عنوان پایان‌نامه
تعیین میزان تخریب ناشی از زلزله در ساختما نها ،با استفاده از تصاویر ماهواره ای با قدرت تفکیک با لا
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1297;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 36553
- تاریخ دفاع
- ۱۴ شهریور ۱۳۸۶
- دانشجو
- حیدر راستی ویسی
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- آگاهی سریع، دقیق و جامع از موقعیت ساختمانهای تخریب‌شده پس از وقوع زلزله، مبنای بسیاری از مراحل مطرح در روند مدیریت بحران از قبیل امداد و نجات، اسکان، آواربرداری و حتی بازسازی می‌باشد. در این راستا، استفاده از تصاویر ماهواره‌ای با قدرت تفکیک بالا، با توجه به امکان دسترسی سریع پس از وقوع زلزله به این اطلاعات و توانایی آن ها در پوشش مناطق وسیع، به عنوان یکی از راهکارهای اصلی مورد توجه قرار دارد. هدف از این تحقیق، ارائه و پیاده‌سازی یک روش جهت تعیین اتوماتیک ساختمانهای تخریب شده ناشی از زلزله با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک بالا می‌باشد. روش‌های تعیین وضعیت ساختمان‌ها، پس از زلزله، با استفاده از تصویر را می‌توان در دو استراتژی نقشه به تصویر و تصویر به تصویر بیان نمود. در استراتژی نقشه به تصویر، ابتدا با کمک نقشه موجود موقعیت ساختمان‌ها در تصویر بعد تعیین شده و پس از استخراج و بررسی توصیفگرهای مناسب برای ساختمان کاندید، نسبت به تعیین وضعیت آن ساختمان از نظر میزان تخریب، اقدام می‌گردد. در استراتژی دوم، با استخراج ساختمان‌ها از تصاویر قبل و بعد از زلزله و مقایسه آن ها با یکدیگر، وضعیت ساختمان‌ها از لحاظ تخریب، تعیین می‌گردد. مشخص نبودن موقعیت دقیق ساختمان‌ها بر روی تصویر از مهمترین مشکلات مطرح در استراتژی دوم می‌باشد. در روش پیشنهادی، از تصویر قبل به عنوان مکمل داده‌های استراتژی اول استفاده گردیده است. شیوه کار به این صورت است که، ابتدا با استفاده از نقشه موجود، موقعیت ساختمان‌ها بر روی تصاویر قبل و بعد مشخص شده و سپس توصیفگرهای بافتی استخراج می‌شوند. در ادامه با استفاده از یک سیستم استنتاج فازی نسبت به تعیین وضعیت ساختمان‌ها از لحاظ میزان تخریب، در چهار درجه "سالم تا تخریب ناچیز"، "تخریب متوسط"، "تخریب سنگین" و "ویران" اقدام می‌گردد. استفاده از الگوریتم ژنتیک جهت انتخاب توصیفگرهای بهینه و سیستم استنتاج فازی جهت رفع ابهام و عدم قطعیت موجود در روند تصمیم‌گیری، از نقاط قوت روش پیشنهادی می‌باشند. در این تحقیق، جهت ارزیابی کمی و کیفی روش پیشنهادی، نسبت به تعیین وضعیت ساختمانهای تخریب‌شده زلزله تأسف‌بار شهر بم با استفاده از تصاویر ماهواره QuickBird موجود، اقدام گردید. در ارزیابی کمی روش ارائه شده، تعداد 100 ساختمان از ساختمان های موجود در منطقه با تقسیر چشمی تعیین وضعیت شدند و با نتایج بدست آمده از روش روش پیشنهادی مقایسه شدند. در نهایت دقت 74 درصد برای این روش بدست آمد. نتایج بدست آمده از این روش توانایی بالای تصاویر ماهواره‌ای با قدرت تفکیک بالا، در تعیین وضعیت ساختمانهای تخریب‌شده ناشی از زلزله و نیز کارایی روش پیشنهادی به این منظور را نشان می‌دهد.
- Abstract
- 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. Minimal fieldwork, continuous coverage of wide area and rapid access of remote sensing data make this technology as a useful and powerful resource for post-earthquake damage assessment. Recently, commercial high-resolution satellite imagery such as IKONOS and QuickBird, are becoming more powerful data resource for disaster management. Various automatic methods have been used in order to detect damaged buildings after an earthquake using satellite imagery. These methods can be categorized in “map to image” and “image to image” strategies. In the first strategy, “map to image”, after geo-referencing map and post-event image, location of all buildings on image is specified. Then, by extracting and considering of spectral, textural and structural features for each candidate building, situation of the building is realized. The next strategy, “image to image”, is based on comparison between pre-event and post-event images. In these methods, after registration of both images, buildings are extracted and compared with each other. In this research, a method for automatic damage map generation with integration of vector map and high resolution satellite imageries is proposed. In the proposed method, input data are vector map and both before and after earthquake images of damaged area. First, in the preprocessing step using image enhancement algorithms such as histogram equalization and histogram matching, images will be enhanced. Then, geo-referencing of both pre-event and post-event images will be done. Since images and vector map are geo-referenced, buildings position are extracted from vector map and all buildings are located on both images. 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. According to existences of ambiguity and vague in determination of buildings destruction, a fuzzy inference system is used. In the proposed Fuzzy Inference System, difference between features, extracted from pre-event and post-event images for candidate building, are considered as input linguistic variables and building labels ("undamaged to negligible damaged", “moderate damaged”, “heavily damaged” and “destructed”) are assigned as output linguistic variables. The proposed method in this study is evaluated using before and after December 26th 2003 earthquake QuickBird multi-spectral images of Bam, Iran. From available images, a 1900*2500 pixels area was selected as test area, which involved 1137 buildings. For this area, 4 buildings were removed from 1137 list of buildings according to their negligible size. Other 1133 buildings were classified into: 128 buildings in “undamaged to negligible damaged” class, 276 buildings in “moderate damaged” class, 349 buildings in “heavily damaged” class and 380 buildings in “destructed” class. After calculation of Confusion matrix, overall accuracy 74.4% and kappa coefficient 0.63 were acquired for our classification. Results of the proposed method, indicates the capability of this method for automatic determination of damaged buildings from high resolution satellite imageries.
