Deprem sonrasında binaların hasar tespitinde kullanılan yapay öğrenme algoritmalarının analizi
Analysis of machine learning algorithms used in post-earthquake building damage assessment
- Tez No: 932290
- Danışmanlar: DOÇ. DR. CANER GÜNEY
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
- Bilim Dalı: Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 175
Özet
Afet durumlarında özellikle deprem sonrasında bir kentte hangi binaların hasar aldığının tespit edilebilmesi ve bu binaların hasar düzeylerinin belirlenebilmesi hem afet anında gerçekleştirilen arama kurtarma çalışmaları için hem de afet sonrasında kent yaşamının yeniden başlayabilmesi için hayati öneme sahip bir bilgidir. Özellikle şiddetli bir depremin gerçekleşmesinden sonraki kısa zaman içerisinde bu bilginin üretilebilmesi, afet alanındaki kaotik durum göz önünde bulundurulduğunda arama-kurtarma ve planlama çalışmaları için ne kadar hayati bir öneme sahip olduğu anlaşılacaktır. Ayrıca söz konusu bilginin afet sırasında afet bölgesinde bulunan kurum ve kuruluşların yanı sıra afetzedeler tarafından üretilmesi pek olası olmadığı gibi gerçekçi de değildir. Bu durumda afetten görece daha az etkilenen bölgelerdeki uzmanlar ve kaynaklar yardımıyla havadan ve uzaydan elde edilen görüntüler kullanılarak hasar tespit çalışmaları yapılmaktadır. Bu çalışmalarda özellikle afet alanına ulaşımı sağlayan yollar ve köprüler ile afet alanındaki binaların afet sonrası durumları belirlenmeye ve afet sorası bölgenin mevcut durumunun haritası üretilmeye çalışılmaktadır. Bu bilgiler üretildikten sonra da duruma ile ilişkin diğer tüm bilglerle birlikte bir Uzamsal Bilgi Sistemi (Mekânsal Bilgi Sistemi/Coğrafi Bilgi Sistemi) uygulaması üzerinden arama-kurtarma, yardım ve lojistik çalışmaları planlanmakta ve gerçekleştirilmektedir. Uçak, insansız hava aracı, uydu gibi platformlarda bulunan farklı sensörlerden elde edilen görüntüler üzerinde binaların hasar tespitleri geleneksel olarak insanlar tarafından manuel biçimde vektör veri yapısında veya yine insan tarafından görüntü işleme yazılımlarıyla raster veri yapısında gerçekleştirilmektedir. Sözü edilen her iki geleneksel yaklaşımın gerçekleştirilmesi belirli bir zaman almaktadır. Afet anında her geçen zamanın hayati olduğu göz önünde bulundurulduğunda bu sürecin hızlandırılması gerekmektedir. Burada devreye daha yenilikçi bir yöntem olan yapay öğrenme yaklaşımı devreye girmektedir. Bu yenilikçi yaklaşımda makine öğrenmesi, onun bir alt kümesi olan derin öğrenme yöntemleri ve onun da bir alt kümesi olan transformer mimarlileri sözü edilen görüntüler üzerinde hasar tespiti için kullanılabilmektedir. Her ne kadar söz konusu yenilikçi yöntemler geleneksel yöntemlere göre afet alanındaki hasar tespit hızını arttırsa da farklı mimarilere ve hiper parametrelere sahip farklı yapay öğrenme yöntemleri, doğruluk, kesinlik, duyarlılık gibi ölçütler üzerinden farklı başarımlar sergilemektedir. Yapay öğrenme modellerinin başarımlarının farklı olması deprem sonrasındaki arama-kurtarma ve yardım faaliyetlerinin başarımını da etkileyebileceği öngörülmelidir. Örneğin başarımı düşük bir yapay öğrenme modelinin hasarsız veya az hasarlı binayı ağır hasarlı olarak sınıflandırması ya da tam tersi durumda arama-kurtarma faaliyetleri yanlış binalara yönlendirilerek zaman ve can kaybına neden olunabilir. Bu ve benzeri durumların ortaya çıkmaması için bugüne kadar depremlerde hasar tespiti için kullanılan yapay öğrenme yaklaşımlarının karşılaştırılmalı bir analizinin yapılması gerekliliği ortaya çıkmaktadır. Bu nedenle çalışma kapsamında deprem sonrası hasar tespiti için uydulardan ve insansız hava araçlarından elde edilen görüntülerin girdi verisi olarak kullanıldığı ve yapay öğrenme yönteminin uygulandığı 35 akademik çalışma incelenmiştir. Söz konusu 35 makalede kullanılan yapay öğrenme algoritmalarının, algoritmaların kullanım stratejilerinin ve algoritmalarının başarım ölçütlerinin bir karşılaştırmalı analizi yapılmıştır. Sözü edilen modellerin eğitimi sırasında uygulanan tahmin başarımını arttırıcı yöntemler ve ayarlamalar da irdelenmiştir. Ayrıca çalışmalarda eğitim ve test verisi olarak kullanılan veri kümeleri de analiz kapsamında incelenmiştir. Örneğin bazı çalışmalar doğrudan hava veya uydu platformlarından elde edilen görüntüleri doğrudan kullanırken diğer çalışmalar eğitim verisi olarak önceden hazırlanmış hasarlı binalar eğitim veri kümelerini de kullanmıştır. Buna ek olarak çalışma kapsamında eğitim verisi kümesinin hazırlanmasındaki veri zenginleştirme/çoğaltma amacıyla uygulanan işlemler de göz önünde bulundurulmuştur. Çalışma sonucunda 35 makaleye ilişkin yapılan karşılaştırmalı analize dayalı olarak bundan sonra gerçekleşebilecek olası depremlerde hasar tespitine ilişkin nasıl bir yapay öğrenme altyapısı, mimarisi ve modeli kullanılabileceğine ilişkin kavramsal bir tasarım yapılmıştır. Bu tasarımla bina segmentasyonu ve hasar sınıflandırma süreçlerinde yaşanılan sorunlara çözüm sunulmaya çalışılmıştır
