شماره ركورد :
1115336
عنوان مقاله :
بررسي و استخراج تخريب‌هاي ساختماني ناشي از وقوع زلزله با استفاده از تصاوير ماهواره‌اي با توان تفكيك زياد
پديد آورندگان :
حسين‌زاده ده‌آبادي ، علي اصغر دانشگاه تهران - دانشكده جغرافيا , ارگاني ، ميثم دانشگاه تهران - دانشكدۀ جغرافيا , درويشي بلوراني ، علي دانشگاه تهران - دانشكدۀ جغرافيا
تعداد صفحه :
19
از صفحه :
239
تا صفحه :
257
كليدواژه :
روش الگوريتم ماشين بردار پشتيبان (SVM) , زلزله , سيستم استنتاج عصبي فازي سازگار (ANFIS) , شبكۀ عصبي پرسپترون چندلايه (MLP) , نقشۀ تخريب ساختمان
چكيده فارسي :
زلزله يكي از بلاياي طبيعي است كه در صورت شدت داشتن در مناطق پرجمعيت، فاجعۀ انساني بزرگي را ايجاد خواهد كرد. زلزله ممكن است آثار ويرانگر جاني و مالي چشمگيري را به‌ويژه در مناطق شهري داشته باشد. مشاهدۀ نقشۀ ساختمان‌هاي آسيب‌ديده براي متخصصان مديريت بحران حياتي است و به آنها كمك مي‌كند تا گروه‌هاي نجات را در كوتاه‌مدت به محل‌هاي آسيب‌ديده هدايت كنند. سنجش از دور و سيستم اطلاعات جغرافيايي، ابزاري كارامد براي بررسي سريع وضعيت ساختمان‌هاي آسيب‌ديده در مناطق شهري پس از زلزله محسوب مي‌شود. اين پژوهش با هدف تشخيص ساختمان‌هاي تخريب‌شدۀ ناشي از زلزله با استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بسيار زياد و مقايسۀ روش‌هاي پربازده موجود انجام گرفته است. براي رسيدن به اين اهداف از تصاوير ماهواره‌اي با قدرت تفكيك بسيار زياد مربوط به قبل و بعد از زلزله در شهر بم و نقشۀ تخريب مشاهده‌شده از منطقه استفاده شده است. در اين پژوهش پس از محاسبۀ ويژگي‌هاي بافتي تصاوير با استفاده از تحليل آماري رگرسيون لجستيك و همبستگي، بهترين و مناسب‌ترين شاخص‌هاي بافتي انتخاب شدند. سپس با استفاده از مقادير بافتي بهينۀ به‌دست‌آمده و پياده‌سازي سيستم‌هاي شبكۀ عصبي پرسپترون چندلايه (MLP)، سيستم استنتاج عصبي فازي سازگار (ANFIS)، روش الگوريتم ماشين بردار پشتيبان (SVM)، وضعيت تخريب ساختمان‌ها طبقه‌بندي شد. در نهايت، دقت همۀ روش‌هاي ارائه‌شده با يكديگر مقايسه و بهترين روش پيشنهادي انتخاب و معرفي شد. با توجه به نتايج، هر سه روش MLP، SVM و ANFIS براي طبقه‌بندي درجات تخريب ساختمان‌ها خوب بود، اما روش ANFIS با اختلاف 1 درصد در دقت كلي و 4 درصد در ضريب كاپا و 7/1 درصد در RMSE بهتر بود.
عنوان نشريه :
مديريت مخاطرات محيطي
لينک به اين مدرک :
بازگشت