Earthquake damage identification from very high resolution post event image using advanced methods in mathematical morphology

Abstract

Dünya üzerinde her yıl insan hayatına, çevreye ve ekonomiye ciddi zararlar veren depremler meydana gelmektedir. Mühendisler ve bilim insanları mevcut teknolojiyle bu doğal afetlerin önceden tahmin edilebileceği bir yöntemi henüz geliştirememişlerdir. Bu nedenle depremler insan hayatını bir çok yönden ciddi anlamda etkilemeye devam etmektedir. Deprem Mühendisliği, bu etkileri en aza indirgemeyi amaçlayan çalışmaların yapıldığı bir disiplindir. Bu etkilerin en az indirilmesi söz konusu olduğunda çoğu zaman ilk akla gelen yapısal güvenilirlik olmaktadır. Ancak yapısal güvenilirliğin sağlanmaması durumunda da Deprem Mühendisliği disiplini mevcut risklerin yönetimi konusunu da ele almaktadır. Bu rikslerin doğru yönetilmesini sağlayan bileşenlerden birisi de deprem sonrası ortaya çıkan yapısal hasarları hızlı bir şekilde belirlenebilmesidir. Yapısal hasarların hızlı belirlenebilmesi, kurtarma çalışmalarının planlanmasıyla daha çok ve daha hızlı hayat kurtarabilmenin yanında, hasarın ekonomik boyutu ve afet sonrası kalkınma planlarının yapılması gibi faydalar da sağlamaktadır. Bu amaç doğrultusunda, afet sonrası hasarın belirlenmesinde uzaktan algılama sistemlerinden yaygın bir şekilde faydalanılmaktadır. Uzaktan algılama verilerinden, mevcut bilimsel birikimin ve teknolojinin de olumlu etkisiyle, görüntü işleme ve makine öğrenmesi teknikleri kullanılarak afet durum değerlendirmesinin yapılması öne çıkan bir araştırma konusudur.Bu çalışmada deprem nedeniyle meydana gelen yapısal hasarın belirlenerek acil durum planlanmasına kaynak oluşturacak hasar haritalarının belirlenebilmesinde çok yüksek çözünürlükü optik uydu fotoğraflarının kullanılması konusu ele alınmıştır. Literatürde söz konusu verilerin bu amaçla kullanıldığı bir çok çalışma yapılmış olsa da henüz istenilen hız ve doğruluğa ulaşabilecek genel bir yaklaşıma erişilememiştir. Bu nedenle görüntü işleme ve yapay öğrenme alanlarındaki mevcut gelişmeler de göz önüne alınarak ihtiyaç duyulan hız ve doğrulukta sonuç verebilecek bir yaklaşım oluşturmak amaçlanmıştır. Önerilen yaklaşımın şekillenmesinde ve değerlendirilmesinde vaka çalışması olarak; 12 Ocak 2010'da 7.0 Mw büyüklüğünde meydana gelen Haiti ve 26 Aralık 2003'te 6.6 Mw büyüklüğünde meydana gelen Bam depremlerine ait çok yüksek çözünürlüklü veri setleri kullanılmıştır. Söz konusu depremlerin meydana getirdiği yapısal hasarlar sadece deprem sonrası görüntülerin görüntü işleme teknikleriyle detaylandırılmış ve bu detaylı veriler yapay öğrenme yöntemleri kullanılarak mevcut hasarın belirlenmesinde kullanılmıştır. /newpageİncelenen veri setlerinden Bam şehrine ait olanı depremden sadece sekiz gün sonra Quickbird isimli ticari uydu aracılığıyla çekilmiştir. Bam verisinin oluşturulmasında kullanılan sensör kırmızı, yeşil, mavi ve yakın kızıl ötesi dalga boylarında elde edilen dört kanallı bir multi-spektral veriye ek olarak daha geniş bir dalga boyu aralığında tek kanallı, 0.6 metrelik uzamsal çözünürlükte pankromatik bir veri sunabilmektedir. Haiti şehrinden elde edilen veri setinin alındığı Worldview-1 isimli uydu ise kırmızı, yeşil ve mavi olmak üzere üç kanallı multi-spektral, 0.5 metrelik uzamsal çözünürlükte de pankromatik veri sunmaktadır. Sensörlerin sunduğu multispektral veri parçaları pankromatik verilerle karşılaştırıldığında spektral çözünürlük bakımından daha zengin olsa da, uzamsal çözünürlük açısından çok daha zayıftır. Matematiksel olarak değerlendirildiğinde multispektral kanallar çekilen alandaki malzeme kimyasıyla ilgili daha çok bilgi verirken, pankromatik veriler nesneleri ayırt etmek konusunda daha faydalı bilgi vermektedir. Zira, uzamsal çözünürlük olarak belirtilen büyüklükler veri içerisinde bir piksel içerisine sığdırılan alanın gerçekte kaç metrekarelik bir alan olduğunu temsil etmektedir. Dolayısıyla bu iki veriyi bir arada kullanmak analizleri daha doğru sonuçlara yönlendirecektir. Bu doğrultuda `pan-sharpening` adı verilen bir işlem uygulanarak iki veri türü birleştirilerek analizlerde kullanılmaktadır. Söz konusu uzaktan algılama verileri makine öğrenmesi veya başka bir deyişle yapay öğrenme kullanılarak bir çok amaç için sınıflandırılabilir. Örneğin tarım arazileri üzerinde bu sınıflandırma yaklaşımı kullanılarak arazi üzerindeki bitki örtüsü kolaylıkla belirlenebilir. Bu çalışmada sınıflandırma yaklaşımını deprem sonrası hasarlı yapıların tespit edilmesi için kullanılmıştır. Sınıflandırılacak veri her ne kadar yüksek çözünürlükte olsa da böyle zor bir problemin çözülmesi ancak ileri düzey görüntü işleme metodlarının kullanılmasıyla mümkün olacaktır. Bu nedenle çalışmada başarısı benzer analizlerde başarısının literatürdeki bir çok çalışmayla doğrulanmış bir görüntü işleme dalı olan matematiksel morfolojinin ileri yöntemleri kullanılarak mevcut görüntülerden ek özellikler hesaplanmıştır. Bu ileri yöntemler morfolojik profiller ve morfolojik nitelik profilleridir. Bu yöntemlerle sınıflandırma sonucunu iyileştirmek mümkün olsa da, profillerin oluşturulmasında kullanılacak parametreler bölgeye has geometrik özelliklere bağlı olduğundan bir süpervizyon gerektirmektedir. Bu gereklilik de yöntemleri otomatik bir hasar tespit yaklaşımında kullanmayı zorlaştırmaktadır. Fakat başka bir yapay öğrenme dalı olan öznitelik seçme yöntemleri bu konuda bir çözüm üretmek için kullanılabilmektedir.Bu çalışmada, incelenen iki farklı bölgeye ait deprem sonrası uydu görüntüsünün içerisinden seçilen, göreli olarak küçük alanlara ait, çalışma alanları üzerinden yukarıda bahsedilen morfolojik yöntemler kullanılarak çok fazla sayıda öznitelik oluşturulmuş ve bu öznitelikler öznitelik seçme yöntemlerinden maksimum alaka minimum gereksizlik (ing: maximum relevance minimum redundancy (mRMR)) isimli yöntem uygulanarak öznitelikler bir önem sırasına göre sıralanmışlardır. İlgili deprem görüntüsündeki bütün bölgelerde bu sıralamalar üzerinden elde edilen en önemli özniteliklerle aynı parametrelere sahip öznitelikler hesaplanarak bütün bölgeler sınıflandırılmış ve hasar haritaları elde edilmiştir. Ulaşılan sonuçlar önerilen yöntemin iki ayrı veri üzerinde de sınıflandırma doğruluklarını ve tematik harita kalitelerini önemli ölçüde iyileştirdiğini göstermiştir. Bu tezde önerilen yaklaşım ve bu yaklaşımda kullanılan bütün yöntemler detaylı bir şekilde açıklanmıştır. Dört bölümden oluşan bu tezin, ilk bölümünde problemin tanımı anlatılarak literatürde daha önce yapılan benzer çalışmalar incelenmiştir. İkinci bölümde ise kullanılan yöntemlerin teorik altyapıları anlatılmıştır. Üçüncü bölümde ise ele alınan deprem sonrası çok yüksek çözünürlüklü görüntüler için yapılan analizler ve sonuçları ayrıntılı olarak sunulmuştur. Son bölümde ise çalışmanın sonuçları değerlendirilmiş, olası ileri çalışmalar tartışılmıştır.

Our planet is subjected to earthquakes, which is a devastating natural disaster that affects human life, wild life, and their habitats. Earthquake engineering discipline is trying to manage risks and to protect all living creatures from destructive effects of the earthquakes for over a hundred years. One of the most important issues in this discipline is to detect damaged or totally collapsed buildings right after the earthquake. Because the damage information provided in a short time of period could help the decision makers to build a fast emergency plan, and to guide research and rescue teams. Even though the field based surveys can provide a detailed illustration of the earthquake-induced damage, they are not sufficient to rapidly serve critical information. Therefore, remote sensing data sources are becoming a popular direction in the earthquake-induced damage assessment. Light detection and ranging (LIDAR), synthetic aperture radar (SAR), and optical images are three main types of the remote sensing data that are used for earthquake-induced damage detection tasks. Each data type has its own advantages and disadvantages for such tasks. For example, LIDAR images can be useful to detect the damaged in detail, while SAR is not affected by severe weather conditions, or optical images are the most accessible and interpretible type of the data. Thanks to recent technological improvements, optical imaging sensors are able to acquire very high resolution images. Therefore, in this study, a very high resolution post-earthquake image was considered to detect earthquake-induced damage.For an accurate earthquake damage assessment from very high resolution (VHR) images, contextual relations between pixels need to be included in conjunction with spectral information during the classification. To utilize the spatial information in an efficient way, specific patterns representing the earthquake-induced damage should properly be modelled. Morphological Profiles (MPs) and Attribute Profiles (APs) provide a multi-dimensional representation of an image with a successive implementation of different attribute filters, and they are able to generate the complicated features for a specific pattern. In this study, the APs and the MPs were used to extract the additional contextual features for two different very high resolution post-event satellite images, acquired from City of Bam in Iran and Porto-Prince. These contextual features were then analyzed by means of a feature selection algorithm to find the optimal features , contributing the damage the most, in those profiles. A feature selection method, called Minimum Redundancy Maximum Relevance (mRMR) was used to analyze performance of the morphological and attribute features. A final subset of selected features was analyzed also using two different classifiers, that are k-Nearest Neighbours (kNN) and Support Vector Machines (SVM). The results showed that use of a proper configuration of those profiles can significantly improve the classification accuracy and the quality of the thematic map.