Uzaktan algılama verileri kullanılarak yapay zekâ ile deprem sonrası hasar tespiti
Yükleniyor...
Tarih
2024-12-31
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Deprem meydana gelen büyüklüğe bağlı olarak oldukça yıkıcı etkilere sebep olabilmektedir. Özellikle Türkiye’de 6 Şubat 2023 tarihinde meydana gelen 7.7 ve 7.6 büyüklüğündeki depremler örnek olarak verilebilir. Hatay bu iki büyük depremden fazlasıyla etkilenmiş ve çok geçmeden 20 Şubat tarihinde 6.4 büyüklüğünde üçüncü bir deprem daha yaşamıştır. Her üç depremde çok fazla sayıda insan yaralanmış, hayatını kaybetmiş, binalar hasar görmüş veya yıkılmıştır. Depremin sebep olduğu hasarı tespit etmek ise kurtarma ve yardım faaliyetlerinin bölgeye koordineli ve hızlı bir şekilde iletilebilmesi konusunu gündeme getirmiştir. Depremlerin kısa süreli aralıklarla meydana gelmesi deprem sonrası bina hasarı tespitinin ivedilikle yapılması gerektiği gerçeğini gözler önüne sermiştir.
Çalışmada, Hatay iline ait deprem sonrası uzaktan algılama yöntemi ile elde edilen Sentinel-2 uydusu tarafından çekilen görüntüler kullanılmıştır. Bu görüntülerden ulaşılan veriler makine öğrenmesi yöntemi türü olan gözetimli öğrenme modeline ait beş algoritma (destek vektör makinesi, karar ağaçları, Naive Bayes ve k-NN ve ensemble) tarafından çözümlenmiştir. K-En yakın komşuluk (KNN) modeli ile % 85.1; karar ağaçları (Decision Tree-DT) modeli ile % 81.6; destek-vektör matrisi ile %62.1; Navie Bayes modeli ile %66.8 ve Ensemble modeli ile % 86 başarı oranı sağlanmıştır. Çalışma sayesinde deprem sonrası bina hasar tespitine ait görüntü yansıma verilerinin yapay zekâya öğretilmesi ile daha hızlı sonuç elde edildiği görülmüştür. Çalışmanın amacı bu işlevin gerçekleşmesi ile yardım faaliyetlerinin koordinasyonunun hızlı bir şekilde yerine getirilmesidir.
Depending on the magnitude of the earthquake, it can cause quite destructive effects. The magnitude 7.7 and 7.6 earthquakes that occurred on 6 February 2023 in Turkey can be given as an example. Hatay was heavily affected by these two major earthquakes and soon experienced a third earthquake of magnitude 6.4 on 20 February. In all three earthquakes, many people were injured or killed, and buildings were damaged or destroyed. Determining the damage caused by the earthquake raised the issue of coordinated and rapid delivery of rescue and relief activities to the region. The fact that the earthquakes occurred at short-term intervals revealed the fact that building damage assessment should be carried out immediately after the earthquake. In this study, images of Hatay province taken by Sentinel-2 satellite obtained by remote sensing method after the earthquake were used. The data obtained from these images were analysed by five algorithms (support vector machine, decision trees, Naive Bayes, k-NN, decision trees and ensemble) belonging to the supervised learning model, which is a type of machine learning method. K-Nearest Neighborhood (KNN) model achieved 85.1% success rate, Decision Tree (DT) model 81.6, support vector machine model %62.1, Navie Bayes %66.8 and ensemble model 86%. Thanks to the study, it has been observed that faster results are obtained by teaching the image reflection data of post-earthquake building damage detection to artificial intelligence. The aim of the study is to fulfil the coordination of relief activities quickly with the realisation of this function.
Depending on the magnitude of the earthquake, it can cause quite destructive effects. The magnitude 7.7 and 7.6 earthquakes that occurred on 6 February 2023 in Turkey can be given as an example. Hatay was heavily affected by these two major earthquakes and soon experienced a third earthquake of magnitude 6.4 on 20 February. In all three earthquakes, many people were injured or killed, and buildings were damaged or destroyed. Determining the damage caused by the earthquake raised the issue of coordinated and rapid delivery of rescue and relief activities to the region. The fact that the earthquakes occurred at short-term intervals revealed the fact that building damage assessment should be carried out immediately after the earthquake. In this study, images of Hatay province taken by Sentinel-2 satellite obtained by remote sensing method after the earthquake were used. The data obtained from these images were analysed by five algorithms (support vector machine, decision trees, Naive Bayes, k-NN, decision trees and ensemble) belonging to the supervised learning model, which is a type of machine learning method. K-Nearest Neighborhood (KNN) model achieved 85.1% success rate, Decision Tree (DT) model 81.6, support vector machine model %62.1, Navie Bayes %66.8 and ensemble model 86%. Thanks to the study, it has been observed that faster results are obtained by teaching the image reflection data of post-earthquake building damage detection to artificial intelligence. The aim of the study is to fulfil the coordination of relief activities quickly with the realisation of this function.
Açıklama
Anahtar Kelimeler
Bina Hasar Tespiti, Deprem, Makine Öğrenimi, Uzaktan Algılama, Sentinel 2, Yapay Zekâ, Building Damage Assessment, Earthquake, Machine Learning, Remote Sensing, Artificial Intelligence
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kaya, S. (2024). Uzaktan algılama verileri kullanılarak yapay zekâ ile deprem sonrası hasar tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman
