Derin öğrenme tabanlı bölütleme yöntemleriyle deprem sonrası uydu görüntülerinden hasarlı bölgelerin tespiti: 6 Şubat 2023 Türkiye depremleri örneği
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: MEHMET CAN EKKAZAN
Danışman: Mine Elif Karsligil
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Doğal afetlerden sonra, etkili müdahale ve iyileştirme stratejileri için hızlı ve doğru hasar tespiti oldukça önemlidir. Bu tez çalışmasında, 6 Şubat 2023 tarihinde Türkiye'de gerçekleşen ve 10 şehri etkileyen depreme ait 481,72km2 alanı kapsayan uydu görüntüleri kullanılarak 1183 görüntüden ve 2080 hasarlı olarak etiketlenmiş poligondan oluşan TE23D (6 Şubat 2023 Türkiye Depremleri) Veri Kümesi geliştirilmiş ve bu veri kümesi kullanılarak hasarlı binaların tespitini yapan derin öğrenme tabanlı bir sistem tasarlanmış ve gerçeklenmiştir. Bu tez çalışmasının hipotezi, binalarda depremlerden kaynaklanan hasarın bir anomali olarak kabul edilebileceği ve bu hasarın anomali tespiti yaklaşımı ile tespitinin gerçekleştirilebileceğidir. Anomali tespiti yaklaşımı ile hasarlı binaların tespitinin performansının yeterli olup olmadığını değerlendirmek için TE23D veri kümesinin TE23D_A, TE23D_B1 ve TE23D_B2 olmak üzere üç farklı versiyonu oluşturulmuştur. TE23D_A veri kümesi sadece hasarlı alanların etiketlendiği veri kümesiyken, TE23D_B1 ve TE23D_B2 veri kümeleri hasarlı alan etiketleriyle birlikte hasarsız bina etiketlerini içermektedir. İstanbul Veri Kümesi üzerinde eğitilen U-Net++ modeli, TE23D_B1 veri kümesi oluşturulurken ve Massachusetts Buildings Dataset üzerinde eğitilen U-Net modeli TE23D_B2 veri kümesi oluşturulurken bina segmentasyonu için kullanılmıştır. Anomali tespiti yapılarak hasarlı alanların saptanabileceği hipotezini doğrulamak için önce sadece hasarlı binaların etiketlendiği veri kümesi ile derin öğrenme tabanlı segmentasyon modelleri eğitilerek performansları değerlendirilmiştir. Hasarlı alanların tespiti amacıyla anlamsal ve örnek segmentasyon yaklaşımlarına ait mimariler olan Mask R-CNN, U-Net, U-Net++, BEiT, DPT, MobileViT ve SegFormer dahil olmak üzere son yıllarda geliştirilen başarılı segmentasyon modelleri bu yaklaşımı doğrulamak için TE23D_A veri kümesi üzerinde eğitilmiştir. Ardından bu veri kümesi üzerinde en başarılı sonuçları veren SegFormer modeli, hasarsız bina etiketlerine sahip veri kümeleri üzerinde eğitilmiş, ve karşılaştırmalı analiz, TE23D_A veri kümesi üzerinde eğitilen modelin, diğer veri kümeleri üzerinde eğitilen modellerle benzer ve hatta daha iyi performans gösterdiğini ortaya koymuş ve sadece hasarlı alanların etiketlenmesinin başarılı hasar tespiti için yeterli olduğunu doğrulamıştır. SegFormer_A modeli, TE23D_A veri kümesi üzerinde %91.92 OPA ve %74.45 mIoU skorlarını elde etmiştir. Bu sonuçlara göre anomali tabanlı etiketleme yaklaşımı, SegFormer modelinin TE23D_A veri kümesi üzerindeki üstün performansının da gösterdiği gibi segmentasyon sürecini basitleştirmekte ve model doğruluğunu artırmaktadır. Bulgular, afet sonrası hasar tespitinde yüksek kaliteli, odaklanmış veri kümelerinin değerinin altını çizmekte ve gelişmiş makine öğrenimi modellerinin afet müdahale ve iyileştirme çabalarını geliştirme potansiyelini vurgulamaktadır. Bu araştırma ile geliştirilen metodolojiler ve içgörüler, çeşitli doğal afet senaryolarında hızlı hasar tespiti için ölçeklenebilir ve verimli çözümler sunarak afet yönetimi alanına önemli ölçüde katkıda bulunmaktadır.