Derin öğrenme ile Kahramanmaraş depremleri sonrası yıkılan ve yıkılmayan binaların yüksek çözünürlüklü uzaktan algılama uydu verileri ile tespiti
Detection of collapsed and non-collapsed buildings after Kahramanmaraş earthquakes with high resolution remote sensing satellite data and deep learning
- Tez No: 937947
- Danışmanlar: DOÇ. DR. MUZAFFER CAN İBAN, PROF. DR. DURSUN ZAFER ŞEKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 126
Özet
Depremler, dünya genelinde milyonlarca insanı etkileyen ve geniş alanlarda büyük can ve mal kayıplarına yol açabilen doğal afetlerdir. Özellikle büyük depremler, yerleşim yerlerinde ve altyapılarında yıkıma ve can kaybına neden olmaktadır. 2000-2018 yılları arasında meydana gelen depremlerde, dünya genelinde yaklaşık 570.000 can kaybı yaşanmıştır. Bu durum, afetten hemen sonra hızlı ve doğru hasar tespitinin arama kurtarma faaliyetleri için önemini açıkça ortaya koymaktadır. Geleneksel yöntemlerin, büyük afetlerde geniş çaplı değerlendirme yapabilme konusunda yetersiz kaldığı bilinmektedir. Bu bağlamda, çok yüksek çözünürlüklü uydu görüntüleri (VHR) ve derin öğrenme tekniklerinin ortaya çıkışı, geleneksel yöntemlerin eksikliklerini kapatarak önemli bir dönüm noktası oluşturmuştur. Son yıllarda, afet sonrası hasar tespitinde yapay zekâ (YZ) tabanlı çözümler büyük bir ilerleme kaydetmiştir. Özellikle derin öğrenme teknikleri, hasar tespitini daha hızlı ve doğru bir şekilde gerçekleştirmeyi olanaklı kılmaktadır. Bu tez çalışması, Şubat 2023'te Kahramanmaraş merkezli meydana gelen depremler sonrası, Antakya ve İskenderun kentlerinde meydana gelen bina hasarlarının tespiti için geliştirilmiş iki aşamalı derin öğrenme modelinin performansı incelenmiştir. İlk aşamada, farklı modellerin performansının değerlendirildiği sekiz derin öğrenme tabanlı sahne sınıflandırıcı geliştirilmiştir. Bunlardan ResNet-101 sınıflandırıcısı, kent genelinde bina varlığını %99.17 doğrulukla tespit ederek, kentsel olmayan alanları en iyi şekilde ayıklamış ve sadece kentsel alanlara odaklanan bir analiz yapılmasını sağlamıştır. İkinci aşamada ise, yine farklı modellerin performansının denetlendiği derin öğrenme tabanlı bir sınıflandırıcı daha geliştirilerek, binalar yıkılmış ya da yıkılmamış olarak sınıflandırmıştır. DenseNet-121 modeli ile %93.33 doğruluk oranı elde edilmiştir. Buna ek olarak, YOLOv7 ve YOLOv8 derin öğrenme modelleri, yıkılan ve yıkılmayan binaların piksel koordinatlarının tespit edilmesini sağlayarak, kent genelinde deprem sonrası yıkım haritalaması amacına hizmet etmiştir. YOLOv7 modeli ile yıkılmış ve yıkılmamış sınıfları için 0.79 mAP50 doğruluğu elde etmiş ve yıkım haritasının güvenilir bir şekilde elde edilmesini sağlamıştır. Tüm bunlara ek olarak, InferenceVision Kütüphanesi geliştirilmiş, otomatik olarak sınırlayıcı kutulardan (İng. bounding box) yıkılan ve yıkılmayan binaların coğrafi koordinatlarını hesaplayarak deprem sonrası hasarın hızlı ve doğru haritalanmasına olanak tanımıştır. Ayrıca, 1 milyar parametreli dil modeli ile desteklenen bir sohbet robotu, kütüphane kullanıcılarının fonksiyonlar hakkında bilgi almasını ve çözüm önerileri sunmasını kolaylaştırmıştır. Çalışmada, sahne sınıflandırması ve nesne tespiti modelleri doğruluk ve hesaplama maliyetleri açısından değerlendirilmiştir. MobileNetV2, düşük parametre sayısı ve yüksek verimlilik ile kaynak sınırlı çalışmalarda öne çıkarken, DenseNet-121 ve ResNet-101, geniş veri setlerinde yüksek doğruluk gerektiren uygulamalar için uygun bulunmuştur. YOLOv7, düşük parametre gereksinimi (36.9 milyon parametre, 104.7 GFLOPS) ile etkili sonuçlar sunarken, YOLOv8 ailesi, daha yüksek doğruluk ve genelleme kapasitesi ile farklı uygulama gereksinimlerine uyum sağlayabilmektedir. Son olarak, açıklanabilir yapay zekâ (XAI) bu çalışmada sahne sınıflandırma modellerine uygulanmış ve önem haritaları aracılığıyla modellerin hangi piksel bölgelerine odaklandığı görselleştirilmiştir. Bu yöntem, binaların yıkılmış ya da yıkılmamış olarak sınıflandırılmasında modelin karar süreçlerini anlaşılır kılmıştır.
