RESNET-34 DERİN ÖĞRENME ALGORİTMASI İLE DEPREM SONRASI YIKILAN YAPILARIN TESPİTİ: 6 ŞUBAT 2023 DEPREMİ, ANTAKYA ÖRNEĞİ

Yıl 2025, Cilt: 13 Sayı: 1, 49 - 63, 20.03.2025

Firdevs Güzel , Gülcan Sarp , Kadir Temurçin

https://doi.org/10.21923/jesd.1535677

Öz

Bu çalışma, 6 Şubat 2023 Kahramanmaraş depreminin etkilediği Hatay ilinin Antakya ve Defne ilçelerinde ResNET-34 derin öğrenme algoritmasını kullanarak deprem sırasında yıkılan ve yıkılmayan yapıların tespit edilmesini incelemiştir. Çalışmada, Pleiades-1B uydu görüntüleri ve OpenStreetMap verileri kullanılarak yapıların hasar durumları analiz edilmiştir. Derin öğrenme algoritması olarak ResNET-34 mimarisi, bu verilerle eğitilmiş ve %85 doğruluk ve %91 F1 skoru elde edilmiştir. Bu yüksek doğruluk oranı, derin öğrenme yöntemlerinin afet sonrası yapı hasar tespitinde ne denli etkili bir araç olduğunu ortaya koymuştur. Çalışmanın bulguları, derin öğrenme tekniklerinin afet sonrası hasar analizi ve yapı güvenliği değerlendirmelerinde etkin bir araç olarak kullanılabileceğini göstermiştir. Ayrıca çalışma, derin öğrenme tekniklerinin afet yönetimi ve şehir planlaması süreçlerinde etkili bir rol oynayabileceğine dair değerli bilgiler sunmuştur.

Anahtar Kelimeler

Derin Öğrenme, Hasar Tespiti, Deprem, Pleiades-1B, Antakya

Teşekkür

Yazarlar, bu araştırma için Pleiades uydu görüntülerini ücretsiz olarak sağlayan İstanbul Teknik Üniversitesi- Uydu Haberleşmesi ve Uzaktan Algılama Uygulama ve Araştırma Merkezi'ne (İTÜ- CSCRS) teşekkür eder.

DETECTION OF COLLAPSED STRUCTURES AFTER EARTHQUAKE WITH RESNET-34 DEEP LEARNING ALGORITHM: 6 FEBRUARY 2023 EARTHQUAKE, ANTAKYA CASE

Öz

This study examined the detection of collapsed and non-collapsed structures during the earthquake in the Antakya and Defne districts of Hatay province, affected by the February 6, 2023 Kahramanmaraş earthquake, using the ResNET-34 deep learning algorithm. The damage status of the buildings was analyzed using Pleiades-1B satellite images and OpenStreetMap data. The ResNET-34 architecture was trained with these data as a deep learning algorithm and achieved an accuracy of 85% and an F1 score of 91%. This high accuracy rate demonstrated how effective deep learning methods can be as a tool for post-disaster building damage assessment. The findings of the study showed that deep learning techniques can be used as an effective tool in post-disaster damage analysis and building safety assessments. Furthermore, the study provided valuable insights into how deep learning techniques can play an effective role in disaster management and urban planning processes.

Anahtar Kelimeler

Deep Learning, Damage Assessment, Earthquake, Pleiades-1B, Antakya

Kaynakça

• Beyen, K., Erdik, M., Mazmanoğlu, C., & Ekmekçioğlu, Z,. 2003. Antakya’nın geçmişten günümüze sismik aktivitesi ve yapılması gerekenlerin bir uluslararası konferansın ışığında değerlendirilmesi. Engineering Report of Turkey, 423(1), 51-53.
• Boğaziçi Üniversitesi Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü Bölgesel Deprem-Tsunami İzleme ve Değerlendirme Merkezi. http://www.koeri.boun.edu.tr/sismo/zeqdb/ (Erişim Tarihi: 03.05.2024)
• Boulton, S.J., Robertson, A.H.F. & Ünlügenç, U.C., 2006. ectonic and sedimentary evolution of the Cenozoic Hatay Graben, Southern Turkey: A two-phase model for graben formation. In A. H. F. Robertson & D. Mountrakis (Eds.), Tectonic development of the Eastern Mediterranean Region Geological Society of London, Special Publications, 206, 613-634.
• Bowles, J. E., 1996. Foundation analysis and design (5th ed.). McGraw-Hill International Editions.
• Ci, T., Liu, Z., & Wang, Y,. 2019. Assessment of the degree of building damage caused by disaster using convolutional neural networks in combination with ordinal regression. Remote Sensing, 11(23), 2858
• Congalton, R. G., & Green, K., 2019. Assessing the accuracy of remotely sensed data: Principles and practices (3rd ed.). CRC Press.
• Das, B.M., 2010. Principles of geotechnical engineering (7th ed.). Cengage Learning.
• Doğan, F., & Türkoğlu, İ., 2019. Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409-445
• Dubertret, L., & Hudson, R. G. S., 1953. Géologie des roches vertes du nord-ouest de la Syrie et du Hatay (Turquie). Mèmoires Moyen-Orient, 6, 227.
• Ekin, Ü., 2007. 1822 Halep-Antakya depremi ve bölgeye etkileri. Türk Kültürü İncelemeleri Dergisi, 2(17), 29-50.
• Emre, Ö., Duman T. Y., Özalp, S., Elmacı, H., Olgun, Ş.,Şaroğlu, F., 2013. Active fault map of Turkey with an explanatory text 1: 1,250,000 scale. General Directorate of Mineral Research and Exploration, Special Publication Series, 30, 89.
• Ge, J., Tang, H., & Ji, C., 2023. Self-incremental learning for rapid identification of collapsed buildings triggered by natural disasters. Remote Sensing, 15(15), 3909.
• Google Earth: https://www.google.com/earth (Erişim Tarihi: 03.05.2024)
• Gursoy, H., Piper, J., Tatar, O., & Mesci, L., 1998. Palaeomagnetic study of the Karaman and Karapinar volcanic complexes, central Turkey: neotectonic rotation in the south-central sector of the Anatolian Block. Tectonophysics, 299(1-3), 191-211.
• Gülen, L., Barka, A. A. ve Toksöz, M. N., 1987. Kıtaların çarpışması ve ilgili kompleks deformasyon: Maraş üçlü eklemi ve çevre yapıları. Hacettepe Üniversitesi Yerbilimleri Uygulama ve Araştırma Merkezi, Yerbilimleri Dergisi, 14, 319-336.
• 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 ımages with deep learning-based semantic segmentation models. Buildings, 14(3), 582.
• He, K., Zhang, X., Ren, S., & Sun, J., 2016. Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 770-778.
• He, M., Zhu, Q., Du, Z., Hu, H., Ding, Y., & Chen, M., 2016. A 3D shape descriptor based on contour clusters for damaged roof detection using airborne LiDAR point clouds. Remote Sensing, 8(3), 189.
• Herece, E., 2008. Doğu Anadolu Fayı (DAF) Atlası. Maden Tetkik ve Arama Genel Müdürlüğü, Özel Yayın Serisi, 13. Jeoloji Etütleri Dairesi, Ankara.
• Hinton, G. E., Osindero, S., & Teh, Y. W., 2006. A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527-1554.
• Huang, H., Xu, H., Wang, X., & Silamu, W., 2015. Maximum F1-score discriminative training criterion for automatic mispronunciation detection. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 23(4), 787-797.
• Irwansyah, E., Young, H., & Gunawan, A. A., 2023. Multi disaster building damage assessment with deep learning using satellite imagery data International Journal of Intelligent Systems and Applications in Engineering, 11(1), 122-131.
• İnik, Ö., & Ülker, E., 2017. Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
• Ji, M., Liu, L., & Buchroithner, M., 2018. Identifying collapsed buildings using post-earthquake satellite imagery and convolutional neural networks: A case study of the 2010 Haiti earthquake. Remote Sensing, 10(11), 1689.
• Ji, M., Liu, L., Zhang, R., & F. Buchroithner, M., 2020. Discrimination of earthquake-induced building destruction from space using a pretrained CNN model. Applied Sciences, 10(2), 602.
• Jia, J., & Ye, W., 2023. Deep Learning for Earthquake Disaster Assessment: Objects, Data, Models, Stages, Challenges, and Opportunities. Remote Sensing, 15(16), 4098.
• Karakuş, K., & Taner, G., 1994. Samandağ formasyonunun (Antakya havzası) yaşı ve molluska faunasına bağlı paleoekolojik özellikleri. Türkiye Jeoloji Kurumu Bülteni, 37(2), 87-109
• Korkmaz, H., 2006. Antakya’da zemin özellikleri ve deprem etkisi arasındaki ilişki. Coğrafi Bilimler Dergisi, 4(2), 49-66.
• Kranjčić, N., Medak, D., Župan, R., & Rezo, M., 2019. Support vector machine accuracy assessment for extracting green urban areas in towns. Remote Sensing, 11(6), 655.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E., 2012. Imagenet classification with deep convolutional neural networks. Adv. Neural Informat. Process. Syst. 25, 1097-1105.
• Lebègue, L., Greslou, D., Blanchet, G., de Lussy, F., Fourest, S., Martin, V., ... & Amberg, V., 2013. Pleiades satellites image quality commissioning. In Earth Observing Systems XVIII, SPIE, 8866, 292-303.
• Li, S., & Tang, H., 2020. Classification of building damage triggered by earthquakes using decision tree. Mathematical Problems in Engineering, 1-15.
• Lipton, Z. C., Elkan, C., & Naryanaswamy, B., 2014. Optimal thresholding of classifiers to maximize F1 measure. In Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD 2014, Nancy, France, September 15-19, 2014. Proceedings, Part II (225-239). Springer Berlin Heidelberg.
• Ma, H., Liu, Y., Ren, Y., & Yu, J., 2019. Detection of collapsed buildings in post-earthquake remote sensing images based on the improved YOLOv3. Remote Sensing, 12(1), 44.
• Ma, H., Liu, Y., Ren, Y., Wang, D., Yu, L., & Yu, J., 2020. Improved CNN classification method for groups of buildings damaged by earthquake, based on high resolution remote sensing images. Remote Sensing, 12(2), 260.
• Menderes, A., Erener, A., & Sarp, G., 2015. Automatic detection of damaged buildings after earthquake hazard by using remote sensing and information Technologies. Procedia Earth and Planetary Science, 15, 257-262.
• Moradi, M., & Shah-Hosseini, R., 2020. Earthquake damage assessment based on deep learning method using VHR images. Environmental Sciences Proceedings, 5(1), 16.
• Moya, L., Marval Perez, L. R., Mas, E., Adriano, B., Koshimura, S., & Yamazaki, F., 2018. Novel unsupervised classification of collapsed buildings using satellite imagery, hazard scenarios and fragility functions. Remote Sensing, 10(2), 296.
• OpenStreetMap: OpenStreetMap. https://www.openstreetmap.org/. (Erişim Tarihi: 27.04.2024)
• Over, S., Ozden, S. ve Unlugenç, U. C., 2004a. Late Cenozoic stress distribution along the Misis Range in the Anatolian, Arabian, and African plate intersection region, SE Turkey. . Tectonics, 23, TC3008
• Over, S., Ozden, S., & Yilmaz, H., 2004b. Late Cenozoic stress evolution along the Karasu Valley, SE Turkey. Tectonophysics, 380(1-2), 43-68
• Över, S.; Ünlügenç, U.C.; Özden, S., 2001. Hatay bölgesi etkin gerilme durumu, Hacettepe Üniversitesi., Yerbilimleri Uygulama ve Araştırma Merkezi, Yerbilimleri Dergisi, 23, 1-14.
