تعيين ميزان تخريب ناشي از زلزله در ساختمان-ها، با استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بالا

Earthquake Damage Assessment of Buildings Using High Resolution Satellite Imagery

آگاهي سريع، دقيق و جامع از موقعيت ساختمان‌هاي تخريب‌شده پس از وقوع زلزله، مبناي بسياري از مراحل مطرح در روند مديريت بحران از قبيل امداد و نجات، اسكان، آواربرداري و حتي بازسازي مي‌باشد. در اين راستا، استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بالا، به‌عنوان يكي از منابع اطلاعاتي اصلي مورد توجه قرار دارد. هدف از اين تحقيق، ارايه و پياده‌سازي يك روش اتوماتيك به منظور تعيين ساختمان‌هاي تخريب شده ناشي از زلزله با استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بالا مي‌باشد. در روش پيشنهادي، پس از استخراج توصيفگرهاي بافتي از تصاوير قبل و بعد از زلزله براي هر ساختمان، نسبت به تعيين وضعيت آن با استفاده از يك سيستم استنتاج فازي، اقدام گرديده و در يكي از كلاس هاي "سالم تا تخريب ناچيز"، "تخريب متوسط"، "تخريب سنگين" و "ويران" قرار داده مي شود. در اين تحقيق، جهت ارزيابي روش پيشنهادي، نسبت به تعيين وضعيت ساختمان‌هاي تخريب‌شده زلزله تاسف‌بار شهر بم با استفاده از تصاوير ماهواره‌ QuickBird موجود، اقدام گرديده و دقت كلي 4/74 درصد براي اين روش بدست آمد.

A fuzzy predictive model is compatible with the multiclass and continuous nature of geodata and can properly handle inherent informational fuzziness in most geodata. Although the fuzzy based approaches are been used by different researchers and varied deposits, the structure and pattern of these method were almost similar. In this study, we produce a mineral potential map for the porphyry copper mineral deposit of Nochoun, south east of Iran. In order to improve the conventional methods, we used a fuzzy inference system (FIS) for preparing geophysical and geochemical factor maps. These factor maps are integrated by an appropriate inference networks and mineral potential map was produced. Results of the prepared mineral potential map are in a good accordance with drilling data (80.7 % in 5 class and 87.1 % in 3 class classification). Also, using FIS in preparing factor maps, has improved the compatibility of mineral potential map, (almost 10% in 3 classes and 7 % in 5 classes classification).