استخراج شي‌ گراي ساختمانها از تصاوير ماهواره‌اي VHR و آشكارسازي تخريب لرزه‌اي آنها بر مبناي آناليز بافتي و استفاده از شبكه عصبي

Object-Oriented Building Extraction from VHR Satellite Data and Earthquake Damage detection based on textural Analysis Using Artificial Neural Network

اطلاع سريع، دقيق و جامع از موقعيت ساختمانهاي آسيب‌ديده، پس از وقوع زلزله، مبناي بسياري از مراحل مطرح در روند مديريت بحران از قبيل امداد و نجات، اسكان، آواربرداري و حتي بازسازي است. در سالهاي اخير استفاده از تصاوير ماهواره‌اي با قدرت تفكيك مكاني زياد، يكي از اصلي‌ترين منابع اطلاعاتي به شمار مي‌رود. هدف از اين پژوهش استخراج خودكار ساختمانها و برآورد ميزان آسيب لرزه‌اي آنها توسط پردازش تصاوير ماهواره‌اي است. به‌ منظور اجراي روش پيشنهادي در اين پژوهش، از تصاوير ماهواره QuickBird در قبل و بعد از زلزله 1382 بم استفاده شد. پس ‌از انجام عمليات پيش‌پردازش نظير هم مرجع كردن، انطباق هيستوگرام‌ها و تلفيق تصاوير، روش قطعه‌بندي شي گرا با استفاده از سه پارامتر مقياس، شكل و فشردگي انجام شد و با استفاده از الگوريتم نزديكترين همسايه، عوارض شهري، به صورت مديريت شده طبقه‌بندي شدند. سپس با مقايسه نقشه پارسل‌هاي ساختماني (بانك داده‌هاي مرجع)، ارزيابي صحت نقشه استخراج ساختمانها صورت گرفت. نتايج ماتريس خطا صحت كلي را برابر 91% گزارش داده است. برآورد ميزان تخريب ساختمانهاي منطقه و توليد نقشه خسارت در سه درجه "سالم تا آسيب‌‌ديدگي جزيي"، "خرابي زياد" و "ويراني كامل" بر اساس ميزان تغييرات نسبي در شاخصهاي بافتي مرتبه اول و شاخص بافتي مرتبه دوم هاراليك بر روي ساختمانها، در تصاوير قبل و بعد از زلزله انجام شد. طبقه‌بندي فوق با استفاده از بكارگيري شبكه عصبي مصنوعي به ‌دست ‌آمده چهار ويژگي بافتي كنتراست، گشتاور دوم، ميانگين و آنتروپي به عنوان ويژگيهاي بافتي بهينه مرتبه دوم انتخاب شدند. صحت كلي نقشه تهيه شده تخريب براي ويژگيهاي بهينه مرتبه دوم برابر 73% به ‌دست ‌آمده است.

Rapid and relatively accurate knowledge about the severity and the extent of building damage is essential in managing crucial activities shortly after disastrous earthquakes. In recent years, Very High Resolution (VHR) optical satellite imagery systems have provided important sources for such information. In this research, a method of automated building extraction and damage detection using image processing techniques are presented. The case study was chosen as the 2003 Bam earthquake where VHR QuickBird images of the before and after event were acquired. After coregistration and data fusion steps, an object-oriented clustering methodology was performed using scale, shape and compactness parameters and different urban features were categorized according to a supervised classification scheme. Building extraction results where compared with an existing urban database showing an overall accuracy of 91%. Damage mapping was completed based on first-order and Haralick second-order textural features for three damage grades as slight, extensive and destruction using pre and post event images. The damage was classified according to an Artificial Neural Network (ANN) using contrast, second moment, mean and antropy as an optimal feature set. The overall accuracy for damage mapping using second order features is reported as 73%.