Journal of Geomatics Science and Technology

fa توسعه روشی نوین به منظور شناسایی سریع و خودکار درجات تخریب ساختمان ها از تصاویر و ابرنقاط پهپادی بعد از زلزله (مطالعه موردی: منطقه سرپل ذهاب) Developing a Novel Method for Fast and Automatic Detection of Damaged Buildings from Post-Earthquake Images and Point Cloud (Case Study: Sarpol-e-Zahab) فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">طی سه دهه اخیر، تولید نقشه تخریب ساختمانها پس از زلزله، یکی از مهمترین چالش های مطرح در حوزه مدیریت بحران می باشد. در اکثر مطالعات پیشین از داده های ماهواره ای برای تولید نقشه های تخریب ساختمان ها استفاده شده است ولی به دلیل هندسه ضعیف این نوع داده ها و نویز بالا، اخیرا تمایل زیادی جهت بکارگیری داده های پهپادی به منظور شناسایی درجات تخریب ساختمان ها طبق استاندارد EMS98  ایجاد شده است. لذا در این تحقیق، داده های اخذ شده پس از زلزله سرپل ذهاب به منظور شناسایی درجات تخریب ساختمان- ها در چهار کلاس، شامل " تخریب نشده یا تخریب جزئی " ،"تخریب کم "،" تخریب شدید " و "ویران شده" مورد استفاده قرار گرفته است. در روش پیشنهادی، ابتدا داده های خام به ابر نقاط و تصاویر اورتوفتو تبدیل شد. سپس  روش نوینی مبتنی بر تصمیم گیری درختی و به صورت حذفی ارائه گردید که با درجه اتوماسیون بالایی اقدام به تفکیک و شناسایی کلاس های تخریب بیان شده می نماید. همچنین به منظور سرعت بخشی به تولید ویژگی مهم مدل رقومی سطح  نرمال شده  حاصل از ابرنقاط،روش جدیدی ارائه شده است. علاوه بر این جهت شناسایی کامل ساختمانهای ویران شده ، شاخص لبه نوینی در این تحقیق پیشنهاد گردیده است. از مهمترین ویژگی روش ارائه شده در نظر گرفتن همزمان سه رکن مهم در مدیریت بحران شامل سرعت، دقت و هزینه در طراحی روش پیشنهادی می باشد. نتایج بدست آمده بر روی دو محدوه در شهر سرپل ذهاب، حاکی از حصول دقت کلی و ضریب کاپا به ترتیب 86% و81% و نیز مدت زمان پردازش حدود 15 ثانیه ای در منطقه ای با 142 ساختمان می باشد و این نشان دهنده کارایی بالای روش پیشنهادی است. <div></div></div> In the recent three decades, building damage map production after an earthquake has been one of the most important challenges in disaster management. For decades, researchers have utilized different kinds of sensors, including airborne LiDAR, RADAR, and optical satellite imagery, in order to create earthquake-induced damage maps. LiDAR and RADAR sensors are disadvantageous due to their high cost and difficulty of acquisition. Additionally, optical satellite images are limited by the lack of timely availability of high-resolution imagery, a low signal-to-noise ratio, and the inability to reconstruct 3D data. On the other hand, the recent development of low-cost and flexible-resolution UAVs along with high accessibility has opened up a great opportunity in this area. Furthermore, UAV data make detecting damage levels possible according to the well-known EMS-98 damage standard. However, there are still a few researchers that have considered international damage standards. When developing a strategy for detecting damage, three important factors should be considered: accuracy, efficiency, and cost. Recently, a lot of attention has been paid to deep-learning models in the field of damage detection. These algorithms require enormous amounts of data, which takes a lot of time and energy. Moreover, such models are unlikely to be general enough due to the sophisticated and numerous types of damage that can occur to a building. So, these issues pose a serious limitation for their practical application in a disaster situation. Since this research put forward a novel and rapid method for detecting the damage to buildings on four levels using a designed removal decision tree. For testing the proposed method, orthophoto and DSM were derived from raw and post-event UAV images of two regions of Sarpol-e-Zahab. An overview of the presented framework for generating the damage map of buildings is depicted in figure1. In summary, our original contributions are described as follows: <ul> <li class="MDPI42tablebody" style="margin-left:8px; text-align:justify">Taking into account three crucial parameters of crisis management including accuracy, cost, and time efficiency. </li> <li class="MDPI42tablebody" style="margin-left:8px; text-align:justify">Presenting a height anomaly index that distinguishes minor damage from major damage. In short, this index represents the percent of negative values in clustered DMS based on DBSCAN. </li> <li class="MDPI42tablebody" style="margin-left:8px; text-align:justify">Damage level detection according to EMS-98 standard in four levels, including, “no visible damage to slight damaged”, “Minor damaged”, ”major damaged”, and “collapsed”.</li> </ul> <o:oleobject drawaspect="Content" objectid="_1728735492" progid="Visio.Drawing.15" shapeid="_x0000_s1026" type="Embed"> </o:oleobject> <img align="left" alt="" hspace="12" src="file:///C:/Users/5500-008/AppData/Local/Temp/4/msohtmlclip1/01/clip_image002.png" style="width:233px; height:374px" > Fig.1. The proposed method for detecting damage to buildings in 4 levels The results for two study areas of "Sarpol-e Zahab" reveals achieving an accuracy of 86% and a kappa coefficient of 81% for processing 142 buildings within just 15 seconds which indicates the efficiency and time efficiency of the proposed method. In addition, Because of being fully automatic (being unsupervised), the cost of this method is very low. As a consequence, our findings in this research revealed the high potential of UAV data for timely damage detection and rescue after an earthquake. However, the negative effects of shadows and trees are some of the challenges that should be considered in future research.   نقشه تخریب زلزله, پهپاد, مدیریت بحران, روش درخت تصمیم گیری حذفی Earthquake-induced Damage Map, UAV, Crisis Management, Removal Decision Tree Method 33 47 http://jgst.issgeac.ir/browse.php?a_code=A-10-929-1&slc_lang=fa&sid=1 N. Takhtkeshha نرگس تخت کشها n.takhtkeshha@email.kntu.ac.ir 10031947532846009473 10031947532846009473 Yes K.N.Toosi دانشگاه صنعتی خواجه نصیر A. Mohammadzadeh علی محمدزاده a_mohammadzadeh@kntu.ac.ir 10031947532846009474 10031947532846009474 No K.N.Toosi دانشگاه صنعتی خواجه نصیر