Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı

Hasan Karaca; Nesrin Aydın Atasoy; Caner Özcan

Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı

Öz

Bu çalışma, afet sonrası hasar tespiti ve ulaşım ağlarının belirlenmesi amacıyla geliştirilen bütünleşik bir derin öğrenme yaklaşımı sunmaktadır. Çalışmada iki farklı veri seti kullanılmıştır: 1.565 enkaz ve 2.150 hasarlı bina etiketi içeren birinci veri seti üzerinde YOLOv11 modeli, 7.383 maske etiketi içeren yol veri seti üzerinde U-Net, U-Net++, DeepLabV3+, FPN ve SegFormer mimarileri eğitilmiştir. Deneysel sonuçlarda YOLOv11 modeli, hasarlı binaları 0.824 duyarlılık (recall) oranıyla tespit ederken yol segmentasyonu gö- revinde U-Net++ mimarisi topolojik doğruluk açısından diğer modellerden daha üstün performans sergi- lemiştir. Elde edilen bulgular, farklı mimarilerin birlikte kullanımının afet yönetiminde hızlı ve güvenilir bir karar destek sistemi oluşturduğunu göstermektedir.

Anahtar Kelimeler

Kaynakça

Adriano, B., Xia, J., Yokoya, N., Miura, H., Matsuoka, M., & Koshimura, S. (2020, September). Damage characterization in urban environments from multitemporal remote sensing datasets built from pre- vious events. In IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium (pp. 3751-3754). IEEE.
Aygün, Z., Kocaman, M., Aydemir, S., & Konakoğlu, B. (2024). Building Damage Detection Using Deep Learning Architecture with Satellite Images: The Case of the 6 February 2023 Kahramanmaraş Eart- hquake. International Journal of Pioneering Technology and Engineering, 3(02), 53-61.
Chalavadi, V., Jeripothula, P., Datla, R., & Ch, S. B. (2022). mSODANet: A network for multi-scale object detection in aerial images using hierarchical dilated convolutions. Pattern Recognition, 126, 108548.
Chen, L. C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-decoder with atrous se- parable convolution for semantic image segmentation. In Proceedings of the European conference on computer vision (ECCV) (pp. 801-818).
Demir, İ., Koperski, K., Lindenbaum, D., Pang, G., Huang, J., Basu, S., Hughes, F., Tuia, D., & Raskar, R. (2018). DeepGlobe 2018: A challenge to parse the Earth through satellite images. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).
Du, D., Zhu, P., Wen, L., Bian, X., Lin, H., Hu, Q., ... & Zhang, L. (2019). VisDrone-DET2019: The vision meets drone object detection in image challenge results. In Proceedings of the IEEE/CVF internati- onal conference on computer vision workshops (pp. 0-0).
Ge, J., Wang, Q., & Tang, H. (2024). Real-time identification of collapsed buildings triggered by natu- ral disasters using a modified object-detection network with quasi-panchromatic images. European Journal of Remote Sensing, 57(1). https://doi.org/10.1080/22797254.2024.2318357
Goretti, A., & Sarli, V. (2006). Road network and damaged buildings in urban areas: short and long- term interaction. Bulletin of Earthquake Engineering, 4(2), 159-175.