Özet (Çeviri)
After a disaster, especially after an earthquake, information about the location and damage level of buildings is a crucial data source for both search and rescue efforts during the disaster and the subsequent redesign of the city. Considering the chaotic conditions in the affected area immediately after the event, such information resources are vital for planning rescue and relief operations. It is highly unlikely that this information could be produced by people on the ground during the earthquake. Therefore, following an earthquake, damage assessments for objects like buildings, roads, and bridges are conducted using satellite and photogrammetric imagery acquired from the air, enabling the production of thematic maps that depict the current situation. Subsequently, this information can be integrated with other datasets in“Geospatial Information Systems”(Geographical Information Systems, GIS) to carry out search and rescue and relief planning efforts. In addition to conducting damage assessments on aerial and satellite images through manual human labor and/or image processing software, artificial learning (machine learning, deep learning, artificial intelligence) approaches can be employed to accelerate the work. Within the scope of this study, several academic research projects employing artificial learning approaches on high-resolution optical satellite imagery and optical imagery obtained from unmanned aerial vehicles (UAVs) were examined to determine the effects of the earthquake on urban areas. The methods applied in these studies were compared. This comparison generally covers the artificial learning algorithms used, the methods of applying these algorithms, and the performance metrics of these algorithms. Performance measures such as accuracy, precision, recall, F1 score, and Intersection over Union (IoU) were utilized. In the studies compared in this work, some used only post-earthquake images as a dataset, while others used both pre- and post-earthquake images. During the training phase, some studies employed the xBD dataset, which contains both damaged and undamaged building data, while others used building and collapsed building images from the ImageNet dataset. The xBD dataset is a publicly available, large-scale satellite image dataset for building segmentation and damage assessment. It provides pairs of high-resolution global images of buildings before and after disasters, along with their annotations. Each image is 1,024 × 1,024 pixels in size, containing three RGB bands at 0.8 m resolution. ImageNet, on the other hand, is a massive visual dataset widely used in computer vision and deep learning domains, created in 2009. It is commonly employed as training data for classifying and recognizing various objects and includes millions of labeled images. ImageNet is especially popular for training deep learning models for object recognition, image classification, and image processing projects. Moreover, some studies generated their own training datasets by extracting image patches from satellite imagery—either post-disaster or pre-disaster—that did or did not contain buildings. Since many neural networks expect input data of similar dimensions, images were, for example, prepared at 128x128 pixel sizes to create training sets. These images were produced for each of the RGB channels as well. In order to enhance the learning capability of machine learning algorithms and prevent overfitting (i.e., excessive adaptation to the training data), raster-type datasets obtained from satellite imagery were subjected to various formatting operations for data diversification and enrichment. When the dataset is insufficient, these operations also aim to prevent the model from becoming biased toward the training data. For data augmentation and diversification, transformations like cropping, rotating, and blurring were applied to the satellite images. In a study titled“A Deep Learning Application for Building Damage Assessment Using Ultra-High-Resolution Remote Sensing Imagery in Turkey Earthquake,”conducted after the Kahramanmaraş earthquakes of February 6, 2023, the Cutmix technique was used for dataset diversification. Cutmix involves combining two different images by cutting a portion of one image and pasting it onto another. Parts of the satellite images containing damaged buildings were resized for use in machine learning models. This resizing step was applied to adjust the satellite images to be suitable for the training process. The images were standardized to a fixed resolution (e.g., 512x512 pixels) to allow consistent processing by the models. This step is critical for ensuring uniform handling of images with different resolutions and is also important as a data preprocessing step to improve model performance. Afterward, the dataset was generally randomly divided into about 70% training and 30% testing. In some studies, an additional 10% was allocated for validation. In machine learning algorithms, training data is used to optimize model parameters to uncover relationships and patterns within the data. These parameters are considered the weight values in artificial neural networks. The validation data, on the other hand, is used for“fine-tuning”these parameters during the learning process. It measures how successful the model is on data it hasn't seen before. It also checks if the model is overfitting—performing poorly on unseen data. Finally, the test data is used after the model is trained and validated to evaluate how the model performs on a completely unseen dataset. The studies also address problems that can occur when using artificial learning methods and propose solutions. For example, issues like a high number of misclassified areas or the transferability of tested models to different types of disasters were examined. Various methods were discussed for detecting objects like buildings or other structures at different altitudes or scales. The studies also mention various feature extraction methods to improve detection performance in segmentation and damage classification tasks. For instance, by analyzing building edges, corners, changes in pixel spectral reflectance values, and various vegetation indices, feature maps were generated for training the models. Different artificial learning models are used in the compared studies. However, it was observed that U-Net-based models generally perform well. Moreover, the choice of encoder accompanying the model significantly impacts performance. For example, in the study titled“Using Satellite Imagery to Automate Building Damage Assessment: A Case Study of the xBD dataset,”the VGG16 bn (VGG16 with Batch Normalization) encoder, a variant of the VGG16 deep learning model proposed by Oxford University's Visual Geometry Group in 2014, achieved the best building segmentation performance when used with the U-Net deep learning model. In the comparison conducted within this study, it was observed that deep learning algorithms were more successful in building segmentation tasks. High segmentation performance levels were identified. In studies with similar accuracy values, those with lower recall or F1 scores were found to have been trained with smaller datasets. It was also determined that hyperparameter adjustments, such as the number of training epochs and the batch size used in each epoch, as well as optimization approaches, play a role in improving model performance. Normalization, which involves bringing various data into a standard range, was also applied as part of data preprocessing to improve model performance. For example, in the article titled“Earthquake building damage detection based on synthetic-aperture-radar imagery and machine learning,”data normalization was implemented to balance parameters used in damage classification. By scaling different measured data—such as SAR (synthetic aperture radar) reflectance values—into a standard range, the classification model aims to yield more accurate and balanced results. With this study, by comparing the performances of artificial learning techniques that contribute to rapid intervention planning in the detection of building debris following earthquakes, an attempt was made to determine how the most efficient and fastest evaluation system should be. In particular, taking regional factors into account, a solution proposal was presented to address the challenges encountered in this field, specifically within the context of Türkiye.
Benzer Tezler
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı
PROF. DR. DİDEM SALOĞLU DERTLİ
- Investigation of alternative strategies for optimum reliability in condition assessment of existing RC buildings using NDT methods
Mevcut binaların NDT yöntemleri kullanılarak durum tespitinde optimum güvenilirlik sağlanması için alternatif yöntemlerin incelenmesi
HADI ABBASZADEH
Yüksek Lisans
İngilizce
2018
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OĞUZ GÜNEŞ
- 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
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- İstanbul Tarihi Yarımada'da kentsel ölçekte deprem odaklı kentsel zarar görebilirlik değerlendirmesi
Seismic vulnerability assessment at urban scale in İstanbul Historical Peninsula
SELDA ERDOĞAN
Yüksek Lisans
Türkçe
2021
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATİH TERZİ
- Anıtsal yığma binalarda risk düzeyinin tespitine ilişkin bir öndeğerlendirme yöntemi
Pre-assessment method for determining the risk level of monumental masonry buildings
MELTEM VATAN KAPTAN