeçilmez bir araç olmuş ve elde edilen sonuçların değerlendirilmesinde büyük bir rol oynamıştır. Çünkü her ne kadar bu çalışmada farklı disiplinler ve veri tipleri bir araya getirilmiş olsa da, özel üretilen veri setleri ile özelleştirilmiş bir çalışma yapılması da amaçlanmaktadır. Ayrıca, kullanılan derin öğrenme modelleri alt yapısal olarak hazır olsa da, farklı bir API kullanmanın verdiği uyum zorluğu burada da görülmüş, dengesiz verilerin ArcGIS Pro Python API'da eğitilmesi için de veri ön işlem kısmında birçok özelleştirme yapılmıştır. Sonuç olarak, bu yüksek lisans tezi uzaktan algılama, bilgisayarlı görü ve yer gözlem tekniklerinin jeofizik ve deprem çalışmaları için birleştirilmesinin potansiyelini göstermektedir. Ayrıca, açık kaynaklardan farklı veri türlerinin kullanılması ve bu farklı veri türlerinin deprem sonrası hasar tespiti yapmak için kullanılması konuyla alakalı farklı bit çözüm yöntemi olarak öne çıkmaktadır. Bu bağlamda, jeofizik ve deprem çalışmaları bağlamında uzaktan algılama, bilgisayarlı görü ve yer gözlem tekniklerinin entegrasyonu incelenmiştir. Bu şekilde, deprem kaynaklı hasarı değerlendirmek ve yönetmek için bilgisayarlı görünün uygulanmasına ve deprem sonrası senaryolarda zamanında ve etkili müdahalenin önemine odaklanılmıştır. ArcGIS Pro Python API, uydu görüntüleri, piksel bazlı sınıflandırma ve etiketli eğitim verilerinin kullanımı, model eğitimi için odak noktası olarak Kahramanmaraş ili ile deprem sonrası hasar tespitlerine ilişkin içgörüler sağlamıştır. Bulgular, etkin ve doğru afet yönetimi stratejilerinin geliştirilmesine katkıda bulunmakta ve bu alanda daha fazla araştırma yapılması için temel oluşturmaktadır.

Özet (Çeviri)

In recent years, the fusion of deep learning techniques, remote sensing technology, and artificial intelligence (AI) has profoundly transformed the field of disaster management and damage assessment. The increased availability of high-resolution satellite imagery and advanced computer vision techniques now makes it possible to analyze Earth observation data at a large scale and with unparalleled precision. This thesis investigates the application of remote sensing and deep learning techniques to perform post-earthquake damage classification using computer vision and focuses specifically on the earthquakes that occurred on February 6th, with an emphasis on Kahramanmaraş province. The objective of this thesis is to investigate the potential of a variety of deep learning techniques, evaluate their accuracy in recognizing structurally compromised buildings, and utilize satellite imagery in conjunction with diverse open-source spatial data to enhance research on earthquakes. This master's thesis specifically delves into the integration of remote sensing, computer vision, and earth observation methods within the field of geophysics and earthquake studies. Thus, in this study it is aimed to showcase the application of computer vision in the analysis of post-earthquake damage and underscore the importance of rapid intervention in such critical situations. The thesis places significant emphasis on the use of satellite imagery and pixel-based classification for the classification of images in earthquake damage assessment. The UNet, DeepLabV3, and PSPNet architectures are implemented using the ArcGIS Pro API for Python, an innovative and supportive tool for scientific research. The primary data source for the investigation is RGB images from Maxar Technologies. The research examines three cities that were affected by the February 6, 2023, Kahramanmaraş earthquake sequences: Kahramanmaraş, Hatay, and Gaziantep. Damage-assessed data points are received thanks to Yer Çizenler Non-Governmental Organization (NGO), and recently modified building footprints are taken from Humanitarian OpenStreetMap (HOTOSM), and they are all used to analyze the damage. Labeled polygons are generated within a 5-meter distance of the damage points. However, assigning values for further and closer distances has a negative impact on the model accuracy. The training data, exported based on the satellite imagery and damage level assigned data points, provides a balanced dataset for Kahramanmaraş, where the building footprints match the images most effectively. In Hatay, the damage level assigned data distribution is the most balanced, but the building footprints do not align well with the images. Gaziantep presents a good match between the building footprints and images, but the distribution of the damaged data classes is highly imbalanced. Consequently, the decision is made to focus on training the model for Kahramanmaraş province due to the similarity in roof and building types, which has the potential to adapt the approach to other cities in the region as well as the earthquake-affected region under investigation. Image sizes of 256x256 pixels with 128 strides and 4 batches gave us the optimum model results among other options in the DeepLabV3 ResNet50 encoder. In conclusion, this master's thesis demonstrates the potential of combining remote sensing, computer vision, and earth observation techniques for geophysics and earthquake studies. Also, it is aimed to use different data types from open sources and use these different data types to make damage detection after earthquakes. The utilization of the ArcGIS Pro Python API, satellite imagery, pixel based classsification, and labeled training data provides insights into damage assessment after earthquakes, with Kahramanmaraş Province serving as the focal point for model training. The findings contribute to the development of efficient and accurate disaster management strategies and lay the foundation for further research in this field.

Benzer Tezler

  1. Tez No

    864373

    Comparative analysis of multiple machine learning algorithms for post-earthquake building damage assessment in Hatay city following the 2023 earthquake

    Hatay ilinde 2023 depremi sonrası bina hasar tespiti için çoklu makine öğrenme algoritmalarının karşılaştırmalı analizi

    ÖMER KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Jeodezi ve FotogrametriOrta Doğu Teknik Üniversitesi

    Jeodezi ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. SEVDA ZUHAL AKYÜREK

    DOÇ. DR. SEMİH KUTER

  2. Tez No

    547238

    Yüksek mekansal çözünürlüklü uydu/uçak platformlu görüntüler ve CBS teknolojisi kullanılarak Van-Erciş depremi sonrası bina hasar tespiti

    Determination of building damage after Van-Ercis earthquake by using very high resolution satellite/aircraft platforms and GIS technology

    ASLI SABUNCU

    Doktora

    Türkçe

    Türkçe

    2018

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  3. Tez No

    887247

    İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi

    Scenario-based modeling and evaluation of urban growth in Istanbul

    ALİYE GONCA BOZKAYA KARİP

    Doktora

    Türkçe

    Türkçe

    2024

    Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. FATMA ÜNSAL

  4. Tez No

    126650

    Zemin sıvılaşması ve fay hareketleri nedeniyle oluşan konum değişikliklerinin fotogrametrik yöntemlerle belirlenmesi

    Determination of spatial changes caused by liquefaction and fault movements by means of photogrammetric methods

    OKTAY AKSU

    Doktora

    Türkçe

    Türkçe

    2002

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖNÜL TOZ

  5. Tez No

    690538

    Uydu görüntüleri ve İHA ile derin öğrenme algoritmaları kullanılarak hasarlı yapıların tespit edilmesi

    Detection of damaged structures using deep learning algorithms with satellite images and UAV

    HALİL İBRAHİM SARIYILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeodezi ve FotogrametriOndokuz Mayıs Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDEM EMİN MARAŞ

Geri Dön