تشخیص خرابی حاصل از زلزله در ساختمان ها بادقت زیر متر بعد از وقوع حادثه بوسیله تصویرسازی
چکیده
در مقایسه با حسگرهای نوری، رادارهای دهانه ترکیبی (SAR) به دلیل توانایی آن ها در تهیه نقشه مناطقی که تحت تاثیر زلزله قرار گرفته اند به طور مستقل از شرایط آب و هوایی و روشنایی خورشید، می توانند اطلاعات مهمی درباره خرابی مهیا نمایند. در سال 2013، حالت جدیدی از TerraSAR-X تحت عنوان نورافکن خیره (ST) که دقت آزیموت آن تا 0.24 متر افزایش یافته بود، برای استفاده در کاربرد های مختلف معرفی گردید. این منبع داده ها استخراج اطلاعات جزئی درباره تک تک ساختمان ها را ممکن نمود. در این مقاله، ما مفهوم جدیدی برای ارزیابی خرابی ساختمان ها با استفاده از تصاویر SAR بعد از وقوع با وضوح بسیار زیاد (VHR) با دقت زیر متر و نقشه رد پای ساختمان ارائه می دهیم. با داشتن نقشه رد پای ساختمان، رد پای اصلی ساختمان در تصاویر SAR می تواند مکان یابی شود. بر اساس تحلیل تصویر یک ساختمان در تصاویر SAR، ویژگی های ردپای یک ساختمان می تواند به منظور شناسایی ساختمان های سر پا و تخریب شده استخراج شود. سه رده بندی کننده یادگیری ماشین، شامل جنگل تصادفی (RF)، ماشین بردار پشتیبانی (SVM)، و K نزدیک ترین همسایه (K-NN) در آزمایشات مورد استفاده قرار گرفتند. نتایج نشان می دهد که روش پیشنهادی می تواند دقت کلی خوبی به ما بدهد، که برای هر سه رده بندی کننده بالای 80 درصد می باشد. کارایی روش پیشنهادی، بر اساس تعدادی ساختمان نمونه با استفاده از تصاویر VHR ST با دقت زیر متر به صورت صعودی و نزولی نشان داده شده است، که همگی از ناحیه یکسانی در شهرستانی قدیمی در چین به نام بیوچان به دست آمده اند.
1. مقدمه
تشخیص خرابی بعد از زلزله مساله مهمی برای پاسخ اضطراری، ارزیابی شدت و فعالیت های امدادی بعد از فاجعه می باشد. به طور خاص تشخیص خرابی ساختمان ها از نظر شناسایی مناطقی که به اقدامات نجات بخش اضطراری نیاز دارند، حیاتی می باشد. سنجش راه دور، دارای قابلیتِ بسیار عالی در ارزیابی سریع میزان شدت می باشد، به صورتی که می تواند اطلاعاتی درباره نقشه خرابی در مناطق وسیع به شیوه ای سانسور نشده ارائه دهد، به خصوص در جایی که شبکه اطلاعات قابل بهره برداری نمی باشد و راه های مواصلاتی در نواحی تحت تاثیر زلزله خراب شده اند. در مقایسه با حسگرهای نوری، رادار دهانه ترکیبی (SAR) می تواند اطلاعات مهمی در رابطه با خرابی ارائه نماید، زیرا می تواند نقشه های نواحی آسیب دیده را به طور مستقل از شرایط آب و هوایی و روشنایی خورشید تهیه نماید، و نمایانگر یک منبع داده ضمنی برای ارزیابی خرابی باشد.
