Derin öğrenme ile depremden sonra enkaz kaldırma çalışmalarının uydu görüntüleriyle takibi: Hatay örneği
Monitoring debris removal efforts after an earthquake with satellite imagery with deep learning: The Hatay example
- Tez No: 924380
- Danışmanlar: PROF. DR. MUSTAFA YANALAK
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
- Bilim Dalı: Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 81
Özet
Afetlerden sonra elde edilen uydu görüntüleri, afetin yıkıcı etkilerini somut bir şekilde ortaya koymaktadır. 6 Şubat Kahramanmaraş merkezli depremlerden hemen sonra yayınlanan uydu görüntüleri ve yayımlanan belgelere bakıldığında, en çok hasar alan ilimiz Hatay'dır. Depremin ardından, yıkılan binaların enkazlarının kaldırılma süreci başlamış ve bu süreç saha ekipleri tarafından takip edilmiştir. Hatay'da hasar tespit çalışmalarının tamamlanmasının ardından yapılan enkaz kaldırma ihalesiyle başlayan süreçte, hangi binaların yıkıldığı takip edilmeye başlanmıştır. Yıkık ve acil yıkılacak yapıların enkazlarının kaldırılmasının ardından, rezerv yapı alanları ilan edilmeye başlanmıştır. Enkazlar kaldırıldıktan sonra ayakta kalan yapılardan yola çıkarak rezerv yapı alanlarındaki durum değerlendirilmiş, hangi binalarda riskli yapı tespit işlemi yapılması gerektiği ortaya konmuş ve bu durum kurumlar için bir yol haritası niteliği taşımıştır. Ayakta kalan yapıların takip edilmesi, yeni projelerin tasarımından proje ihale sürecine kadar birçok adımda belirleyici bir rol oynamaktadır. Günümüzde deprem sonrası yıkılan binaların tespiti ve enkaz kaldırma süreci, kamu kuruluşları ve özel sektör tarafından saha ekipleriyle yürütülmektedir. Ancak, bu süreçte insan gücünün yoğun şekilde kullanılması ve zamanın kısıtlı olması, daha hızlı bir çözüm gerekliliğini ortaya çıkarmaktadır. Uydu görüntüleri ve drone ile elde edilen görüntüler, saha araştırması yapılmadan daha kısa sürede ve daha doğru sonuçlarla bu tespitlerin yapılabilmesini mümkün kılmaktadır. Bu çalışmada, yüksek çözünürlüklü uzaktan algılama görüntüleri, derin öğrenme işlemine tabi tutulmuş ve karşılaştırılarak enkaz kaldırma takibinin bu yöntemle yapılıp yapılamayacağı tartışılmıştır. Son yıllarda uydu görüntüleri, birçok farklı alanda kullanılmakta olup, bu çalışmada da deprem bölgesindeki ayakta kalan binaların tespitinde etkili bir araç olarak kullanılmıştır. Uydu görüntülerinden elde edilen ve rezerv rapı alanları içinde bulunan dört alana ait 2023 ve 2024 tarihli Google Earth görüntüleri, ilk önce sayısallaştırılmıştır. Sayısallaştırılan görüntüler, derin öğrenme modellerinden biri olan ResNet34 ve yapay zeka kullanan Picterra Platformu'na yüklenmiştir. Bu uygulamada, ayakta olduğu bilinen ve farklı spektral özellikler gösteren binaların bulunduğu bölgeler eğitim alanı olarak belirlenmiş ve bu alan içindeki binalar eğitim verisine dahil edilmiştir. Saha tespitlerinden elde edilen ayakta kalan bina verisi ile derin öğrenme uygulamasının çıktısı karşılaştırılmıştır. Elde edilen sonuçlara bakıldığında, girdi ve çıktı verisinin mekânsal çözünürlüğünün aynı olduğu görülmüştür. Dört alanda, iki ayrı tarihteki toplam sekiz uydu görüntüsünün derin öğrenme çıktısı sonucunda üç görüntüde bina sayısı fazla çıkarken, bir tanesinde aynı sayıda yapı tespit edilmiştir. Dört görüntüde ise derin öğrenme çıktısındaki bina sayısı, saha tespitindeki sayıdan daha az olarak görülmüştür. Aynı tarihte yapılan karşılaştırmalarda, eğitim verisine dahil edilmeyen nesnelerin de bina olarak algılandığı ve bitişik nizamlı farklı binaların tek bir yapı gibi tanımlandığı gözlemlenmiştir. Bu durum, modelin iyileştirilmesi ve eğitim veri setinin daha kapsamlı hale getirilmesi gerektiğini göstermektedir.
Özet (Çeviri)
After an earthquake, the detection of collapsed buildings and the monitoring debris removal are currently carried out by both public institutions and the private sector with field teams. Instead of using manpower in the field, high-resolution remote sensing images can be compared to determine which buildings have had debris removed. Satellite images obtained after most disasters reveal the destructiveness of the disaster. For example, comparing satellite images obtained by the Göktürk and Sentinel satellites immediately after the Kahramanmaraş-centered earthquake with old images provided an understanding of the destructiveness of the earthquake. Hatay was the province that suffered the most damage in the February 6 Kahramanmaraş-centered earthquakes. The process that started with the debris removal tender held in Hatay in March 2023 has started to track which buildings were demolished. The General Directorate of Environmental Impact Assessment, Permit and Inspection selected the dumping site, the General Directorate of Construction Works processed the damage assessments into the system with field teams, and the Urban Transformation Directorate and the Ministry of Environment, Urbanization and Climate Change affiliates separated the debris volumes according to certain areas for the demolition tender, and the debris removal tender was held. After the tender is completed, the findings resulting from the debris removal monitoring are linked to the building-specific suspension codes given by the Ministry of Environment, Urbanization and Climate Change and kept as a list. These suspension codes are matched with the damage assessment data called MAKS, which the General Directorate of Construction Works made with field teams immediately after the earthquake, and are available in the 'Disaster Coordination Information System' both visually and as a list. The buildings obtained from this system constitute the main data, and as the debris is removed, the collapsed buildings are used as a base for the institutions' own standing structure data. After the debris is removed, which of the standing structures will be removed becomes clear and serves as a roadmap for the institutions. In order to remove the debris, it is important to first determine which areas have the most destruction, whether these areas are accessible or not, and their distances to the dumping sites. In these studies, it is important that the information flow between institutions is continuous and that they work together, as the work progresses from one institution to another. The buildings in the damage assessments were classified as collapsed, urgently to be demolished, heavily damaged, moderately damaged, slightly damaged, undamaged and out of evaluation. In the first debris removal tender, calculations were made for collapsed and urgently to be demolished buildings, and work continued for other buildings in the following days. After the debris removal of collapsed and urgently to be demolished buildings was completed, the Ministry began to declare reserve building areas in accordance with the Law No. 6306 on Transformation of Areas Under Disaster Risk. Risky building assessments were initiated in these areas within the scope of Article 6/A of the law, and the evacuation and demolition of risky buildings began. These demolitions are monitored by matching the daily demolition data of building codes. The visual data generally used by institutions is the standing structures that emerge by deleting the collapsed buildings displayed according to the damage assessment legends. In order to show the standing structures, institutions generally use Google Earth data with the extension .kml or .kmz. While creating this data, help is received from employees such as urban planners, survey engineers, civil engineers and survey technicians who are familiar with GIS applications. Effective management of post-disaster structure detection and debris removal processes necessitates the integration of different data sources and technologies. In this context, it is aimed to use satellite images and deep learning-supported analysis methods together in order to collect and analyze the data obtained from disaster areas accurately and quickly. In the first stage of the study, the post-earthquake damage detection data in Hatay province, the debris removal process and the management of this process were examined. In the study, the importance of monitoring the standing structures and debris removal processes was emphasized and the requirements for more effective management of these processes were emphasized. Open source satellite images obtained from Google Earth were used to increase the traceability of debris removal processes. Thanks to these images, the detection of areas with intense destruction and the standing structures were evaluated in detail. The potential of deep learning and artificial intelligence techniques to make debris removal processes more efficient was discussed. It was discussed how these methods can support human-power-based work and how they can contribute to the acceleration of processes. The most commonly used method for obtaining high-resolution