Derin öğrenme ile depremden sonra enkaz kaldırma çalışmalarının uydu görüntüleriyle takibi: Hatay örneği

Abstract

Afetlerden sonra elde edilen uydu görüntüleri, afetin yıkıcı etkilerini somut bir şekilde ortaya koymaktadır. 6 Şubat Kahramanmaraş merkezli depremlerden hemen sonra yayınlanan uydu görüntüleri ve yayımlanan belgelere bakıldığında, en çok hasar alan ilimiz Hatay'dır. Depremin ardından, yıkılan binaların enkazlarının kaldırılma süreci başlamış ve bu süreç saha ekipleri tarafından takip edilmiştir. Hatay'da hasar tespit çalışmalarının tamamlanmasının ardından yapılan enkaz kaldırma ihalesiyle başlayan süreçte, hangi binaların yıkıldığı takip edilmeye başlanmıştır. Yıkık ve acil yıkılacak yapıların enkazlarının kaldırılmasının ardından, rezerv yapı alanları ilan edilmeye başlanmıştır. Enkazlar kaldırıldıktan sonra ayakta kalan yapılardan yola çıkarak rezerv yapı alanlarındaki durum değerlendirilmiş, hangi binalarda riskli yapı tespit işlemi yapılması gerektiği ortaya konmuş ve bu durum kurumlar için bir yol haritası niteliği taşımıştır. Ayakta kalan yapıların takip edilmesi, yeni projelerin tasarımından proje ihale sürecine kadar birçok adımda belirleyici bir rol oynamaktadır. Günümüzde deprem sonrası yıkılan binaların tespiti ve enkaz kaldırma süreci, kamu kuruluşları ve özel sektör tarafından saha ekipleriyle yürütülmektedir. Ancak, bu süreçte insan gücünün yoğun şekilde kullanılması ve zamanın kısıtlı olması, daha hızlı bir çözüm gerekliliğini ortaya çıkarmaktadır. Uydu görüntüleri ve drone ile elde edilen görüntüler, saha araştırması yapılmadan daha kısa sürede ve daha doğru sonuçlarla bu tespitlerin yapılabilmesini mümkün kılmaktadır. Bu çalışmada, yüksek çözünürlüklü uzaktan algılama görüntüleri, derin öğrenme işlemine tabi tutulmuş ve karşılaştırılarak enkaz kaldırma takibinin bu yöntemle yapılıp yapılamayacağı tartışılmıştır. Son yıllarda uydu görüntüleri, birçok farklı alanda kullanılmakta olup, bu çalışmada da deprem bölgesindeki ayakta kalan binaların tespitinde etkili bir araç olarak kullanılmıştır. Uydu görüntülerinden elde edilen ve rezerv rapı alanları içinde bulunan dört alana ait 2023 ve 2024 tarihli Google Earth görüntüleri, ilk önce sayısallaştırılmıştır. Sayısallaştırılan görüntüler, derin öğrenme modellerinden biri olan ResNet34 ve yapay zeka kullanan Picterra Platformu'na yüklenmiştir. Bu uygulamada, ayakta olduğu bilinen ve farklı spektral özellikler gösteren binaların bulunduğu bölgeler eğitim alanı olarak belirlenmiş ve bu alan içindeki binalar eğitim verisine dahil edilmiştir. Saha tespitlerinden elde edilen ayakta kalan bina verisi ile derin öğrenme uygulamasının çıktısı karşılaştırılmıştır. Elde edilen sonuçlara bakıldığında, girdi ve çıktı verisinin mekânsal çözünürlüğünün aynı olduğu görülmüştür. Dört alanda, iki ayrı tarihteki toplam sekiz uydu görüntüsünün derin öğrenme çıktısı sonucunda üç görüntüde bina sayısı fazla çıkarken, bir tanesinde aynı sayıda yapı tespit edilmiştir. Dört görüntüde ise derin öğrenme çıktısındaki bina sayısı, saha tespitindeki sayıdan daha az olarak görülmüştür. Aynı tarihte yapılan karşılaştırmalarda, eğitim verisine dahil edilmeyen nesnelerin de bina olarak algılandığı ve bitişik nizamlı farklı binaların tek bir yapı gibi tanımlandığı gözlemlenmiştir. Bu durum, modelin iyileştirilmesi ve eğitim veri setinin daha kapsamlı hale getirilmesi gerektiğini göstermektedir.