Object-based damage pattern analysis in building from post-earthquake high resolution satellite images: Two case studies on Bam and Haiti
Yüksek çözünürlüklü deprem sonrasi uydu görüntülerini kullanarak yapilarda obje tabanli hasar örüntü analizi: Bam ve Haiti üzerinde iki durum incelemesi
- Tez No: 982341
- Danışmanlar: YRD. DOÇ. DR. GÜLŞEN TAŞKIN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Deprem Mühendisliği, Earthquake Engineering
- Anahtar Kelimeler: Görüntü işleme, Yapısal hasar, Image processing, Structural damage
- Yıl: 2016
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Deprem Mühendisliği ve Afet Yönetimi Enstitüsü
- Ana Bilim Dalı: Deprem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bir doğa olayı olan depremlerin nerede, ne zaman ve hangi şiddette olacağını kesin bir şekilde önceden bilmemiz şuan ki mühendislik bilgilerimiz çerçevesinde mümkün değildir. Ancak inşaat mühendisleri ve deprem mühendisleri olarak elimizden gelen öncü bir takım önlemler almak ve yapılarımızı mümkün mertebe depremlere dayanıklı olacak şekilde inşaa etmektir. Ancak çok geniş alanlarda yıkıcı etkiler gösterebilen depremlerin meydana gelmesi belirli periyotlarla kaçınılmazdır. Bu sebeple insanoğlu deprem sonrası ortaya çıkacak durumlar içinde hazırlıklı olmalıdır. Bunlardan bir tanesi olan deprem sonrası yapı hasarının belirlenmesi deprem mühendisliğinin alanına girmektedir. Deprem sonrası yapılacak ilk çalışmalarda bölgede oluşan deprem hasarının en kısa sürede ve en yüksek doğrulukta yapılması istenir. Bu amaçla kulanılan yöntemlerden bir tanesi uzaktan görüntü algılama teknolojilerinin kullanılması ve bu verinin görüntü işleme yöntemleri ve makine öğrenme teknikleri kullanılarak değerlendirilmesidir. Çoğu durumda deprem sonrası olay bölgesine ulaşım kısıtlı yada çok zor olduğundan uzaktan algılama yöntemleri öne çıkmakta ve ilgi görmektedir. Bu tez çalışmasında deprem sonrası oluşan kriz durumunun yönetilmesi ve bölgede görevlendirilen ekiplerin müdahele edecekleri alanları önem durumuna göre önceleğinin tayin edilebimesi için çok önemli olan, yüksek çözünürlüklü multispectral ve panchromatic optik uydu görüntüleri ile makina öğrenme teknikleri kullanarak yapılarda depremden dolayı oluşan hasarın hızlı ve mümkün olan en yüksek doğrulukta tespiti ve deprem hasarını en çok öne çıkaran görüntü özelliklerinin belirlenmesi ve farklı depremler için karşılaştırılması konusu işlenmiştir. Bu amaçla bir tanesi 12 Ocak 2010 tarihinde Haiti'de meydana gelen 7.0 Mw büyüklüğüdeki deprem ile, diğeri 26 Aralık 2003'te İran'ın Bam şehrinde 6.6 Mw büyüklüğünde meydana gelen iki farklı deprem bölgesi çalışma alanı olarak seçilmiştir. Bu iki deprem için depremden dolayı oluşan yapı hasarları makina öğrenme teknikleri kullanılarak tespit edilmiş ve iki deprem için bu hasarı en çok öne çıkaran görüntü özellikleri karşılaştırılmış ve aralarındaki benzerlikler incelenmiştir. Bahsi geçen depremler için o bölgenin deprem öncesi ve deprem sonrası görüntüleri Quickbird ve Worldview-1 uydularından multispectral ve panchromatic olarak temin edilmiş daha sonra bu görüntülerden uzaysal çözünürlüğü daha yüksek pansharpened görüntüler elde edilmiş ve bu görüntüler işlemlerde kullanılmıştır. Multispectral görüntüler genellikle bir piksel için 4 kanal veriye sahiptir. Bunlar kırmızı, yeşil, mavi renk verisi ve yakın kızıl ötesi spectrum verileridir. Multispectral görüntülerin uzaysal çözünürlüğü düşüktür. Panchromatic görüntüler ise tek kanal veri içermekte ve bir piksel için geniş bir dalga boyunda ışığı yakalayan sensörler ile yakalanmış veriden oluşmaktadır. Çözünürlüğü multispectral görüntülere göre çok daha büyüktür. Burada belirtilen çözünürlük bir pikselin gerçek anlamda kaç metrekarelik bir alanı temsil ettiğini gösterdiğinden yüksek çözünürlüklü veriler daha fazla bilgi içermektedir. Bu iki görüntüyü birleştirerek 4 kanal veriye sahip yüksek