Özet (Çeviri)
Earthquakes are natural disasters that affect millions of people worldwide and can cause great loss of life and property in large areas. Especially, large earthquakes cause destruction and loss of life in residential areas and infrastructures. Approximately 570,000 lives were lost worldwide in earthquakes that occurred between 2000 and 2018. This situation clearly demonstrates the importance of rapid and accurate damage assessment immediately after a disaster for search and rescue activities. It is known that traditional methods are inadequate in making large-scale assessments in major disasters. In this context, the emergence of very high-resolution satellite imagery (VHR) and deep learning techniques has constituted a significant turning point by closing the gaps in traditional methods. In recent years, artificial intelligence (AI)-based solutions have made great progress in post-disaster damage assessment. Deep learning techniques, in particular, make it possible to perform damage assessment more quickly and accurately. This thesis study investigates the performance of a two-stage deep learning model developed for the detection of building damage in the cities of Antakya and İskenderun after the earthquakes centered in Kahramanmaraş in February 2023. In the first stage, eight deep learning based scene classifiers were developed where the performance of different models was evaluated. Of these, the ResNet-101 classifier detected the presence of buildings throughout the city with 99.17% accuracy, eliminated non-urban areas in the best way and enabled an analysis focusing only on urban areas. In the second stage, another deep learning-based classifier was developed, in which the performance of different models was evaluated, classifying buildings as collapsed or not. An accuracy rate of 93,33% was achieved with the DenseNet-121 model. In addition, the YOLOv7 and YOLOv8 deep learning models served the purpose of post-earthquake destruction mapping throughout the city by determining the pixel coordinates of collapsed and non-collapsed buildings. With the YOLOv7 model, an accuracy of 0.79 mAP50 was achieved for the collapsed and non-collapsed classes, ensuring that the collapse map was obtained reliably. In addition to all these, the InferenceVision Library has been developed, allowing for fast and accurate post-earthquake damage mapping by automatically calculating the geographic coordinates of collapsed and non-collapsed buildings from bounding boxes. In addition, a chatbot supported by a 1 billion parameter language model has made it easier for library users to obtain information about the functions and offer solution suggestions. In this study, scene classification and object detection models are evaluated in terms of accuracy and computational costs. While MobileNetV2 stands out in resource-limited studies with its low parameter count and high efficiency, DenseNet-121 and ResNet-101 are suitable for applications requiring high accuracy on large datasets. While YOLOv7 provides effective results with its low parameter requirement (36.9 million parameters, 104.7 GFLOPS), the YOLOv8 family can adapt to different application requirements with its higher accuracy and generalization capacity. Finally, explainable artificial intelligence (XAI) was applied to scene classification models in this study and the pixel regions that the models focused on were visualized through importance maps. This method made the decision processes of the model understandable in classifying buildings as collapsed or not.
Benzer Tezler
- 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
FATMA ELİK
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Coğrafi referanslı sosyal medya verilerinden doğal dil işleme ve derin öğrenme kullanılarak duygu analizi
Sentiment analysis from georeferenced social media data using natural language processing and deep learning
DİLAN GÖZDEM DOLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER ŞEN
- Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti
Detection of longitudinal reinforcement buckling in reinforced concrete columns post-earthquake by machine learning
BAHADIR GÜLEŞMEN
Yüksek Lisans
Türkçe
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN
- Doğal afetlerde çevrimiçi davranış verilerine dayalı ihtiyaç tahmini ve kaynak tahsis optimizasyonu: 2023 kahramanmaraş depremleri uygulaması
Demand prediction and resource allocation optimization based on online behavioral data in natural disasters: An application to the 2023 Kahramanmaraş earthquakes
MEHMET DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDİ DAŞDEMİR
- Afetten etkilenen bölgelerin ve binaların hava görüntülerinden derin öğrenme tabanlı belirlenmesi
Deep learning-based detection of affected areas and buildings from aerial images in disaster zones
ABDULLAH ŞENER
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN