Enhancing disaster management through deep learning: Building damage assessment using satellite imagery

Abstract

In the face of increasingly frequent and severe natural disasters, the need for rapid, accurate, and scalable damage assessment tools has become more critical than ever. This study explores the integration of artificial intelligence (AI), specifically deep learning models, into the post-disaster response process to improve situational awareness and facilitate effective decision-making. Focusing on the case of Antakya, a city in Turkey severely impacted by the catastrophic February 6, 2023 earthquakes, the study presents a comprehensive framework that leverages satellite imagery and AI-driven segmentation to detect and analyze building damage. The primary goal of this research is to develop a deep learning-based pipeline capable of automatically identifying buildings in satellite imagery and assessing damage. A customized U-Net architecture was implemented due to its proven performance in semantic segmentation tasks. The model was trained on a curated subset of the xBD dataset, consisting of over 5,000 high-resolution satellite images labeled with building footprints and damage levels. Additional building footprint masks were generated using OpenCV and shapely operations on JSON annotations, with all images resized to 256x256 pixels and normalized for consistency. Visual evaluation played a significant role in validating the quality of segmentation outputs. Eight representative validation examples were analyzed, each showing the original satellite image, the ground truth mask, and the model's predicted binary mask. These visuals confirmed the model's ability to accurately detect most building structures, especially those with clear edges and uniform textures. Challenges remained in areas with heavy vegetation, shadows, or highly irregular building shapes, which occasionally led to false negatives or incomplete segmentation. To assess generalization beyond the training dataset, the model was tested on five pairs of pre- and post-disaster satellite images of Antakya, independently acquired using Google Earth Pro. These images were not part of the original training or validation data, offering an authentic test of the model's real-world applicability. Results demonstrated the model's robustness in detecting building footprints even in domains with different visual characteristics. The predicted masks and overlaid polygons on real-world imagery aligned well with visible structures, and heatmaps generated from the predictions successfully highlighted areas of dense or missing construction, providing visual insights into structural loss. The study also introduced building density heatmaps for both pre- and post-earthquake conditions in Antakya. These heatmaps offered an interpretable spatial visualization of predicted building footprints, highlighting the contrast in structural integrity before and after the disaster. A comparative analysis across five regions (Ant1–Ant5) revealed noticeable declines in building density, especially in urban cores, thereby validating the model's ability to capture large-scale damage patterns. Overall, the presented thesis confirms that AI-powered segmentation models such as U-Net can be effectively deployed for post-disaster damage mapping. While limitations exist, including dependency on high-quality imagery and the risk of under-segmentation in complex zones, the proposed system offers a scalable and efficient solution for disaster response. By automating the assessment process, the framework reduces response time and enhances decision-making in critical scenarios. The findings of this study contribute to the growing body of work advocating for the use of AI in humanitarian operations and establish a foundation for future improvements, including the integration of multi-modal data and advanced model architectures. This thesis ultimately demonstrates the transformative potential of AI in disaster management, emphasizing its ability to support faster, more informed, and more equitable emergency responses in the wake of large-scale catastrophes.

