بررسی کارایی روش های ارزیابی خسارات ناشی از زلزله با استفاده از تصاویر فضایی (بررسی موردی: زمین لرزه سرپل ذهاب)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد سنجش از دور، گروه آموزشی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

2 گروه آموزشی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

چکیده

زلزله خطرناکترین مخاطره طبیعی بوده که میتواند هزاران نفر را هدف قرار داده وسبب تخریب زیرساخت ها وساختمانها شود.پس ازوقوع یک زلزله،شناخت محل ومیزان ساختمانهای آسیب دیده ضروری است.باپیشرفت تکنولوژی،ماهواره های سنجش ازدوربه دلیل هزینه معقول واخذسریع داده به یک ابزارمنحصربفرد درمطالعات زمین لرزه تبدیل شده است.زلزله شهرسرپل ذهاب اززمین لرزه های مخربی است که زیرساخت ها را تخریب وتلفات زیادی را به همراه داشته است.دراین پژوهش استفاده از تکنیک های چندزمانی آشکارسازی برای بررسی تغییرات ناشی از زلزله وبومی سازی این فرایند بوده است.دراین پژوهش، روشهای مختلف طبقه بندی تصویربه منظورارزیابی توانایی شناسایی ساختمانهای آسیب دیده بر روی داده های ماهواره ای با وضوح بالا با وضوح متوسط اعمال می شود.هدف نخست این پژوهش،بدست آوردن بهترین نقشه تخریب مناسب برای ساختار شهری ایران از طریق مقایسه نقشه های تغییر خروجی با داده های مرجع حاصل از گزارش های میدانی دقیق و بازدیدهای سرزمینی وبومی گزینی الگوریتم های تشخیص تغییرات می باشد.درگام آخربررسی کاربردهای مختلف نقشه تغییرات مدنظر قرار گرفت.نتایج نشان میدهد که روش طبقه بندی ماشین بردار پشتیبان در طبقه بندی تصاویر و نشان دادن تغییرات در مقابل روش شبکه بندی عصبی از دقت بالاتری برخوردار بوده است.دقت کلی با استفاده از روش ماشین بردار پشتیبان برای نقشه تغییرات بدست آمده در تصاویر سنتینل 0.85 و برای تصویر لندست 0.64 بوده است.در حالیکه دقت کلی با استفاده ازروش شبکه عصبی برای نقشه تغییرات در تصاویر سنتینل 0.80 و لندست 0.61 میباشد که نشان ازکارآمدی تصاویر سنتینل به همراه روش ماشین بردار پشتیبان در مناطق ایران است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation of the Effectiveness of Earthquake Damage Evaluation Methods Using Space Images (Case Study: Sarpol-Zahab Earthquake)

نویسندگان [English]

  • hassan aali 1
  • Alireza Sharifi 2
  • abbass malian 2
1 Graduate Student of Remote Sensing, Civil engineering Department, Shahid Rajaee Teacher Training University
2 Civil engineering Department, Shahid Rajaee Teacher Training University
چکیده [English]

The earthquake is the most dangerous natural hazard, which can target thousands of people and cause massive destruction of infrastructure or buildings.After a earthquake,recognizing the location and extent of damage buildings is necessary to take emergency measures and temporary accommodation operations.Remote sensing is an excellent tool due to reasonable costs and rapid data capture.The recent earthquake in Sarpol-Zahab is one of the most recent destructive earthquakes that destroyed infrastructures.The purpose of this study was to use multi-time detection techniques to investigate the changes caused by this earthquake.In this research,different image classification methods are used to compare their results with the ability to identify damaged buildings on high-resolution satellite data (Pleiades1) and with mid-resolution (Landsat-8 and Sentinel-2). The first goal of this study is to obtain the best map of the proper destruction for the structure of Iran by comparing the output change maps with the reference data and localization of the change detection algorithms. In the final step, we examined the various applications of the map of changes. The results show that the SVM has been more accurate in comparison of image classification and also showing changes in the neural network method. Overall accuracy in using the SVM classification for the change maps obtained in the Sentinel is 0.85 and for the Landsat is 0.64. However, the overall accuracy using the neural network for change maps The obtained results are 0.80 for Sentinel and 0.61 for Landsat, which indicates the effectiveness of Sentinel images along with SVM techniques in Iran.

کلیدواژه‌ها [English]

  • Earthquake
  • Sarpol-Zahab
  • Remote Sensing
  • Change Detection
  • Detection of Changes
  • Image Classification
  • Satellite Images