7. نتیجه گیری
در این مقاله، ما روشی جدید برای ارزیابی خرابی ساختمان ها با استفاده از تصاویر VHR SAR بعد از زلزله با وضوح زیر متر و نقشه های اصلی ردپای ساختمان ارائه دادیم. این روش می تواند در سطح ساختمان های جداگانه عمل نموده و تعیین کند که آیا ساختمان بعد از زلزله تخریب شده یا هنوز پابرجا می باشد. در ابتدا، نقشه ردپای ساختمان که ناحیه مورد مطالعه را پوشش می دهد به عنوان دانش اولیه به دست می آوریم. سپس، یک تصویر SAR با در نظر داشتن نقاط کنترلی زمین که توسط فایل های SAR ارائه می شود، از نظر هندسی تصحیح می شود. بعد از تصحیح، تصاویر SAR می توانند به عنوان نقشه ردپای ساختمان ثبت شوند. بنابراین، با نقشه ردپای ساختمان، ردپای اصلی ساختمان می تواند در تصاویر SAR مکان یابی شود. سپس، ویژگی ها می توانند در تصاویر مربوط به نقشه ردپای ساختمان برای تشکیل بردار ویژگی استخراج شوند. در نهایت، ساختمان ها می توانند در کلاس های خرابی توسط رده بندی کننده ها، دسته بندی شوند.
Abstract
Compared with optical sensors, Synthetic Aperture Radar (SAR) can provide important damage information due to its ability to map areas affected by earthquakes independently from weather conditions and solar illumination. In 2013, a new TerraSAR-X mode named staring spotlight (ST), whose azimuth resolution was improved to 0.24 m, was introduced for various applications. This data source made it possible to extract detailed information from individual buildings. In this paper, we present a new concept for individual building damage assessment using a post-event sub-meter very high resolution (VHR) SAR image and a building footprint map. With the building footprint map, the original footprints of buildings can be located in the SAR image. Based on the building imaging analysis of a building in the SAR image, the features in the building footprint can be extracted to identify standing and collapsed buildings. Three machine learning classifiers, including random forest (RF), support vector machine (SVM) and K-nearest neighbor (K-NN), are used in the experiments. The results show that the proposed method can obtain good overall accuracy, which is above 80% with the three classifiers. The efficiency of the proposed method is demonstrated based on samples of buildings using descending and ascending sub-meter VHR ST images, which were all acquired from the same area in old Beichuan County, China.
1. Introduction
Damage detection after earthquakes is an important issue for post-disaster emergency response, impact assessment and relief activities. Building damage detection is particularly crucial for identifying areas that require urgent rescue efforts. Remote sensing has shown excellent capability for use in rapid impact assessments, as it can provide information for damage mapping in large areas and in an uncensored manner, particularly when information networks are inoperative and road connections are destroyed in areas impacted by earthquakes. Compared with optical sensors, Synthetic Aperture Radar (SAR) can provide important damage information due to its ability to map affected areas independently from the weather conditions and solar illumination, representing an import data source for damage assessment.
7. Conclusions
In this paper, we present a new damage assessment method for buildings using single post-earthquake sub-meter resolution VHR SAR images and original building footprint maps. The method can work at the individual building level and determines whether a building is destroyed after an earthquake or is still standing. First, a building footprint map covering the study area is obtained as prior knowledge. Then, an SAR image is geometrically rectified by the ground control points provided by the SAR product files. After rectification, the SAR image can be registered as the building footprint map. Thus, with the building footprint map, the original footprint of a building can be located in the SAR image. Then, features can be extracted in the image patch of a building’s footprint to form a feature vector. Finally, the buildings can be classified into damage classes with classifiers.
چکیده
1. مقدمه
2. ویژگی های ساختمان های آسیب دیده در تصاویر VHR SAR و مسائل مربوط به تشخیص خرابی
3. روش پیشنهادی برای تشخیص خرابی با استفاده از تصاویر VHR SR
3.1. مفهوم تشخیص خرابی
3.2. پیش پردازش
3.3. ویژگی هایی برای رده بندی
3.4. رده بندی کنند ها
4. نواحی مورد مطالعه و مواد
5. نتایج تجربی و تحلیل
5.1. پارامترهای بر مبنای GLCM مربوط به ویژگی های بافتی
5.2. نتایج رده بندی
6. بحث
7. نتیجه گیری
Abstract
1. Introduction
2. Properties of Damaged Buildings in VHR SAR Images and Damage Detection Problems
3. Proposed Methodology for Damage Detection Using VHR SAR Images
3.1. Concept of Damage Detection
3.2. Preprocessing
3.3. Features for Classification
3.4. Classifier
4. Study Area and Materials
5. Experimental Results and Analysis
5.1. Parameters of GLCM-Based Textural Features
5.2. Classification Results
6. Discussion
7. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه