Geri Dön

Derin öğrenme yöntemleri ve uydu görüntü verileri kullanılarak deprem sonrası ağır hasarlı alanların tespiti: Kahramanmaraş örneği

Using deep learning methods and satellite imagery identifying heavily damaged areas after an earthquake: The case of Kahramanmaraş

PDF İndir

  1. Tez No: 863649
  2. Yazar: EMİNE SARIALİOĞLU
  3. Danışmanlar: PROF. DR. ŞİNASİ KAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 89

Özet

Doğal afetler insan yaşamı için oldukça ciddi ve öngörülemez sonuçlara yol açar. Türkiye diri faylar nedeniyle doğal afetlerden biri olan depreme maruz kalan bir ülkedir. Son yıllarda artan teknoloji ile birlikte uydu görüntüleri, afet öncesi, afet sırasında ve afet sonrasında afet yönetim süreçlerinde oldukça aktif olarak kullanılmaktadır. Derin öğrenme makine öğrenmesinin bir alt dalıdır ve son yıllarda uydu görüntüleri ile yapılan çalışmalarda aktif olarak kullanılmaktadır. Bu çalışma kapsamında 6 Şubat 2023 tarihinde meydana gelen depremde ağır hasar gören Kahramanmaraş il merkezine ait deprem sonrası uydu görüntüleri kullanılarak, derin öğrenmenin uygulama alanlarından biri olan nesne tabanlı sınıflandırma yöntemi kullanılmıştır. Afet bölgesine ait uydu görüntülerinden hasarlı ve hasarsız binalardan etiketli veri seti üretilmiştir. Dengesiz veri seti problemini çözmek için veri setine veri arttırma işlemi yapılmıştır. Çalışma kapmasında ilk olarak modelin eğitilmesi süreci yapılmıştır. Bunun için ArcGIS Pro 3.1 yazılımının Görüntü Analiz aracına bağlı Derin Öğrenme aracı kullanılmıştır. Model eğitilme sürecinde transfer öğrenme Restnet-32 derin öğrenme mimarisi ve işlemci tipi olarak GPU kullanılmıştır. Modelin eğitilme süresi yaklaşık 2 saattir. Modelin eğitilmesi sonucunda modelin genel kesinlik değeri yaklaşık olarak 0.96, hassasiyeti yaklaşık olarak 0.95, duyarlılığı 0.93, F1 skoru 0,94 olarak elde edilmiştir. ArcGIS Pro yazılımı üzerinden Nesne Sınıflandırma için Derin Öğrenme aracı ve elde edilen model kullanılarak Kahramanmaraş'a ait uydu görüntüleri sınıflandırılmıştır. Elde edilen model Kahramanmaraş'a ait 224x224x4 boyutlarındaki parçalara bölünmüş uydu görüntülerine hasarlı alan ya da hasarsız alan olarak ikili sınıflandırma tahmini yapılarak sınıflandırma sonuçları elde edilen güven aralığı skorlarına göre değerlendirilmiştir. Güven aralığı eşik değeri olarak 0.5 kabul edildi. İkinci derin öğrenme yöntem de ise aynı veri seti kullanılmıştır. Python kütüphanelerinden tensorflow ve keras kütüphaneleri ile CNN (Convolutional Neural Networks) derin öğrenme mimarisi kullanılmıştır. Model Kaggle ortamında eğitilmiştir. İşlemci tipi GPU P100'dür ve eğitim süresi yaklaşık 2 saattir. Model eğitilmesi sonucunda hata matrisi kullanılarak model performans metrikleri hesaplanmıştır. Genel hassasiyet yaklaşık olarak 0.90, doğruluk 0.95, duyarlılık 0,96 ve, F1 skora 0.93 olarak bulunmuştur. Elde edilen model sınıflandırma için yeterli performansa sahiptir. Fakat model her zaman geliştirilmeye açıktır. Roc (Receiver Operating Characteristic Curve) eğrisi kullanılarak sınıflandırmada kullanılacak modelin threshold değeri 0.6 olarak hesaplanmıştır. Model kullanılarak Kahramanmaraş'a ait uydu görüntülerinde sınıflandırma işlemi yapılmıştır. İki farklı yöntemle elde edilen sınıflandırma sonuçları karşılaştırılmıştır. İki farklı yöntem ile elde edilen sınıflandırma sonuçları kendi içinde karşılaştırılmıştır. Bu çalışma, her iki derin öğrenme yöntemi modeli ve yüksek çözünürlüklü uydu görüntüleri kullanılarak elde edilen sınıflandırma sonuçlarının deprem sonrası ağır hasarlı alanların tespitinde kullanılabileceğini göstermiştir.

Özet (Çeviri)

Natural disasters have a serious and unpredictable impact on the lives of human beings. Turkey is a country that is exposed to earthquakes, one of the natural disasters, due to its active faults. In terms of disaster management, rapid access and intervention in the region after the earthquake is important. The processes of planning, coordination and implementation in order to reduce the effects of natural disasters, improve societies, save and protect human life are disaster management. The process of collecting information by remotely observing the objects on the earth is called remote sensing. Many techniques such as satellite imaging, thermal imaging, radar technology and the use of sensors are used to obtain remote images. As technology has advanced in recent years, remote imagery has been used actively in disaster management processes before, during and after disasters. Deep learning is a subset of machine learning. It works in a similar way to the human brain. It is the use of at least one artificial neural network and a large number of algorithms in order to obtain new data from the existing data. Convolutional neural networks, a sub-branch of deep learning, are a powerful tool for image processing, classification and segmentation. It has been actively applied to satellite imagery studies in recent years. xxiv In this study, the object-based classification method, which is one of the application areas of deep learning, was used by using the post-earthquake satellite images of the city centre of Kahramanmaraş, which was severely damaged in the earthquake that occurred on 6 February 2023. A labelled dataset of damaged and undamaged buildings was created from satellite images of the area. Data augmentation was applied to the small sample dataset to overcome the problem of an unbalanced dataset. Several operations were applied to enhance the data, including horizontal and vertical image rotation, brightness enhancement, and band combination diversification. The first method in the study was to train the model. This was done using the deep learning tool linked to the Image Analysis tool of the ArcGIS Pro 3.1 software. Transfer learning Restnet-34 deep learning architecture was used in the model training process. Transfer learning speeds up training time. It allows better generalisation and can better identify under-represented classes. GPU was used as the processor type and the model training time was approximately 2 hours. As a result of training the model, the overall accuracy value of the model was approximately 0.96, precision was approximately 0.95, sensitivity was 0.93 and F1 score was 0.94. Model performance metrics were also evaluated within the two classes of the model. The satellite images of Kahramanmaras were classified using the Deep Learning for Object Classification tool, and the model was obtained using the ArcGIS Pro software. The obtained model was binary classified as damaged area or undamaged area in 224x224x4 satellite images of Kahramanmaraş. The classification results were evaluated according to the confidence interval value. The confidence interval value determined by the tool was 0.5 In the second-deep learning method, the same data set was used. Using the Tensorflow and Keras libraries from the Python library, the CNN (Convolutional Neural Networks) deep learning architecture was used. The image dataset to be used was normalised and resized before training the model. The new image data set obtained was divided as 20% test data set and 80% training data set. The model input shape was set to (256x256x4). This represents an image with (256x256) dimensions and 4 bands. The model activation function was chosen as a 2-neuron Sigmoid function. Sigmoid function shows good performance especially in binary classification problems. The model loss function is chosen as binary_crossentropy and the optimiser is chosen as“adam”. xxv The Kaggle environment is used to train the model. The processor type is GPU P100 and the training time is about 2 hours. As a result of the model training, the model performance metrics were calculated by means of the error matrix. The overall precision was found to be around 0.90, the accuracy was 0.95, the sensitivity was 0.96 and the F1 score was 0.93. The model has sufficient accuracy for solving the classification problem, but is always open to improvement. The sigmoid function provides a confidence interval value for each data point, which is the preferred model activation function. This confidence interval is between 0-1. The threshold value is generally accepted to be 0.5. However, the threshold can be calculated for the model using various methods. The threshold value was calculated by means of the ROC curve and the threshold value was found to be 0,6. In order to, perform classification using the model the images to be classified by the model must have the same dimensions as the input shape parameter of the model. For this reason, the satellite images of Kahramanmaraş, which are to be classified, have been divided into 256 x 256 images with 4 bands with the. tif file extension. The image data set to be classified to be obtained was classified in Kaggle environment. A total of 4802 tiles of the same area were the subject of the classification process. The classification results obtained by both methods were evaluated in ArcGIS Pro 3.1. Both models have similar difficulties with classification results The artificial pixels created by the models for the input dimensions caused misclassification in the corners of the image in both models. At the same time there are misclassification results in areas such as empty land, forest and road in both models. On the other hand, both models have advantages and disadvantages over each other, but the models perform well in the classification. The results showed that high-resolution satellite imagery and deep learning can analyse severely damaged areas after an earthquake.

Benzer Tezler

  1. Tez No

    885207

    Yüksek çözünürlüklü uydu görüntü verileri kullanılarak bina ve yol sınıflarının derin öğrenme yöntemiyle belirlenmesi

    Determination of building and road classes using high-resolution satellite image data with a deep learni̇ng method

    DUYGU ARIKAN

    Doktora

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriKonya Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FERRUH YILDIZ

  2. Tez No

    739637

    Derin öğrenme yöntemleri ve yapay sinir ağı tabanlı NDVI değerleri ile çeltik bitkisi hastalıkların tespiti

    Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values

    İRFAN ÖKTEN

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR YÜZGEÇ

  3. Tez No

    783657

    Yanmış orman alanlarının belirlenmesinde derin öğrenme yöntemlerinin yanmış alan indeksleri ile karşılaştırılması: Hatay örneği

    Comparison of deep learning methods for determining burnt forest areas with burnt area indices: The case of Hatay

    REHA PAŞAOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilim ve TeknolojiÇukurova Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. NURİ EMRAHOĞLU

  4. Tez No

    877855

    Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods

    Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti

    NECİP ENES GENGEÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGİN TARI

  5. Tez No

    732793

    Aircraft detection using deep learning

    Derin öğrenme kullanarak hava aracı tespiti

    UTKU MUTLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. SEDEF KENT PINAR

Geri Dön