بررسی و استخراج تخریب‌های ساختمانی ناشی از وقوع زلزله با استفاده از تصاویر ماهواره‌ای با توان تفکیک زیاد

نوع مقاله: پژوهشی کاربردی

نویسندگان

1 کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

2 استادیار، دانشکدۀ جغرافیا، دانشگاه تهران

3 دانشیار، دانشکدۀ جغرافیا، دانشگاه تهران

چکیده

زلزله یکی از بلایای طبیعی است که در صورت شدت داشتن در مناطق پرجمعیت، فاجعۀ انسانی بزرگی را ایجاد خواهد کرد. زلزله ممکن است آثار ویرانگر جانی و مالی چشمگیری را به‌ویژه در مناطق شهری داشته باشد. مشاهدۀ نقشۀ ساختمان‌های آسیب‌دیده برای متخصصان مدیریت بحران حیاتی است و به آنها کمک می‌کند تا گروه‌های نجات را در کوتاه‌مدت به محل‌های آسیب‌دیده هدایت کنند. سنجش از دور و سیستم اطلاعات جغرافیایی، ابزاری کارامد برای بررسی سریع وضعیت ساختمان‌های آسیب‌دیده در مناطق شهری پس از زلزله محسوب می‌شود. این پژوهش با هدف تشخیص ساختمان‌های تخریب‌شدۀ ناشی از زلزله با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک بسیار زیاد و مقایسۀ روش‌های پربازده موجود انجام گرفته است. برای رسیدن به این اهداف از تصاویر ماهواره‌ای با قدرت تفکیک بسیار زیاد مربوط به قبل و بعد از زلزله در شهر بم و نقشۀ تخریب مشاهده‌شده از منطقه استفاده شده است. در این پژوهش پس از محاسبۀ ویژگی‌های بافتی تصاویر با استفاده از تحلیل آماری رگرسیون لجستیک و همبستگی، بهترین و مناسب‌ترین شاخص‌های بافتی انتخاب شدند. سپس با استفاده از مقادیر بافتی بهینۀ به‌دست‌آمده و پیاده‌سازی سیستم‌های شبکۀ عصبی پرسپترون چندلایه (MLP)، سیستم استنتاج عصبی- فازی سازگار (ANFIS)، روش الگوریتم ماشین بردار پشتیبان (SVM)، وضعیت تخریب ساختمان‌ها طبقه‌بندی شد. در نهایت، دقت همۀ روش‌های ارائه‌شده با یکدیگر مقایسه و بهترین روش پیشنهادی انتخاب و معرفی شد. با توجه به نتایج، هر سه روش MLP، SVM و ANFIS برای طبقه‌بندی درجات تخریب ساختمان‌ها خوب بود، اما روش ANFIS با اختلاف 1 درصد در دقت کلی و 4 درصد در ضریب کاپا و 7/1 درصد در RMSE بهتر بود.

کلیدواژه‌ها


[1].       باقری، میلاد؛ جلوخانی نیارکی، محمدرضا؛ و باقری، کیوان (1396). «بررسی پتانسیل اراضی استان کرمانشاه جهت کشت گندم دیم با استفاده از شبکۀ عصبی مصنوعی (کاربرد سنجش از دور و Gis در علوم منابع طبیعی)»، دانشگاه آزاد اسلامی واحد بوشهر، دورۀ 8، ، ش 4، ص 48-36.

[2].       جعفرآبادی، محمد؛ سلطانی، اکبر؛ و محمدی، سیده مؤمنه (1392). «سری آمار: همبستگی و رگرسیون»، مجلۀ دیابت و لیپید ایران، ش 6، ص 506-479.

[3].       شریفی، آرش؛ علیاری شوره‌دلی، مهدی؛ و تشنه‌لب، محمد (1389). «معرفی سیستم فازی شبه‌چندجمله‌ای تاکاگی-سوگنو-کانگ با کاربرد در شناسایی سیستم و کلاس‌بندی الگو». مجلۀ کنترل، دانشگاه خواجه نصیرالدین طوسی، ج4، ش 3، ص  28-15.

[4].       مختاری، محمدحسین؛ و نجفی، احمد (1394). «مقایسۀ روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM»، مجلۀ علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، ج 19، ش 72، ص 45-35.

[5].              منهاج، محمدباقر (1397). مبانیشبکه‌هایعصبیمصنوعی، چ 12، تهران: انتشارات دانشگاه صنعتی امیرکبیر.

[6].       ویس، حیدر؛ و صمدزادگان، فرهاد (1392). «تعیین میزان تخریب ناشی از زلزله در ساختمان‌ها با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک بالا»، علوم و فنون نقشهبرداری، سال 2، ش 2، ص 191-106.

[7]. Agency, F. E. M.; Security, U. D. O. H.; & America, U. S. O. (2001). Guide for All-Hazard Emergency Operations Planning.

[8]. Brunner, D.; Lemoine, G.; & Bruzzone, L. (2010). “Earthquake Damage Assessment of Buildings Using VHR Optical and SAR Imagery”, IEEE TRANSACTION ON GEOSCIENCE AND REMOTE SENSING.

[9]. Cotrufo, S.; Sandu, C.; Giulio Tonolo, F.; & Boccardo, P. (2018). “Building damage assessment scale tailored to remote sensing vertical imagery”, European Journal of Remote Sensing, 51(1), pp: 991-1005.

[10].            Dong, L.; & Shan, J. (2013). “A comprehensive review of earthquake-induced building damage detection with remote sensing techniques”, ISPRS Journal Of Photogrammetry and RemoteSensing, 84(0), 85-99. doi: http://dx.doi.org/10.1016/j.isprsjprs.2013.06.011.

[11].            EMS-98.2019.https://www.gfz-potsdam.de/en/section/seismic-hazard-andrisk-dynamics/data-products-services/ems-98-european-macroseismic-scale.

[12].            Faradars. https://blog.faradars.org/understaing-support-vector-machine-example-code/ .

[13].            Menderes, A.; Erener, A.; & Sarp, G. (2015). “Automatic detection of damaged buildings after earthquake hazard by using remote sensing and information technologies”, Procedia Earth and Planetary Science, 15, pp: 257-262.

[14].            Mizutani, E.; Jang, J. S. R.; & Sun, C. T. (1997). Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence.

[15].            Yamazaki, F.; Miura, H.; & Matsuoka, M. (2007). “Identification of damaged areas due to the 2006 Central Java, Indonesia earthquake using satellite optical images”, Paper presented at the Urban Remote Sensing Joint Event.

[16].            Yamazaki, Fumio; & Kehiyama, Masayuki (2003). “Detection of Damage Due To The 2003 Bam, Iran Earthquake Using Terra- Aster imaging”, Workshop an Application of Remote Sensing Technologist for Disaster Response, University of California, Septemer 12Th,.