Uydu Görüntüleri ve İha ile Derin Öğrenme Algoritmaları Kullanılarak Hasarlı Yapıların Tespit Edilmesi

Abstract

Depremin ne zaman ve nerede olacağının önceden bilinememesi deprem sonrası müdahale konusunda zafiyet oluşturmaktadır. Buna bir de müdahale aşamasında yaşanan zaman kaybı ve koordinasyon eksikliğinin eklenmesi depremin verdiği zararı arttırabilmektedir. Bu sebeple deprem hasarının hızlı ve doğru bir biçimde yapılması olası can kaybını azaltabileceği gibi afet sonrası yaşamın normale dönebilmesi için de önemli bir faktördür. Günümüz şartlarında uydu, helikopter gibi araçlarla gözleme dayalı yapı hasarlarının tespiti hız ve doğruluk açısından çekinceler oluşturmaktadır. Çalışmada hasarlı yapıların hızlı ve güvenilir bir şekilde tespit edilebilmesi için derin öğrenme algoritmalarında evrişimsel sinir ağı mimarisinin bir modeli olan Mask Region-based Convolutional Neural Network (Mask R-CNN) modeli kullanılarak hasar tespiti yapılmaya çalışılmıştır. Eğitim alanı olarak 2010 yılında Haiti'de meydana gelen 316.000 insanın öldüğü, 280.000 civarı yapının hasar gördüğü 7.0 büyüklüğündeki deprem bölgesi seçilmiştir. Bölgede deprem sonrası WorldView-2 uydusuyla elde edilmiş 0.51 metre konumsal çözünürlüğe sahip uydu görüntüsü ve uydu görüntüsüne yakın bir konumdan alınmış 5 cm ve 7 cm çözünürlüğe sahip insansız hava aracı görüntüleri de çalışmada kullanılmıştır. Görüntüler ilk aşamada üç sınıfta 'hasarlı', 'az hasarlı' ve 'hasarsız' olarak eğitilip test edilmiştir. Uydu görüntüleri ile test sonucunda test için etiketlenen yapılar %10.92 oranında bulunmuş bulunan yapılar %73.33 genel doğrulukla sınıflandırılmıştır. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %58.62 oranıyla bulunmuş ve bulunan yapılar %83.53 genel doğrulukla sınıflandırılmıştır. İkinci aşamada görüntüler 'hasarlı' ve 'hasarsız' olarak iki sınıfta etiketlenip eğitim ve test işlemi gerçekleştirilmiştir. Uydu görüntülerinin test sonucunda bu sefer test alanındaki etiketlenen yapılar %14.80 oranında bulunmuş, bulunan yapılar %85.71 genel doğruluk oranıyla sınıflandırılmıştır. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %74.50 oranıyla bulunmuş ve bulunan yapılar %95.12 genel doğruluk oranıyla sınıflandırılmıştır.Not knowing when and where the earthquake will occur in advance creates a weakness in the post-earthquake response. Adding to this the loss of time and lack of coordination experienced during the intervention phase can increase the damage caused by the earthquake. For this reason, rapid and accurate earthquake damage can reduce possible loss of life and is an important factor for returning life to normal after the disaster. In today's conditions, detection of structural damage based on observation by means of satellites and helicopters creates reservations in terms of speed and accuracy. In the study, damage detection was tried to be done using Mask Region-based Convolutional Neural Network (Mask R-CNN) model, which is a model of convolutional neural network architecture in deep learning algorithms in order to detect damaged structures quickly and reliably. The 7.0 magnitude earthquake zone, which occurred in Haiti in 2010, in which 316,000 people died and 280,000 buildings were damaged, was chosen as the training area. Satellite image with a spatial resolution of 0.51 meters obtained with the WorldView-2 satellite after the earthquake in the region and unmanned aerial vehicle images with a resolution of 5 cm and 7 cm taken from a position close to the satellite image were also used in the study. In the first stage, the images were trained and tested in three classes as 'damaged', 'slightly damaged' and 'undamage'. As a result of the test with satellite images, the structures tagged for the test were found at a rate of 10.92%, and the structures were classified with an overall accuracy of 73.33%. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 58.62% and the structures found were found with an overall accuracy of 83.53%. In the second stage, the images were labeled in two classes as 'damaged' and 'undamaged' and training and testing was carried out. As a result of the test of satellite images, this time the tagged structures in the test area were found at a rate of 14.80%, and the structures found were classified with an overall accuracy of 85.71%. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 74.50% and the structures found were classified with an overall accuracy of 95.12%.