çözünürlükte renkli görüntüler elde edilebilmektedir. Bunlara Pansharpened görüntüler denir. Bölgenin deprem öncesi görüntüleri, yapıların arsa sınırlarını belirlemek için kullanılmıştır. Makine öğrenme yöntemlerinden bir tanesi olan Support Machine Vectors (SVM) ile çok sınıflı sınıflandırma tekniği kullanılarak piksel ve doku tabanlı sınıflandırmalar yapılmıştır. Bu sınıflandırma ile yapılar, yollar ve bitkiler sınıflandırılabilmiştir. Deprem sonrası görüntüler ile de tek sınıflı SVM öğrenme tekniği kullanılarak yapının hasarlı yada hasarsız olduğu şeklinde bilgisi elde edilmiştir. Ancak bu işlem yapının tamamı için değil deprem sonrası görüntüler üzerinde deprem öncesi görüntülerden elde edilen yapı arsa sınırları baz alınarak oluşturulan ve benzer özelliklerdeki alanları gruplama amacı taşıyan bölümlendirme (segmentation) işlemi ile elde edilmiş yapının alt alanlarında obje tabanlı sınıflandırma yöntemiyle yapılmıştır. Bu alt alanların hasar durumuna göre alan büyüklükleri ile doğru oranlayarak yapı bloğunun tamamı için yapı hasarı belirlenebilmektedir. Yapı hasarının tespitinde kullanılan görüntüler genellikle yüksek çözünürlüklü görüntülerdir. Uzaysal çözünürlüğü 10 metre yada daha küçük olan görüntüler ile yapı hasarı yapı seviyesinde basit bir kaç grupta tanımlanabilirken çözünürlüğü metre altına inen görüntülerle yapı hasarı daha detaylı olarak farklı yapı bölümleri için tanımlanabilmektedir. Örneğin bu çalışmada kullanılan görüntülerin çözünürlüğü Bam depremi için 0.6 metre ve Haiti depremi içi 0.5 metredir. Buda görüntüdeki bir pikselin gerçek dünyada 0.6 metreye 0.6 metrelik ve 0.5 metreye 0.5 metrelik kare alana karşılık geldiğini belirtir. Ancak günümüzde bile hala yapı hasarı, çözünürlüğü 0.5 metre olan görüntülerle bile yapı bazında birebir olarak tam yapılamamaktadır. Kullanılacak görüntüler uzaydan veya havadan insanlı, insansız hava araçları ile elde edilmiş olabilir. Bir diğer veride eldeki mevcut haritalardan veya yerinde elde edilen her türlü yardımcı veriden oluşur. Bu verileri 4 ana gruba ayırabiliriz. Bunlar Optik görüntüler, SAR (Synthetic Aperture Radar) verileri, LiDAR (Light Detection And Ranging) verisi ve yardımcı verilerdir. Bu çalışmada sadece optik görüntüler kullanılmıştır. Bir görüntüden oluştutulabilecek sonsuz sayıda özellik vardır. Önemli olan bu özelliklerden hangisinin yapılacak işleme göre anlamlı olduğudur. Bu sebeple seçilen özellikler arasından öne çıkan özellikler, özellik seçme yada özellik indirgeme olarak adlandırılan bir işleme tabi tutulur. Burada kullanılan görüntü özelliklerinin sayısı, sonucu en az etkileyecek şekilde azaltma yoluna gidilir. Buda zamandan tasarruf ve işlemlerde kolaylık sağlar. Bu çalışma kapsamında önemi bir çok kez kanıtlanmış görüntü özelliklerinden Haralick özellikleri kullanılmıştır. Bu özellikler oluşturulurken belirli bir pencere içerisinde komşu piksellerin birbiriyle olan komşulukları kullanılır. Pencere boyutu olarak 7 piksele 7 piksel bir alan seçilmiştir. Ayrıca bunun yanında görüntüdeki kenarları öne çıkaran Canny fonksiyonu ilede bir özellik oluşturulmuştur. Toplamda 85 görüntü özelliği kullanılmıştır. Yapılan işlemler sonucunda bulunan verilere göre deprem hasarını en iyi temsil eden görüntü özellikleri Bam şehri için piksel bazında renk verisi (kırmızı, mavi, yeşil ve yakın kızılötesi) ile haralick özelliklerinden doku bazında“Auto Correlation”olarak bulunmuştur. Ancak Haiti şehri için“Cluster Shade”ve“Maximum Probability”doku özellikleri öne çıkmaktadır. Bu tez dört bölümden oluşmaktadır. İlk bölümde tezin amacı anlatılarak literatürde daha önce yapılan benzer çalışmalar incelenmiştir. İkinci bölümde ise kullanılan yöntemler sırasıyla anlatılmıştır. Üçüncü bölümde ise Bam ve Haiti bölgeleri için yapılan analizler ve sonuçları ayrıntılı olarak sunulmuştur. Dördüncü ve sonuncu bölümde ise elde edilen sonuçlar karşılaştırılmış ve bir sonuca varılmıştır.
