HAVA GÖRÜNTÜLERİNDE DERİN ÖĞRENME TABANLI DEĞİŞİM TESPİTİ: DEPREMSONRASI YAPISAL HASAR ANALİZİ İÇİN SİAMESE U-NET YAKLAŞIMI
17thÇUKUROVA INTERNATIONALSCIENTIFICRESEARCH CONGRESS, Adana, Türkiye, 10 - 12 Temmuz 2026, ss.340-348, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Basıldığı Şehir: Adana
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.340-348
- Yozgat Bozok Üniversitesi Adresli: Evet
Özet
Büyük ölçekli doğal afetler sonrasında meydana gelen yapısal hasarın hızlı, güvenilir ve geniş alanlarıkapsayacak biçimde belirlenmesi; arama-kurtarma faaliyetlerinin planlanması, yardım kaynaklarınınetkin dağıtımı ve afet yönetimi süreçlerinin yürütülmesi açısından kritik bir gereksinimdir. 6 Şubat 2023Kahramanmaraş depremlerinde 50.000'i aşkın can kaybı yaşanmış, onlarca ilde binlerce yapı kısa süreiçinde yıkılmıştır. Bu ölçekteki afetlerde sahadaki koşulların ağırlığı ve etkilenen alanların genişliği gözönünde bulundurulduğunda, uzaktan algılama görüntüleri üzerinden gerçekleştirilen otomatik hasartespiti vazgeçilmez bir araç hâline gelmektedir. Literatürde bu amaçla piksel tabanlı, el yapımı özniteliktabanlı ve makine öğrenmesi tabanlı çeşitli değişim tespiti yöntemleri geliştirilmiştir. Ancak pikseltabanlı yöntemler gürültüye duyarlı olup mekânsal bağlamı yeterince temsil edememekte; el yapımıöznitelik tabanlı yaklaşımlar ise yapı tipi ve geometrisi bakımından çeşitlilik gösteren bölgelerdeyetersiz kalmaktadır. Derin öğrenme tabanlı çalışmaların büyük çoğunluğu ise tek zamanlı görüntüanalizi veya ara karar mekanizmalarına dayandığından, iki görüntü arasındaki değişimi doğrudan veuçtan uca öğrenebilen bütünleşik mimarilere duyulan ihtiyaç karşılanamamaktadır.Bu çalışmada deprem öncesi ve sonrasına ait çift zamanlı hava görüntülerinden yapı seviyesindemeydana gelen değişimleri doğrudan öğrenebilen Siamese U-Net mimarisi önerilmektedir. Önerilenmodel, iki zamana ait görüntü çiftini paralel evrişimsel kodlayıcılar aracılığıyla işlemekte; çıkarılanöznitelik haritaları arasındaki fark bilgisi birleştirme katmanları ile U-Net kod çözücüsüne aktarılarakpiksel düzeyinde değişim maskesi üretilmektedir. Model, deprem öncesi ve sonrası uydu görüntülerinive yapı düzeyinde hasar etiketlerini içeren büyük ölçekli xView2 veri seti üzerinden elde edilen 2000görüntü çifti ile eğitilmiş; veri seti %85 eğitim ve %15 doğrulama olarak ayrılmıştır. Doğrulama kümesiaynı zamanda nihai model performansının değerlendirilmesi amacıyla kullanılmıştır. Eğitim sürecindeF1-skoru 0.5540, IoU 0.3498, kesinlik (Precision) 0.437 ve duyarlılık (Recall) 0.637 olarak eldeedilmiştir. Doğrulama kümesi üzerinde ise F1-skoru 0.5102 ve IoU 0.3425 değerlerine ulaşılmıştır.Önerilen yaklaşım, değişim bilgisini el yapımı öznitelikler veya ara mekanizmalar aracılığıyla değil, ikizamana ait görüntü çiftinden uçtan uca öğrenerek literatürdeki temel eksikliği gidermektedir. Bu sayedeafet bölgelerinde yapısal hasarın hızlı ve güvenilir biçimde haritalanması hedeflenmekte; acil müdahaleve yeniden yapılanma süreçlerinin daha etkin planlanmasına katkı sağlanması amaçlanmaktadır.