Doğal afetlerin sıklığı ve şiddeti küresel ölçekte artarken, afet sonrası müdahalelerde hızlı, doğru ve ölçeklenebilir hasar tespit araçlarına duyulan ihtiyaç her zamankinden daha hayati hale gelmiştir. Bu tez çalışması, yapay zekânın (YZ) afet yönetiminde nasıl dönüştürücü bir rol oynayabileceğini araştırmakta ve özellikle derin öğrenme tekniklerinin, uydu görüntüleri üzerinden bina hasarlarını tespit etmek amacıyla nasıl kullanılabileceğini ortaya koymaktadır. Sunulan tez çalışması, 6 Şubat 2023 tarihinde Türkiye'nin güneydoğusunda meydana gelen ve büyük yıkıma neden olan Kahramanmaraş merkezli depremlerden ciddi şekilde etkilenen Antakya şehri üzerinde odaklanmıştır. Bu bölge, afet sonrası analizler için oldukça karmaşık ve çeşitli yapısal örüntülere sahip olduğundan, derin öğrenme tabanlı sistemlerin başarısını değerlendirmek için ideal bir örnek teşkil etmektedir. Bu çalışmanın temel amacı, yüksek çözünürlüklü uydu görüntüleri kullanarak binaların otomatik olarak tespiti ve hasar durumlarının analiz edilmesini sağlayan derin öğrenme tabanlı bir sistem geliştirmektir. Bu amaç doğrultusunda, semantik segmentasyon görevlerinde yaygın olarak kullanılan ve başarılı sonuçlar verdiği bilinen U-Net mimarisi uygulanmıştır. Modelin eğitimi, xBD (Extreme Building Damage) veri setinden özenle seçilen 5.000'den fazla görüntü üzerinde gerçekleştirilmiştir. Bu veri seti, her biri binaların konumları ve hasar durumları ile etiketlenmiş çok sayıda yüksek çözünürlüklü uydu görüntüsünü içermektedir. Veri setinde bulunan poligon biçimindeki bina etiketleri, JSON formatında sunulmuş olup, OpenCV ve Shapely gibi Python kütüphaneleri kullanılarak ikili (binary) maske formatına dönüştürülmüştür. Bu dönüşüm sürecinde her bir binanın içi 1 değeriyle, dışı ise 0 değeriyle temsil edilmiştir. Ardından, tüm görüntüler model giriş boyutlarına uygun şekilde 256x256 piksele yeniden boyutlandırılmış ve [0, 1] aralığında normalize edilmiştir. Eğitim sürecinde kullanılan özel PyTorch Dataset sınıfı sayesinde, her görüntü ve karşılık gelen maskesi senkronize bir şekilde modele sunulmuştur. Model, eğitim sırasında 10 epoch boyunca Adam optimizasyon algoritması ve BCELoss fonksiyonu ile eğitilmiştir. Eğitim ve doğrulama veri kümeleri rastgele %80 - %20 oranında ayrılmıştır. Eğitim sürecinde modelin öğrenme kapasitesi hem kayıp değerlerinin (loss) düşüşü hem de doğrulama setindeki başarımı ile izlenmiştir. Ortalama eğitim kaybı (training loss) sürekli olarak azalmış ve doğrulama seti üzerinde ortalama F1-Skoru 0,67, IoU değeri ise yaklaşık 0,48 olarak ölçülmüştür. Bu, modelin bina segmentasyonu konusunda başarılı bir genelleme yeteneği gösterdiğini ortaya koymuştur. Modelin çıktıları yalnızca sayısal metriklerle değil, aynı zamanda görsel değerlendirme ile de incelenmiştir. Sekiz farklı doğrulama örneği seçilerek her biri üç panelden oluşan görsellerle analiz edilmiştir: modelin tahmin ettiği bina poligonlarının uydu görüntüsü üzerine bindirildiği görsel, gerçek bina maskesi (ground truth) ve modelin ürettiği tahmini maske. Bu karşılaştırmalar, modelin özellikle düzenli, net kenarlı ve açık renkli binaları başarıyla tespit ettiğini göstermiştir. Öte yandan, ağaçlık alanlar, gölgeli yapılar ve düzensiz bina şekilleri gibi karmaşık durumlarda model zaman zaman hatalı tahminlerde bulunmuştur. Modelin eğitim veri seti dışında nasıl performans gösterdiğini görmek amacıyla, Antakya şehrine ait beş farklı bölgeden (Ant1–Ant5) elde edilen öncesi ve sonrası görüntüler Google Earth Pro kullanılarak bağımsız biçimde toplanmıştır. Bu görüntüler üzerinde modelin tahmin ettiği bina maskeleri ve oluşturulan poligonlar, gerçek görüntülerle oldukça yüksek uyum göstermiştir. Bu durum, modelin eğitim verisinin dışında kalan alanlarda da etkin biçimde çalışabildiğini ortaya koymaktadır. Ayrıca, modelin tahmin çıktılarından elde edilen bina yoğunluğu haritaları (heatmap) hem deprem öncesi hem de sonrası durumlar için oluşturulmuştur. Bu ısı haritaları, kentsel dokunun mekânsal değişimini analiz etmek için güçlü bir araç sağlamış, özellikle şehir merkezlerinde bina yoğunluğunun azaldığını görsel olarak ortaya koymuştur. Bu analizler, modelin yalnızca bireysel bina tespiti değil, aynı zamanda büyük ölçekli yapısal kayıpların haritalanmasında da kullanılabileceğini göstermiştir. Modelin başarılarının yanında bazı sınırlılıkları da göz ardı edilmemelidir. Segmentasyon kalitesinin yüksek olması için kullanılan uydu görüntülerinin çözünürlüğü ve kalitesi büyük önem taşımaktadır. Ayrıca, yoğun bitki örtüsü, gölge ve karmaşık mimari desenler, modelin doğruluğunu olumsuz etkileyebilmektedir. Yine de genel olarak modelin doğruluk, hassasiyet ve genelleme yeteneği oldukça başarılıdır. Bu çalışmanın literatürdeki benzer araştırmalarla karşılaştırılmasında, U-Net mimarisinin sadeliği, eğitim süresinin kısalığı ve hesaplama verimliliği ön plana çıkmaktadır. Mevcut model, kaynak sınırlaması olan durumlarda dahi uygulanabilir bir yapı sunmaktadır. Ayrıca, modelin ölçeklenebilirliği, farklı coğrafyalarda ve diğer afet türlerinde de benzer yaklaşımların uygulanabileceğini göstermektedir. Bu veriler, modelin yüksek hassasiyetle çalıştığını, ancak bazı bölgelerde eksik tespitlere neden olabilecek sınırlamaların da olduğunu ortaya koymaktadır. Özellikle Microsoft veri setinin bütüncül ve güvenilir bir kaynak olması göz önünde bulundurulduğunda, elde edilen sonuçlar tatmin edici olarak değerlendirilmektedir. Sonuç olarak, sunulan tez çalışması yapay zekâ destekli derin öğrenme modellerinin afet sonrası hasar tespitinde uygulanabilirliğini kapsamlı bir şekilde ortaya koymaktadır. Geliştirilen sistem, karar vericilere hızlı ve güvenilir bilgi sunarak müdahale süreçlerini iyileştirme potansiyeline sahiptir. Aynı zamanda çok modelli verilerin (örneğin; drone görüntüleri, harita katmanları) entegrasyonu ve gelişmiş ağ mimarilerinin (örneğin; U-Net++ veya Transformer tabanlı segmentasyon modelleri) dahil edilmesiyle bu sistemlerin daha da güçlü hâle getirilebileceği değerlendirilmektedir. Bu kapsamlı çalışma yalnızca teknik bir modelleme değil, aynı zamanda afet sonrası karar alma süreçlerinde kullanılabilecek bütüncül bir sistemin temelini oluşturmaktadır. Elde edilen çıktılar, acil durum yönetimi ekipleri, yerel yönetimler ve insani yardım kuruluşları için oldukça değerli olup, müdahale sürecinin ilk saatlerinde hızlı bir şekilde hasar durumu hakkında bilgi edinmeyi mümkün kılmaktadır. Bu da, "altın saatler" olarak adlandırılan kritik zaman diliminde kaynakların etkin dağıtımını ve önceliklendirilmesini desteklemektedir. Geliştirilen sistemin gelecekte afet yönetimi karar destek platformlarına entegre edilmesi, sahadan gelen diğer veri kaynaklarıyla (örneğin sosyal medya analizleri, sensör verileri, mobil uygulama bildirimleri) birlikte kullanılarak çok katmanlı bir analiz ortamı yaratabilir. Böylece afetlere müdahale süreci daha dinamik, esnek ve veriye dayalı hâle getirilebilir. Bu bağlamda, çalışma yalnızca teknik bir uygulama değil, aynı zamanda afet yönetimi süreçlerinin dijital dönüşümüne katkı sağlayan stratejik bir öneri niteliği taşımaktadır. Hem Türkiye özelinde hem de küresel ölçekte afet yönetimi politikalarının daha etkili hâle getirilmesi için yapay zekâ teknolojilerinin aktif şekilde entegre edilmesi gerektiği bu tezde açıkça vurgulanmıştır.