Gupta, R., & Shah, M. (2021, January). Rescuenet: Joint building segmentation and damage assess- ment from satellite imagery. In 2020 25th international conference on pattern recognition (ICPR) (pp. 4405-4411). IEEE.
Hacettepe University JZTCN – Deneme Project. (2025). Roboflow Universe. Erişim adresi: https:// universe.roboflow.com/hacettepe-university-jztcn/deneme-zgh1t/dataset/4, (Erişim tarihi: 25 Ka- sım 2025)
Hacıefendioğlu, K., Başağa, H. B., Kahya, V., Özgan, K., & Altunışık, A. C. (2024). Automatic detection of collapsed buildings after the 6 February 2023 Türkiye earthquakes using post-disaster satellite images with deep learning-based semantic segmentation models. Buildings, 14(3), 582.
Hosseini, Y., Mohammadi, R. K., & Yang, T. Y. (2024). A comprehensive approach in post-earthquake blockage prediction of urban road network and emergency resilience optimization. Reliability Engi- neering & System Safety, 244, 109887.
Huang, B., Zhao, B., & Song, Y. (2018). Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery. Remote Sensing of En- vironment, 214, 73-86.
Ji, M., Liu, L., Du, R., & Buchroithner, M. F. (2019). A comparative study of texture and convolutional neural network features for detecting collapsed buildings after earthquakes using pre-and post-e- vent satellite imagery. Remote Sensing, 11(10), 1202.
Lin, T. Y., Dollár, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017). Feature pyramid networks for object detection. In Proceedings of the IEEE conference on computer vision and pattern recog- nition (pp. 2117-2125).
Ming, D., Xie, S., Dong, D., & Zhang, J. (2024). Cascaded framework for earthquake building damage detection combining spatial and frequency domain feature integration. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48, 503-510.
Mnih, V. (2013). Machine learning for aerial image labeling (Doctoral dissertation, University of To- ronto).
Nie, Y., Zeng, Q., Zhang, H., & Wang, Q. (2021). Building damage detection based on OPCE matching algorithm using a single post-event PolSAR data. Remote Sensing, 13(6), 1146.
Pan, X., & Yang, T. Y. (2020). Postdisaster image-based damage detection and repair cost estimation of reinforced concrete buildings using dual convolutional neural networks. Computer-Aided Civil and Infrastructure Engineering, 35(5), 495-510.
Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assis- ted intervention (pp. 234-241). Cham: Springer international publishing.
Sevo, I., & Avramovic, A. (2016). Convolutional neural network based automatic object detection on aerial images. IEEE geoscience and remote sensing letters, 13(5), 740-744.
Shen, Y., Zhu, S., Yang, T., Chen, C., Pan, D., Chen, J., ... & Du, Q. (2021). Bdanet: Multiscale convoluti- onal neural network with cross-directional attention for building damage assessment from satellite images. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-14.
Ultralytics. (2024). Ultralytics YOLO11 (Version 8.3.228) [Computer software]. GitHub. https://github. com/ultralytics/ultralytics
Xia, G. S., Bai, X., Ding, J., Zhu, Z., Belongie, S., Luo, J., ... & Zhang, L. (2018). DOTA: A large-scale dataset for object detection in aerial images. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3974-3983).
Xia, H., Wu, J., Yao, J., Zhu, H., Gong, A., Yang, J., ... & Mo, F. (2023). A deep learning application for building damage assessment using ultra-high-resolution remote sensing imagery in Turkey eart- hquake. International Journal of Disaster Risk Science, 14(6), 947-962.
Xiao, B., Zhang, Y., Chen, Y., & Yin, X. (2021). A semi-supervised learning detection method for visi- on-based monitoring of construction sites by integrating teacher-student networks and data aug- mentation. Advanced engineering informatics, 50, 101372.
Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez, J. M., & Luo, P. (2021). SegFormer: Simple and efficient design for semantic segmentation with transformers. Advances in neural information pro- cessing systems, 34, 12077-12090.
Zhan, Y., Liu, W., & Maruyama, Y. (2022). Damaged building extraction using modified Mask R-CNN model using post-event aerial images of the 2016 Kumamoto earthquake. Remote Sensing, 14(4), 1002.
Zhang, R., Li, H., Duan, K., You, S., Liu, K., Wang, F., & Hu, Y. (2020). Automatic detection of eart- hquake-damaged buildings by integrating UAV oblique photography and infrared thermal imaging. Remote Sensing, 12(16), 2621.
Zhang, X., & Zuo, G. (2025). Small target detection in UAV view based on improved YOLOv8 algorithm. Scientific Reports, 15(1), 421.
Zhou, Z., Rahman Siddiquee, M. M., Tajbakhsh, N., & Liang, J. (2018, September). Unet++: A nested u-net architecture for medical image segmentation. In International workshop on deep learning in medical image analysis (pp. 3-11). Cham: Springer International Publishing.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Fotogrametri ve Uzaktan Algılama

Bölüm

Araştırma Makalesi

Yazarlar

Hasan Karaca ^* Bu kişi benim
0000-0002-8101-3860
Türkiye

Nesrin Aydın Atasoy
0000-0002-7188-0020
Türkiye

Caner Özcan
0000-0002-2854-4005
Türkiye

Yayımlanma Tarihi

20 Şubat 2026

Gönderilme Tarihi

1 Aralık 2025

Kabul Tarihi

18 Şubat 2026

Yayımlandığı Sayı

Yıl 2026 Cilt: 2 Sayı: 1

IZ

https://izlik.org/JA36PP35WU

Kaynak Göster

RIS / Bibtex

APA

Karaca, H., Aydın Atasoy, N., & Özcan, C. (2026). Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı. Bütünleşik Afet Yönetimi Dergisi, 2(1), 48-81. https://izlik.org/JA36PP35WU

AMA

1.Karaca H, Aydın Atasoy N, Özcan C. Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı. AYD. 2026;2(1):48-81. https://izlik.org/JA36PP35WU

Chicago

Karaca, Hasan, Nesrin Aydın Atasoy, ve Caner Özcan. 2026. “Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı”. Bütünleşik Afet Yönetimi Dergisi 2 (1): 48-81. https://izlik.org/JA36PP35WU.

EndNote

Karaca H, Aydın Atasoy N, Özcan C (01 Şubat 2026) Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı. Bütünleşik Afet Yönetimi Dergisi 2 1 48–81.

IEEE

[1]H. Karaca, N. Aydın Atasoy, ve C. Özcan, “Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı”, AYD, c. 2, sy 1, ss. 48–81, Şub. 2026, [çevrimiçi]. Erişim adresi: https://izlik.org/JA36PP35WU

ISNAD

Karaca, Hasan - Aydın Atasoy, Nesrin - Özcan, Caner. “Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı”. Bütünleşik Afet Yönetimi Dergisi 2/1 (01 Şubat 2026): 48-81. https://izlik.org/JA36PP35WU.

JAMA

1.Karaca H, Aydın Atasoy N, Özcan C. Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı. AYD. 2026;2:48–81.

MLA

Karaca, Hasan, vd. “Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı”. Bütünleşik Afet Yönetimi Dergisi, c. 2, sy 1, Şubat 2026, ss. 48-81, https://izlik.org/JA36PP35WU.

Vancouver

1.Hasan Karaca, Nesrin Aydın Atasoy, Caner Özcan. Derin Öğrenme Tabanlı Afet Sonrası Hava Görüntülerinden Hasar Tespiti ve Yol Çıkarımı. AYD [Internet]. 01 Şubat 2026;2(1):48-81. Erişim adresi: https://izlik.org/JA36PP35WU