ارزیابی سریع مناطق تخریب شده بعد از هر فاجعه طبیعی مخصوصاً زلزله از اهمیت ویژه ای در پاسخ به بحران برخوردار است که در صورت استفاده از الگوریتم های مناسب با چشم انداز ماهواره های بلادرنگ می تواند کمک شایان توجهی در کاهش تلفات زلزله داشته باشد. زیرا که گسیل نیروهای امداد و نجات هدفمند به سمت و سوی ساختمان های تخریب شده خواهد بود و در نتیجه زمان بلاتکلیفی آنها کاهش خواهد یافت. در این مطالعه از 3 تصویر رادار با گشودگی مصنوعی (SAR) اخذ شده از ماهواره ALOS-2 با قدرت تفکیک مکانی 10 متر در دو پلاریزاسیون HH و HV و همچنین 2 تصویر اپتیکی مرتبط با ماهواره WorldView-2 با قدرت تفکیک مکانی 0.46 متر در چهار باند برای ارزیابی تخریب لرزه ای ناشی از زلزله سرپل ذهاب (اِزگله) سال 1396 شمسی با پنج الگوریتم naive Bayes (NB)،  k-nearest neighbors (KNN)،support vector machine (SVM) ، regression tree (RT) و random forests (RDF) مورد بررسی قرار گرفتند. مجموعاً 24 پارامترهای در روش یادگیری ماشینی برای داده های SAR از آنالیز بافت، مقادیر ضریب بازپراکنش و همدوسی تولید شده تداخل سنجی راداری (InSAR) مورد استفاده قرار گرفتند. در تصاویر اپتیکی نیز 20 پارامتر صرفاً از مؤلفه های مستخرج از آنالیز بافت استفاده شدند. کلاسه بندی نتایج بر اساس دو گروه ساختمان های تخریب شده و ساختمان های تخریب نشده انجام پذیرفت که صحت کلی کلاسه بندی برای هر دو دسته نشان می دهد که الگوریتم RDF قابلیت و صحت بالاتری برای ارزیابی تخریب ارائه می نماید.