• Pleiades Imagery User Guide: http://www.astriumgeo.com/en/4572-pleiades-technical-documents (Ekim 2012)
• Rashidian, V., Baise, L. G., & Koch, M., 2019. Detecting collapsed buildings after a natural hazard on vhr optical satellite imagery using u-net convolutional neural networks. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 9394-9397.
• Rashidian, V., Baise, L. G., Koch, M., & Moaveni, B., 2021. Detecting demolished buildings after a natural hazard using high resolution RGB satellite imagery and modified U-Net convolutional neural networks. Remote Sensing, 13(11), 2176.
• Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ... & Fei-Fei, L., 2015. Imagenet large scale visual recognition challenge. International Journal of Computer Vision, 115, 211-252.
• Sarp, G., Erener, A., Duzgun, S., & Sahin, K., 2014. An approach for detection of buildings and changes in buildings using orthophotos and point clouds: A case study of Van Erriş earthquake. European Journal of Remote Sensing, 47(1), 627-642.
• Selçuk, H., 1985. Kızıldağ-Keldağ-Hatay dolayının jeolojisi ve jeodinamik evrimi MTA Enstitüsü, Jeoloji Etütleri Dairesi, Derleme Raporu, No: 7787, Ankara.
• Sengor, A. M. C., 1979. The North Anatolian transform fault: its age, offset and tectonic significance. Journal of the Geological Society, 136(3), 269-282.
• Shafiq, M., & Gu, Z., 2022. Deep residual learning for image recognition: A survey. Applied Sciences, 12(18), 8972.
• Şafak, Ü., 1993. Antakya Havzası ostrakod biyostratigrafisi. Türkiye Jeoloji Bülteni, 36(2), 115-137.
• Tan, C., Chen, T., Liu, J., Deng, X., Wang, H., & Ma, J., 2024. Building Extraction from Unmanned Aerial Vehicle (UAV) Data in a Landslide-Affected Scattered Mountainous Area Based on Res-Unet. Sustainability, 16(22), 9791.
• Toby, T., Gopalakrishnan, U., & Rao, S. N., 2022. A deeper cnn approach for detection of collapsed buildings in drone images. In Proceedings of the 2022 5th International Conference on Computational Intelligence and Communication Technologies (CCICT), 404–410.
• Türk Mühendis ve Mimar Odaları Birliği (TMMBO)., 2023. TMMOB Mimarlar Odası 6 ŞUBAT DEPREMLERİ 8. ay değerlendirme raporu. https://www.tmmob.org.tr/sites/default/files/depremin_8._ayina_iliskin_degerlendirmelerimiz.pdf. (Erişim Tarihi: 03.09.2024)
• Türk Tabipleri Birliği (TTB)., 2023. VI. Ay Deprem Raporu: Olağandışı Durumlara Dayanıksız Birinci Basamak Sağlık Hizmetleri. https://www.ttb.org.tr/userfiles/files/6ayraporu.pdf (Erişim Tarihi: 22.06.2024)
• Türkiye İstatistik Kurumu (TÜİK)., 2023: https://data.tuik.gov.tr/ (Erişim Tarihi: 03.05.2024)
• Ulusay, R., 1999. Kentleşme sürecinde yer seçimi ve depreme dayanıklı yapı inşasında jeolojik-jeoteknik etütlerin önemi ve işlevi. Jeoloji Mühendisleri Odası Yayını, 51, 23-27.
• Uslu Azarak, L., 2023. Tarihin İzdüşümünde Antakya (Antiokheia) Kentinin Depremselliği. Vakanüvis-Uluslararası Tarih Araştırmaları Dergisi, 8, 3210-3228.
• Vetrivel, A., Gerke, M., Kerle, N., Nex, F., & Vosselman, G., 2018. Disaster damage detection through synergistic use of deep learning and 3D point cloud features derived from very high resolution oblique aerial images, and multiple-kernel-learning. ISPRS Journal of Photogrammetry and Remote Sensing, 140, 45-59.
• Xiu, H., Shinohara, T., Matsuoka, M., Inoguchi, M., Kawabe, K., & Horie, K., 2020. Collapsed building detection using 3D point clouds and deep learning. Remote Sensing, 12(24), 4057.
• Yüksel, Ş., 2023. Antakya'nın Deprem Öyküsü. Modular Journal, 6(2), 102-106.
• Zhang, Z., Wang, S., Li, Z., Gao, F., & Wang, H., 2023. A Multi-Dimensional Covert Transaction Recognition Scheme for Blockchain. Mathematics, 11(4), 1015.