تسهيل فاز واكنش مديريت بحران زلزله با استخراج خودكار ساختمان‌ها بر مبناي آناليز بافت از تصاوير ماهواره‌اي

Providing Building Damage Map after Earthquake by Using Post-Event High-Resolution Satellite Imagery

آگاهي سريع، دقيق و جامع از موقعيت ساختمان‌هاي آسيب‌ديده، پس از وقوع زمين‌لرزه، مبناي بسياري از مراحل مطرح در روند مديريت بحران از قبيل امداد و نجات، اسكان، آواربرداري و حتي بازسازي است. در سال‌هاي اخير استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بالا، به علت رفع محدوديت‌هاي روش‌هاي زميني، يكي از اصلي‌ترين منابع اطلاعاتي به شمار مي‌رود. هدف اين تحقيق ارايه و پياده‌سازي يك روش خودكار براي تهيه‌‌ي نقشه‌ي‌ تخريب ساختمان‌ها، در مدت زمان كوتاهي پس از وقوع زلزله، بر مبناي به‌كارگيري تصاوير ماهواره‌اي با قدرت تفكيك بالا است. در اين روش، پس از استخراج توصيفگرهاي بافتي از تصوير بعد از زلزله در محل هر ساختمان، توصيفگرهاي بهينه با استفاده از الگوريتم ژنتيك انتخاب شدند؛ سپس پيكسل‌هاي ساختمان‌ها با دو روش بيشترين شباهت و شبكه‌ي عصبي براي دو گروه سالم و آسيب‌ديده رده‌بندي شدند؛ آنگاه نسبت به تعيين وضعيت پليگون‌هاي ساختماني بر اساس تعداد پيكسل‌هاي آسيب‌ديده‌ي هر پليگون به سه رده‌ي تخريب بالاي 70%، تخريب بين 30% تا 70% و تخريب زير 30% اقدام گرديد. در اين تحقيق، براي ارزيابي روش پيشنهادي، وضعيت ساختمان‌هاي تخريب‌شده‌ي زلزله‌ي آذربايجان، با استفاده از دانش عامل خبره، تعيين شد و دقت كلي 04/81 درصد براي اين روش به دست آمد.

Receiving rapid, accurate and comprehensive knowledge about the conditions of damaged buildings after earthquake strike and other natural hazards is the basis of many related activities such as rescue, relief and reconstruction. Fewer Restrictions by using high-resolution Images compared to terrestrial techniques turned it into the main source for damage assessment during these days. The present research aims at providing a damaged maps in a short time after the earthquake by using post-event high-resolution satellite Imagery. In this research, for all buildings, textural features for any candidate buildings, one by one, are extracted. Before extracting the features, optimum feature selection is done by genetic algorithm (GA). After selecting optimum textural features, buildings situation regarding to their destruction is evaluated using these features in two ʹintactʹ and ʹDamagedʹ classes by using the Maximum Likelihood and the Neural Network Algorithms. Finally, polygons of buildings classified in three different classes named ʹUnder 30%ʹ, ʹBetween 30% and 70%ʹ and ʹupper 70%ʹ based on the number of damaged pixels. The overall accuracy of classification evaluated about 81/04% by using an expert operator.