Özet (Çeviri)
The earthquake as a natural disaster has affect on large areas. One of the problems of the earthquake engineering is assessment of structural damage after the earthquakes. The first assessments generally might be expected to be performed in a short period of time and the level of earthquake-induced damage determined on the affected areas does not necessarily provide a very detail but an adequate information in the case of earthquake emergency plan. This information is important for the management in disaster areas. One of the technique is the use of remote sensing technology and processing of this data. This technology is valuable because of the data obtained with remote sensing does not effected by rough conditions to access on event areas. There are different types of data that can be obtained with remote sensing technology such as optical images, synthetic aperture radar (SAR) images, light detection and ranging (LiDAR) data and ancillary data. These data can be obtained from satellites, air vehicles, in-site observations or from other unmanned aerial systems. Besides these, those data can be used by itself or in combination. One can use any kind of auxiliary data obtained from available maps and on-site investigations with in combination with data obtained from remote sensing. Only optical images are used in this study. In this study, determination of the image features using the optic satellite images that emphasize building damage best and the comparison of different earthquakes have been studied. For this purpose, two different earthquakes selected, one of them is with a moment magnitude of 6.6 Mw that occurred in city Bam, Iran on 26 December 2003 and the other with a moment magnitude of 7.0 Mw that occurred in Haiti on January 12, 2010. Structural damages due to earthquakes were determined by using image processing methods and machine learning techniques for two earthquakes and the image features that emphasize this damage most for two earthquakes were compared and examined for similarity between them. For these earthquakes, pre-earthquake and post-earthquake images were obtained from Quickbird and Worldview-1 satellites as multispectral and panchromatic digital images, and then fused together to obtain pansharpened images using image processing methods which has higher spectral information. The spatial resolution of pansharpened images used in this study is 0.6 meters for Bam and 0.5 meters for Haiti. This indicates that a pixel in the image corresponds to 0.6 meter to 0.6 meter square area and 0.5 meter to 0.5 meter square area in real world. Multispectral images usually has 4 channel of data per pixel. These are red, green, blue color data and near infra-red values of that pixel. The spatial resolution of multispectral images are lower than compared to panchromatic images. Panchromatic images has single-channel data and are obtained with sensors which is sensitive to a wide range of wavelengths of light for a pixel. Its spatial resolution is much higher than multispectral imageries. Since the spatial resolution stated here indicates how much area of ground imaged by one pixel, the high resolution images contains more information. By combining multispectal and panchromatic images, a color image which has high spatial and spectral resolution with four channel data can be obtained. There were infinite number of features that can be extracted from an image. Gray level histogram features and gray level co-occurrence matrix features (GLCM) were one of the most important features that can be evaluated from an optic satellite image. 19 different GLCM features were extracted for four different offset. Also 4 gray level histogram and one edge features were extracted. Total of 85 different textural image features were used for building damage classification. The important thing was which of these features were most important for detection of building damage. For this reason, the features were subjected to a process called feature reduction or feature selection to obtain the first ten most important features contributing the identification of the damage most. Correlation between best features for detecting building-damage selected separately for Bam and Haiti earthquakes and compared, results are discussed in detail. The pre-earthquake images was only used for extraction of the boundaries of the buildings. For this purpose a multi-class pixel and texture based classification was conducted using Support Vector Machine (SVM), and the thematic map was obtained including the land cover classes, that are buildings, roads, vegetables, soil and shadow. Afterwards, the other land cover classes except buildings were removed from this thematic map, and only the building class was considered for further analysis. Using only the post-earthquake images, a one-class SVM classification technique was used to obtain the information of the buildings that if it is damaged or non-damaged. The training dataset having only one class, which is a damage class, is collected based on visual comparisons between pre-earthquake and post-earthquake images. However, the classification was not conducted on building boundaries. Instead, post-event pansharpened image was segmented into sub-areas by using building boundaries as a mask. Then those sub-areas were classified. This method called object based classification. And, at last building damage map was presented for two earthquakes.
Benzer Tezler
- 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
- Muş ili İslam dönemi mimari eserlerin güncel durumlarının belgelendirilmesi ve değerlendirilmesi
Documentation and evaluation of the current conditions of Islamic period architectural monuments in Muş
ABDULKERİM BOZYEL
Yüksek Lisans
Türkçe
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ARAS NEFTÇİ
- Deprem sonrasında binaların hasar tespitinde kullanılan yapay öğrenme algoritmalarının analizi
Analysis of machine learning algorithms used in post-earthquake building damage assessment
SERHAT MÜRSEL KÖROĞLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. CANER GÜNEY
- The significance and the contribution of 6+1 traits of writing to the success of the students in writing courses in English language teaching
Yazmanın 6+1 özelliğinin İngilizce öğretiminde yazılı anlatım derslerindeki öğrenci başarısına katkısı ve önemi
ÖZLEM YAZAR
Yüksek Lisans
İngilizce
2004
Eğitim ve ÖğretimGazi Üniversitesiİngiliz Dili Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. PAŞA TEVFİK CEPHE
- Enerji korunumlu yapıların yönlendirilmesi ve biçimlendirilmesi için yeni bir metod
A New method for the orientation and design of a building of minimal energy consumption
AYŞE ELAGÖZ