satellite images is remote sensing. With the images obtained with this method, object detection can be done fastest with deep learning. Deep learning has been examined as the fastest and most accurate method for standing building detection in satellite images. Deep learning includes various models within itself. Since the application is made with a software containing CNN-based ResNet34 in this study, detailed information is given. CNN-based deep learning models can identify what the objects in an image are and distinguish them. Google Earth images dated 2023 and 2024 belonging to four areas within the reserve rap areas obtained from satellite images were first digitized. The digitized images were uploaded to the Picterra Platform, which uses ResNet34, one of the deep learning models, and artificial intelligence. In this application, the regions where buildings known to be standing and showing different spectral properties were located were determined as training areas and the buildings within this area were included in the training data. The standing building data obtained from field detections were compared with the output of the deep learning application. When the obtained results were examined, it was seen that the spatial resolution of the input and output data was the same. As a result of the deep learning output of a total of eight satellite images from two different dates in four areas, the number of buildings was found to be higher in three images, while the same number of structures was detected in one. In four images, the number of buildings in the deep learning output was seen to be less than the number in the field detection. In the comparisons made on the same date, it was observed that objects not included in the training data were also perceived as buildings and that different adjacent buildings were defined as a single structure. This situation shows that the model should be improved and the training data set should be made more comprehensive. No matter how diverse the examples in the training sets are, the application made more errors in some rare areas due to the variability of roofs or debris. While it is possible to access data on buildings demolished by the public in reserve building areas determined by the Urban Transformation Presidency, since access to buildings demolished by individuals is only possible with field detection, confirmation data cannot be prepared daily. The studies conducted can make demolition tracking of public and private sector institutions fast and visually accessible and reduce manpower for the field. By using this data for all studies conducted in the disaster area and other regions, it can be ensured that the data standard does not change among stakeholders. In particular, demolition data can be added to the MAKS data-based Disaster Coordination Information System, which includes both damage assessments and other building data, and can provide easier access to information for stakeholders in the public and private sectors. These studies conducted can make demolition tracking of public and private sector institutions fast and visually accessible and reduce manpower for the field. In addition, deep learning tools can be made more user-friendly in order to identify objects from remote sensing images.
Benzer Tezler
- Deprem verilerinden kaos teorisi ve derin öğrenme kullanılarak riskli bölge analizi
Risk zone analysis using chaos theory and deep learning from earthquake data
ZEYNEP ÇALIM
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Evrişimli sinir ağı modellerinin betonarme yapılarda deprem hasarı sınıflandırması üzerinden karşılaştırılması: Kahramanmaraş örneği
Comparision of convolutional neural network models on earthquake damage classification in reinforced concrete structures: The case of Kahramanmaraş
RAŞİT EREN CANGÜR
- Büyük ölçekli ve şiddetli depremler sonrasında karayollarında oluşan asfalt çatlaklarının derin öğrenme temelli yaklaşımlarla otomatik olarak bölütlenmesi
Automatic segmentation of asphalt cracks on highways after large-scale and severe earthquakes with deep learning-based approaches
AYŞEGÜL GÜNEŞ
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriFırat ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET YILMAZ
DOÇ. DR. FATİH DEMİR
- Büyük şiddetli depremler sonrasında karayollarında oluşan asfalt deformasyonlarının analizi ve derin öğrenme tabanlı yaklaşımlarla asfalt çatlaklarının otomatik olarak sınıflandırılması
Analysis of asphalt deformations on highways after major severe earthquakes and automatic classification of asphalt cracks with deep learning-based approaches
ROZERİN DEMİR
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriFırat ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET YILMAZ
DOÇ. DR. FATİH DEMİR
- 27 Eylül 2021 Girit depremi ve artçıları için derin öğrenmeye dayalı detaylı sismik kataloğun oluşturulması
A deep learning-based construction of detailed seismic catalog for the 27 September 2021 Crete earthquake and its aftershocks
ZEYNEP NİHAL BALKAYA
Yüksek Lisans
Türkçe
2024
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiKatı Yer Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN