چکیده

با توجه به نرخ بالای شهرنشینی و افزایش تنوع مکانی-زمانی در بسیاری از شهرهای امروزی، اطلاعات قرار گرفتن در معرض اغلب قدیمی، بسیار انباشته یا از نظر فضایی تکه تکه شده‌اند و عدم قطعیت‌های مرتبط با ارزیابی خطر لرزه‌ای را افزایش می‌دهند. بنابراین هدف این کار استفاده از فناوری‌های مبتنی بر فضا برای تخمین، تکمیل و گسترش داده‌های نوردهی در مقیاس‌های مختلف، در مناطق بزرگ و با هزینه نسبتاً کم برای مورد شهر بیشکک، قرقیزستان است. در مقیاس همسایگی، تحلیلی از سازه‌های شهری با استفاده از تصاویر ماهواره‌ای نوری با وضوح متوسط انجام می‌شود. با استفاده از طبقه بندی تصویر و تجزیه و تحلیل تشخیص تغییر در یک سری زمانی از تصاویر Landsat، محیط شهری را می توان به مناطقی از انواع ساختار شهری نسبتاً همگن ترسیم کرد. که می تواند اولین تخمین از یک ساختمان در معرض دید را ارائه دهد (به عنوان مثال، سن تقریبی سازه ها، ترکیب و توزیع انواع ساختمان های غالب). در مقیاس ساختمان به ساختمان، تجزیه و تحلیل دقیق تری از استوک ساختمان در معرض با استفاده از یک تصویر Quickbird با وضوح بالا انجام می شود. علاوه بر این، مجموعه داده‌های چند وضوحی با داده‌های سرشماری ترکیب می‌شوند تا آمار جمعیت را تفکیک کنند. ابزارهای مورد استفاده در این مطالعه بر اساس منبع آزاد و منبع باز توسعه یافته اند و با هدف شفاف، قابل استفاده و قابل انتقال هستند. مجموعه داده های چند وضوحی با داده های سرشماری ترکیب می شوند تا آمار جمعیت را تفکیک کنند. ابزارهای مورد استفاده در این مطالعه بر اساس منبع آزاد و منبع باز توسعه یافته اند و با هدف شفاف، قابل استفاده و قابل انتقال هستند. مجموعه داده های چند وضوحی با داده های سرشماری ترکیب می شوند تا آمار جمعیت را تفکیک کنند. ابزارهای مورد استفاده در این مطالعه بر اساس منبع آزاد و منبع باز توسعه یافته اند و با هدف شفاف، قابل استفاده و قابل انتقال هستند.

کلید واژه ها:

سنجش از دور ؛ مدیریت بلایا/ریسک ؛ برآورد قرار گرفتن در معرض زلزله ها

1. مقدمه

یک مدل ریسک لرزه ای استاندارد از ماژول های خطر، قرار گرفتن در معرض و آسیب پذیری تشکیل شده است [ 1 ]. قرار گرفتن در معرض در چارچوب ارزیابی خطر لرزه ای به دارایی ها یا جمعیتی اشاره دارد که هنگام وقوع زلزله در معرض خطر هستند. بسته به مقیاس تجزیه و تحلیل، داده‌های مواجهه ممکن است از توصیف دقیق ویژگی‌ها و مکان‌های سازه‌هایی که ممکن است آسیب ببینند، مانند ساختمان‌ها یا خطوط حمل‌ونقل، تا مدل‌های ترکیبی جمع‌آوری شده برای واحدهای جغرافیایی بزرگ‌تر، مانند واحدهای اداری، شهرها یا کشورها متفاوت باشد. هنگامی که ویژگی های سازه ای قابل توجهی در دسترس باشد (به عنوان مثال، نوع ساخت، سن ساختمان یا ارتفاع ساختمان)، آسیب پذیری سازه ها را می توان با استفاده از یکی از روش های مختلفی که در ادبیات پیشنهاد شده است ارزیابی کرد [ 1 ].]. بنابراین مکان و ویژگی های سازه ها مبنایی حیاتی برای محاسبه خسارت و زیان اقتصادی در صورت وقوع زلزله فراهم می کند. این علاوه بر این اطلاعاتی در مورد قرار گرفتن در معرض انسان می دهد زیرا سازه های مسکونی در مناطق خطرناک نشان می دهد که افراد احتمالاً در معرض آسیب یا مرگ قرار می گیرند، به عنوان مثال، هنگام فروریختن یک ساختمان [ 2 ]]. به دلیل تنوع مکانی-زمانی بالا در بسیاری از شهرهای امروزی، دولت‌های محلی اغلب قادر به پیگیری ساختمان‌های در معرض خطر و جمعیت آن نیستند تا تلاش‌های کاهش خطر بلایا را بر این اساس تنظیم کنند. این امر به ویژه در کشورهای در حال توسعه که رشد سریع شهری اغلب با سکونتگاه‌های برنامه‌ریزی نشده همراه است، که به سرعت در دوره‌های کوتاه تغییر می‌کنند و به‌علاوه اغلب از نظر ساختاری و اجتماعی در برابر مخاطرات طبیعی بسیار آسیب‌پذیر هستند، صادق است. در این زمینه، سنجش از دور ماهواره‌ای به‌طور فزاینده‌ای به‌عنوان یک افزودنی ارزشمند برای روش‌های غربالگری مبتنی بر زمین، اما زمان‌بر و هزینه‌بر شناخته می‌شود [ 3 ]] برای ارائه داده های مواجهه برای ارزیابی خطر بلایا. مزایای اصلی یک رویکرد مبتنی بر ماهواره، توانایی آن در تجزیه و تحلیل عناصر مورد علاقه در مقیاس های مکانی و زمانی مختلف، در حالی که مناطق جغرافیایی بزرگ را با هزینه های نسبتاً پایین پوشش می دهد [ 2 ] است. امکان اتوماسیون فرآیند نیز امکان تجزیه و تحلیل سریع را فراهم می کند.

دو استراتژی اصلی برای تخمین اطلاعات مواجهه را می توان در ادبیات متمایز کرد: نمونه گیری و شمارش کامل. نمونه‌گیری این مزیت را دارد که تنها نواحی کوچک زیرمجموعه‌ای از یک تصویر باید به تفصیل تجزیه و تحلیل شوند تا امکان تخمین آمار خلاصه برای کل شهر یا اقشار کاملاً مشخص، در صورت استفاده از نمونه‌گیری طبقه‌ای [ 4 ] فراهم شود. ارلیخ و همکاران [ 5] از ترکیبی از پردازش تصویر مبتنی بر بافت، نمونه‌برداری آماری و تفسیر عکس برای تعیین کمیت یک ساختمان از نظر تعداد ساختمان‌ها، توزیع مناطق ساخته‌شده و اندازه ساختمان استفاده می‌کند. شمارش کامل از تصاویر ماهواره ای به تشخیص و تعریف هر ساختمان در یک منطقه مورد مطالعه اشاره دارد. بنابراین به طور بالقوه می تواند به دقت و سطوح بالایی از جزئیات دست یابد، اما معمولاً به کار بیشتری نیاز دارد. با این حال، این می تواند با اتوماسیون زنجیره های پردازش تصویر کاهش یابد. رویکردهای محلی سازی ساختمان ها و استخراج ردپای آنها از داده های ماهواره ای با وضوح بالا از دیجیتالی سازی دستی [ 6 ] تا روش های طبقه بندی خودکار مبتنی بر شی [ 7 ] را شامل می شود.]. استخراج و استخراج ویژگی‌های اضافی ساختمان در معرض دید از داده‌های سنجش از دور، مانند سن ساختمان‌ها، نوع ساخت و ساز یا تراکم ساختمان، تعریف دقیق‌تری از سازه‌های در معرض دید را ممکن می‌سازد. در این زمینه، رویکردهای چند حسگر/چند رزولوشن [ 8 ]، که تصاویر ماهواره‌ای از انواع مختلف و وضوح‌های فضایی را ترکیب می‌کنند، به نظر می‌رسد افزوده‌ای امیدوارکننده به رویکردهای صرفاً حسگر محور با وضوح بالا. برای تخمین قرار گرفتن در معرض انسان از نظر توزیع جمعیت، روش‌های زیادی در ادبیات گزارش شده است [ 9 ]. علاوه بر رویکردهای پایین به بالا، که از درجا استفاده می کنندداده‌های نظرسنجی، مطالعات بر روی تخمین جمعیت عموماً از داده‌های جانبی مانند سوابق سرشماری به عنوان منبع داده اولیه استفاده می‌کنند. محصولات سنجش از دور (مثلاً طبقه‌بندی‌های کاربری/پوشش زمین) را می‌توان برای تفکیک و برون‌یابی داده‌های سرشماری، که عموماً در واحدهای اداری مصنوعی جمع‌آوری می‌کنند، به نهادهای جغرافیایی معنادارتر مورد استفاده قرار داد. یک رویکرد پرکاربرد در ترکیب با سنجش از دور، روش داسیمتری است که معمولاً به عنوان یک مدل پایدار و دقیق مورد احترام است که کمتر به خطای طبقه‌بندی تصاویر بستگی دارد تا به کیفیت داده‌های جانبی مورد استفاده به عنوان ورودی [ 9 ].

هدف این مطالعه تجزیه و تحلیل محیط شهری با توجه به ترکیب و الگوهای تکامل زمانی آن، و استخراج سازه‌ها به همراه ویژگی‌های اصلی آنها از تصاویر ماهواره‌ای چند حسگر/چند رزولوشن برای مورد بیشکک، قرقیزستان است. در مقیاس همسایگی، تصاویر ماهواره‌ای نوری با وضوح متوسط برای ترسیم محیط شهری به مناطقی از انواع ساختار شهری نسبتاً همگن استفاده می‌شود، که می‌تواند اولین تخمین از ساختمان در معرض دید را ارائه دهد. سن تقریبی سازه ها از تجزیه و تحلیل تشخیص تغییر چند زمانی یک سری زمانی از تصاویر Landsat به دست آمده است. ترکیب و توزیع انواع ساختمان های غالب از یک تصویر اخیر Landsat با استفاده از طبقه بندی تصاویر نظارت شده استخراج شده است. در مقیاس ساختمان به ساختمان، شمارش کامل ساختمان در معرض با استفاده از تصاویر ماهواره ای نوری با وضوح بالا انجام شده است. این شامل ترسیم دقیق ساختارها با استفاده از روش تجزیه و تحلیل تصویر مبتنی بر شیء نیمه اتوماتیک است که توسط یادگیری آماری پشتیبانی می شود. علاوه بر این، محصولات سنجش از دور یکپارچه شده و با داده‌های جانبی ترکیب می‌شوند تا اطلاعات بیشتری درباره قرار گرفتن در معرض قرار گرفته و آمارهای جمعیتی را که از یک گزارش سرشماری به دست می‌آیند تفکیک کنند. ابزارهای مورد استفاده در این مطالعه بر اساس منبع باز توسعه می‌یابند تا درجه بالایی از شفافیت، قابلیت استفاده و قابلیت انتقال را فراهم کنند. این شامل ترسیم دقیق ساختارها با استفاده از روش تجزیه و تحلیل تصویر مبتنی بر شیء نیمه اتوماتیک است که توسط یادگیری آماری پشتیبانی می شود. علاوه بر این، محصولات سنجش از دور یکپارچه شده و با داده‌های جانبی ترکیب می‌شوند تا اطلاعات بیشتری درباره قرار گرفتن در معرض قرار گرفته و آمارهای جمعیتی را که از یک گزارش سرشماری به دست می‌آیند تفکیک کنند. ابزارهای مورد استفاده در این مطالعه بر اساس منبع باز توسعه می‌یابند تا درجه بالایی از شفافیت، قابلیت استفاده و قابلیت انتقال را فراهم کنند. این شامل ترسیم دقیق ساختارها با استفاده از روش تجزیه و تحلیل تصویر مبتنی بر شیء نیمه اتوماتیک است که توسط یادگیری آماری پشتیبانی می شود. علاوه بر این، محصولات سنجش از دور یکپارچه شده و با داده‌های جانبی ترکیب می‌شوند تا اطلاعات بیشتری درباره قرار گرفتن در معرض قرار گرفته و آمارهای جمعیتی را که از یک گزارش سرشماری به دست می‌آیند تفکیک کنند. ابزارهای مورد استفاده در این مطالعه بر اساس منبع باز توسعه می‌یابند تا درجه بالایی از شفافیت، قابلیت استفاده و قابلیت انتقال را فراهم کنند.

2. منطقه مطالعه و مجموعه داده ها

بیشکک، پایتخت قرقیزستان، بزرگترین شهر این کشور است [ 10 ] و در ارتفاع حدود 750 متری از سطح دریا در حاشیه شمالی رشته کوه آلا تو قرقیزستان در مرکز حوضه چو واقع شده است. این شهر در یکی از خطرناک ترین مناطق از نظر لرزه ای در آسیای مرکزی قرار دارد ( شکل 1 (الف)). نقشه خطر لرزه ای جهانی GSHAP [ 11 ] اوج شتاب زمینی (PGA) 4 متر بر ثانیه را با احتمال 10 درصد تجاوز در 50 سال برای منطقه بیشکک نشان می دهد. یک سناریوی خطر لرزه ای که در مقیاس شهر برای بیشکک انجام شده است، که یک زلزله 7.5 ریشتری را در امتداد گسل ایسیک آتا در امتداد حومه جنوبی شهر در نظر می گیرد ( شکل 1)(ب))، تخمین می زند که 30 درصد ساختمان ها فرو می ریزند و 63 درصد ساختمان ها به شدت آسیب خواهند دید [ 12 ]. در دهه های اخیر، بیشکک به سرعت گسترش یافته است و نه داده های به روز قرار گرفتن در معرض و نه اطلاعات آسیب پذیری برای بخش های بزرگی از شهر در دسترس نیست. همچنین داده های مورد استفاده در Bindi et al . [ 12 ] به‌شدت برای کل شهر جمع‌آوری می‌شوند و امکان ارزیابی ریسک از لحاظ مکانی دقیق‌تر را که برای برنامه‌ریزی و تنظیم کافی تلاش‌های کاهش ریسک لازم باشد، نمی‌دهند. بنابراین، روش‌های سنجش از دور به عنوان راهی برای به‌روزرسانی و گسترش داده‌های مواجهه موجود و ارائه مبنایی برای ارزیابی ریسک لرزه‌ای در بیشکک پیشنهاد شده‌اند.

شکل 1. ( الف ) موقعیت و خطر لرزه ای منطقه مورد مطالعه (GSHAP [ 11 ]). ( ب ) نمای کلی منطقه شهری بیشکک، نشان دهنده وسعت تصاویر Landsat و Quickbird استفاده شده (تصویر پس زمینه: Landsat TM، 2009).

تجزیه و تحلیل داده های سنجش از دور در این مطالعه یک فرآیند چند مرحله ای با استفاده از حسگرهای ماهواره ای با ویژگی های مختلف هندسی، طیفی و رادیومتری است. برای تجزیه و تحلیل سازه های شهری در مقیاس محله، از تصاویر نقشه برداری موضوعی لندست (TM) (0.45-12.5 میکرومتر در 7 باند طیفی؛ وضوح رادیومتری 8 بیت؛ 30 متر (120 متر در باند حرارتی) وضوح هندسی) و اسکنر چند طیفی (MSS) (0.5-1.1 میکرومتر در 4 باند طیفی؛ وضوح رادیومتری 6-7 بیت؛ وضوح هندسی 60 متر). هر دو سنسور ماهواره‌ای دارای پهنای بزرگی هستند که به شهری مانند بیشکک اجازه می‌دهد تنها در یک تصویر ثبت شود. یک آرشیو داده با دسترسی آزاد که به سال 1972 باز می گردد در ترکیب با دوره بازدید مجدد 16 روزه از ماهواره ها، مجموعه لندست را به مجموعه داده با ارزشی برای تجزیه و تحلیل سری های زمانی تبدیل می کند.

3. تجزیه و تحلیل تصاویر ماهواره ای نوری با وضوح متوسط

اطلاعات نوردهی مربوط به انبار ساختمان را می توان مستقیماً در مقیاس ساختمان به ساختمان از تصاویر ماهواره ای با وضوح بالا استخراج کرد یا به طور غیرمستقیم بر اساس شناسایی انواع ساختار شهری که ساختمان ها در آن قرار دارند [ 13 ]. انواع ساختار شهری در این مطالعه به عنوان مناطقی تعریف شده است که در تصاویر ماهواره ای با وضوح متوسط از نظر ظاهر فیزیکی (پوشش زمین) و کاربری (کاربری زمین) و همچنین سن تقریبی آنها نسبتاً همگن هستند. تخمین نوردهی از تصاویر ماهواره ای با وضوح متوسط نیز می تواند به عنوان یک مشکل تخمین یک جمعیت ناشناخته دیده شود [ 14 ]]. در مورد اطلاعات قرار گرفتن در معرض، جمعیت مورد علاقه به ترکیب ساختار شهری مرتبط است و بنابراین به احتمال زیاد تنوع زیادی در رابطه با تفاوت در کاربری/پوشش زمین (LULC)، سن سازه‌ها و سایر پارامترهای اجتماعی-اقتصادی نشان می‌دهد. بنابراین، طبقه‌بندی جمعیت به زیرجمعیت‌هایی تا حد امکان همگن می‌تواند در مقیاس همسایگی اولین تخمین معقول از انبار ساختمانی در معرض دید در مناطق وسیع را ارائه دهد. استخراج سازه‌های شهری از سنجش از دور با ترکیب طبقه‌بندی LULC با سن سازه‌ها در یک لایه موضوعی جدید توسط تقاطع فضایی انجام می‌شود. بنابراین خروجی نهایی این مرحله تحلیل، ساختارهای شهری را نشان می‌دهد که در مقیاس همسایگی جمع‌آوری شده از نظر LULC غالب و سن تقریبی نسبتاً همگن هستند. هنگامی که روی یک تصویر پرز پرنده با وضوح بالا قرار می گیرد، می توان دریافت که این رویکرد قادر است مناطقی از ساختارهای مختلف شهری در شهر را بر اساس تجزیه و تحلیل تصاویر ماهواره ای با وضوح متوسط مشخص کند.شکل 2 ). شرح مراحل پردازش که برای استخراج سازه های شهری انجام شده است در ادامه آورده شده است. شرح مفصل تر از گردش کار و مراحل مختلف تجزیه و تحلیل را می توان در Wieland و همکاران یافت. 2012 [ 4 ].

شکل 2. زیرمجموعه طبقه بندی انواع ساختار شهری از تجزیه و تحلیل تصاویر ماهواره ای با وضوح متوسط (بر روی تصویر Quickbird قرار گرفته است).

3.1. عصر سازه ها

برای تعیین کمیت تغییرات در محیط شهری و استخراج اطلاعات در مورد سن تقریبی سازه‌ها، ما تشخیص تغییر را برای یک سری زمانی از تصاویر Landsat TM و MSS اعمال می‌کنیم که گستره فضایی یکسانی را در زمان‌های مختلف پوشش می‌دهند (1977، 1994 و 2009). . تمامی تصاویر ماهواره ای به صورت هندسی تصحیح و به صورت مشترک در یکدیگر ثبت شده اند. مقایسه پس از طبقه‌بندی به‌عنوان روش ترجیحی تشخیص تغییر انتخاب شد، زیرا انواع مختلف تصویر ورودی و این واقعیت که مستقیماً اطلاعاتی در مورد نرخ تغییر، جهت و توزیع ارائه می‌کند [ 15 ]]. برای مقایسه پس از طبقه‌بندی، طبقه‌بندی‌های LULC باینری که مناطق ساخته‌شده را از غیرساخته‌شده برای سه تصویر ورودی متمایز می‌کند، تولید شده و بر اساس پیکسل به پیکسل با یکدیگر مقایسه می‌شوند تا یک ماتریس تغییر به دست آید. ماتریس تغییر اطلاعات “از به” هر کلاس LULC را ارائه می دهد که به فرد امکان می دهد تغییرات را شناسایی و تجزیه و تحلیل کند. طبقه بندی های LULC باینری فردی با استفاده از رویکرد مبتنی بر شی انجام شده است. تصاویر با استفاده از یک الگوریتم تقسیم بندی مبتنی بر نمودار [ 16 ] قطعه بندی شدند و به طور خودکار توسط یک مدل یادگیری آماری ماشین های بردار پشتیبان (SVM) برچسب گذاری شدند. SVM طبقه بندی کننده ای است که از تئوری یادگیری آماری مشتق شده است [ 17]. SVMها یک فضای ویژگی را به روش محاسباتی کارآمد با شناسایی یک ابر صفحه جداکننده بهینه با توجه به ویژگی‌های نمونه‌های آموزشی انتخاب شده تقسیم می‌کنند [ 18 ]. طبقه بندی کننده به طور خاص برای تمایز بین مناطق ساخته شده و غیر ساخته شده در تصاویر Landsat آموزش دیده است ( شکل 3 ).

شکل 3. گستره شهری بیشکک در سال های 1977، 1994 و 2009. نقشه های باینری از تصاویر Landsat TM و MSS با استفاده از طبقه بندی تصاویر مبتنی بر شیء نظارت شده استخراج شده اند.

از آنجایی که دقت مقایسه پس از طبقه‌بندی عمدتاً به دقت طبقه‌بندی‌های LULC منفرد تصاویر ورودی بستگی دارد، منحنی‌های ویژگی‌های عملیاتی گیرنده (ROC) [ 19 ] از ماتریس‌های خطا برای طبقه‌بندی‌های مختلف شهری استخراج شده‌اند ( شکل 4).). نمونه‌های آزمایشی به‌طور تصادفی برای هر خروجی طبقه‌بندی پس از یک نمونه‌گیری طبقه‌بندی شده با تخصیص متناسب بسته به مساحت کلاس‌ها انتخاب شده‌اند. نمونه های آزمایشی شناسایی شده به صورت دستی بر اساس تفسیر بصری تصاویر ورودی برچسب گذاری شده اند. تفاوت در عملکرد طبقه بندی کننده هم به تفاوت در وضوح طیفی و فضایی بین Landsat TM (2009، 1994) و MSS (1977) و هم به نمونه های آموزشی مورد استفاده برای آموزش ماشین یادگیری (در دسترس بودن داده های واقعی زمینی قابل اعتماد بستگی دارد). برای 1977 محدود است، به عنوان مثال، با توجه به تصاویر جدیدتر).

شکل 4. منحنی های ROC برای طبقه بندی های محدوده شهری از Landsat TM و MSS.

3.2. انواع ساختمان

LULC اطلاعاتی در مورد نوع ساختمان غالب ارائه می دهد. تجزیه و تحلیل داده‌های موجودی ساختمان و طرح‌های طبقه‌بندی موجود برای انبار ساختمان قرقیزستان [ 20 ] امکان شناسایی 7 کلاس LULC ساخته‌شده برای بیشکک را فراهم می‌کند که می‌توانند شناسایی و از تصاویر ماهواره‌ای با وضوح متوسط متمایز شوند ( جدول 1). ما از یک الگوریتم یادگیری آماری SVM برای شناسایی کلاس‌های LULC شناسایی‌شده و تعیین مرزهای تصمیم برای تقسیم‌بندی فضای ویژگی با توجه به ویژگی‌های نمونه‌های آموزشی انتخاب شده استفاده می‌کنیم. از آنجایی که ما بخش ها را به جای پیکسل های منفرد برچسب گذاری می کنیم، بردار ویژگی ورودی از هر دو ویژگی طیفی و بافتی تشکیل شده است که روابط همسایگی بین پیکسل ها را نیز در نظر می گیرد. این امر به ویژه زمانی مهم است که نواحی ساخته شده نیاز به تمایز بیشتر با انواع ساختمان های غالب دارند. در وضوح فضایی متوسط Landsat TM، ساختمان‌های مجزا را نمی‌توان در تصویر تشخیص داد، اما طبقات مورد علاقه را می‌توان با تراز فضایی و ترکیب ساختمان‌ها، خیابان‌ها و فضاهای باز تعریف کرد. از این رو، کلاس های مختلف LULC شهری را می توان به اندازه کافی با ترکیبی از پاسخ های طیفی و بافت ها در سطح بخش توصیف کرد. بردار ویژگی ورودی، که هر بخش را که باید طبقه‌بندی شود، توصیف می‌کند، از 26 ویژگی شامل میانگین و انحراف استاندارد مقادیر 6 باند طیفی تصویر ورودی، میانگین و انحراف استاندارد شاخص گیاهی تفاوت نرمال شده (NDVI) و دو ویژگی تشکیل شده است. توصیف‌کننده‌های بافت باند خاص که از ماتریس هم‌وقوع سطح خاکستری (GLCM) مشتق شده‌اند. نمونه های آموزشی برای الگوریتم یادگیری به صورت دستی بر اساس دانش متخصص محلی در مورد شیوه های ساخت و ساز و توزیع انواع ساختمان ها و همچنین با استفاده از تفسیر تصویر بصری پشتیبانی شده توسط عکس های GPS و یک تصویر ماهواره ای با وضوح بالا در همان سال انتخاب شده اند.

جدول 1. فهرست انواع ساختمان های غالب شناسایی شده برای بیشکک.

نتایج یک ارزیابی دقت برای طبقه‌بندی LULC بیشکک، دقت کلی 81% را نشان می‌دهد (دقت کلی به عنوان تعداد کل بخش‌های طبقه‌بندی صحیح تقسیم بر تعداد کل نمونه‌های آزمایشی تعریف می‌شود). دقت کاربر 50% برای بلوک‌های آپارتمانی 7-9 طبقه، بتنی، پانل، قاب، یکپارچه، چند خانواده (کلاس 5) نشان‌دهنده کمبود طبقه‌بندی کننده برای تشخیص صحیح این طبقه خاص است. سایر کلاس ها با دقت کاربر 70 درصد و بالاتر به طور دقیق طبقه بندی شده اند. ماتریس کامل خطا در جدول 2 ارائه شده است. نمونه‌های آزمون (مرجع) مورد استفاده برای ایجاد ماتریس خطا به‌طور تصادفی برای هر کلاس و پس از نمونه‌گیری طبقه‌ای با تخصیص متناسب انتخاب شده‌اند. نمونه‌های آزمایشی شناسایی‌شده به صورت دستی بر اساس تفسیر بصری تصویر ورودی و یک تصویر با وضوح بالا و همچنین بر اساس عکس‌های زمینی مبتنی بر جغرافیای GPS برچسب‌گذاری شده‌اند.

جدول 2. ماتریس خطا برای طبقه بندی LULC Landsat TM (2009). شرح کلاس ها در جدول 1 آورده شده است.

4. تجزیه و تحلیل تصاویر ماهواره ای نوری با وضوح بالا

پردازش تصویری که برای تصاویر ماهواره‌ای با وضوح بالا اعمال می‌شود، منبع بالقوه اطلاعات نوردهی بر اساس ساختمان به ساختمان است. توسعه زنجیره‌های پردازش خودکار تصویر امکان شمارش کامل اشیاء مورد نظر را در مناطق بزرگ فراهم می‌کند و در عین حال بر محدودیت‌های زمانی و هزینه‌ای که معمولاً با پردازش دستی مرتبط است غلبه می‌کند. یک گام مهم در تخمین اطلاعات نوردهی از تصاویر ماهواره ای با وضوح بالا، استخراج یک ماسک ساخته شده با جزئیات است. ماسک ساخته شده اطلاعاتی در مورد مکان ساختمان ها و منطقه اشغال شده توسط ساختمان ها ارائه می دهد. علاوه بر این، می تواند به عنوان مبنایی برای تخمین تعداد ساختمان ها عمل کند یا اگر شامل اطلاعاتی در مورد ارتفاع سازه ها باشد،

4.1. ماسک ساخته شده با جزئیات

به دنبال یک رویکرد مبتنی بر شی برای تجزیه و تحلیل تصویر، ما یک زنجیره پردازش تصویر خودکار را برای استخراج یک ماسک ساخته شده با جزئیات از داده های تصویر مستقر کردیم. در مرحله اولیه تجزیه و تحلیل تصویر، زنجیره پردازش از یک تقسیم بندی تصویر مبتنی بر نمودار کارآمد استفاده می کند [ 16 ]] و آن را با یک روش بهینه‌سازی چند مقیاسی ترکیب می‌کند تا ترسیم ردپای ساختمان در مقیاس‌های مختلف در یک تصویر را بهبود بخشد. بهینه‌سازی مجموعه‌ای سلسله مراتبی از بخش‌بندی‌ها را ایجاد می‌کند و آنها را در یک تقسیم‌بندی چند مقیاسی بر اساس میانگین درصد اختلاف مقادیر روشنایی وزنی بین زیربخش‌ها و بخش‌های فوق‌العاده ادغام می‌کند. پارامترهای تقسیم‌بندی بهینه در یک فرآیند تکراری بر اساس ارزیابی نظارت شده کیفیت بخش‌بندی با استفاده از ردپای ساختمان دیجیتالی شده دستی به عنوان اشیاء مرجع انتخاب می‌شوند. روش بهینه‌سازی قادر به کاهش بیش از حد و کم‌بخش‌بندی و همچنین تعداد بخش‌های مورد نیاز برای توصیف ساختمان‌های با اندازه‌های مختلف است. بخش های مشخص شده با استفاده از الگوریتم یادگیری آماری SVM برچسب گذاری می شوند. که برای 5 کلاس (منطقه ساخته شده، سایر سطوح مهر و موم شده، خاک برهنه، پوشش گیاهی، سایه ها) در مجموعه گسترده ای از نمونه های آموزشی آموزش دیده است. بردار ویژگی ورودی که برای توصیف فضای ویژگی استفاده می شود از ویژگی های طیفی، بافتی و هندسی تشکیل شده است. انتخاب ویژگی به صورت سیستماتیک و کمی با استفاده از الگوریتم Relief [21 ]. مدل SVM آموزش دیده برای هر بخش از تصویر کامل Quickbird صحنه بیشکک اعمال می شود تا به طور خودکار یک طبقه بندی LULC استخراج شود. در مرحله پس از طبقه‌بندی، بخش‌هایی که به‌عنوان ساخته‌شده برچسب‌گذاری شده‌اند، از خروجی کلاس ۵ استخراج می‌شوند تا یک طبقه‌بندی باینری با بخش‌های ساخته‌شده و بخش‌های غیر ساخته‌شده استخراج شود. سپس ماسک واحد ساخته شده نهایی از تجزیه و تحلیل اجزای متصل از بخش های ساخته شده استخراج می شود. این بدان معنی است که واحدهای ساخته شده از بخش های ساخته شده متصل تشکیل شده اند. شکل 5 ماسک واحد ساخته شده با جزییات حاصل را برای بیشکک و همچنین بخش های ساخته شده زیرین و تصویر ورودی اصلی برای طبقه بندی را نشان می دهد.

ارزیابی دقت بر روی ماسک ساخته شده به دست آمده با استفاده از 978 ردپای ساختمانی دیجیتالی شده و به طور مساوی توزیع شده برای انتخاب نمونه های آزمایش مثبت (ساخته شده) انجام شده است. متناسب با مساحت کلاس های ساخته شده و غیر ساخته شده، 4986 نمونه تست منفی (غیر ساخته شده) به طور تصادفی انتخاب شده است. ماسک واحد ساخته شده به دست آمده با دقت کلی 90.24% بسیار دقیق است که برابر با 5283 نمونه آزمایشی طبقه بندی شده صحیح از 5964 است ( شکل 6 و جدول 3 ).

شکل 5. نتایج تجزیه و تحلیل تصاویر ماهواره ای با وضوح بالا. ( الف ) واحدهای ساخته شده برای سال 2009 در بیشکک و بزرگ‌نمایی ناحیه مستطیلی ( ب ) واحدهای ساخته شده، ( ج ) بخش‌های ساخته‌شده که واحدهای ساخته‌شده را تشکیل می‌دهند، ( د ) تصویر ورودی Quickbird از 2009.

شکل 6. منحنی ROC برای ماسک ساخته شده با وضوح بالا، که از Quickbird استخراج شده است.

جدول 3. ماتریس خطا برای ماسک ساخته شده، که از Quickbird استخراج شده است.

4.2. تعداد ساختمان ها

حتی اگر ماسک ساخته شده با جزئیات که تولید شده است به اندازه کافی دقیق برای ترسیم بخش های ساخته شده است، به طور مستقیم ردپای دقیقی را برای همه ساختمان ها ارائه نمی دهد و بنابراین نمی توان مستقیماً برای شمارش تعداد ساختمان ها از آن استفاده کرد. همانطور که در شکل 7 (الف) مشاهده می شود، این الگوریتم قادر است ساختمان های منفرد جدا شده را به طور دقیق ترسیم و تشخیص دهد، حتی در محیط های پیچیده شهری با تراکم ساختمانی بالا، ساختمان های منفرد را می توان توسط الگوریتم شناسایی و ترسیم کرد ( شکل 7 (ب) ). با این حال، مشاهده می کنیم که تعداد بخش های ساخته شده با اندازه ساختمان ها در ارتباط است و ساختمان های بزرگتر از تعداد بیشتری از بخش های ساخته شده تشکیل شده اند ( شکل 7(ج)). در این موارد، شمارش ساده بخش های ساخته شده منجر به تخمین بیش از حد تعداد ساختمان های واقعی می شود. از سوی دیگر، شمارش واحدهای ساخته شده، به دلیل خوشه‌بندی ساختمان‌های متصل به واحدهای بزرگتر در محیط‌های پیچیده‌تر شهری، منجر به دست کم‌گرفتن تعداد ساختمان‌ها می‌شود. با توجه به این مشاهدات، ما به طور تجربی برای هر نوع ساختمان یک ضریب تبدیل به دست آوردیم تا تعداد واقعی ساختمان ها را از تعداد بخش های ساخته شده تخمین بزنیم. بنابراین، ما از مجموعه‌ای از ساختمان‌های مرجع دیجیتالی دستی 1950 با نسبت مساوی برای هر نوع ساختمان استفاده کردیم و برای هر نوع ساختمان جداگانه تعداد بخش‌های ساخته‌شده در هر ساختمان مرجع مقایسه کردیم. برای محاسبه تعداد واقعی ساختمان ها، ضرایب تبدیل برای همه واحدهای ساخته شده که از بیش از یک بخش ساخته شده تشکیل شده اند اعمال می شود. واحدهای ساخته شده، که بیشتر بر اساس بخش‌های ساخته شده تقسیم نمی‌شوند، می‌توانند به عنوان ساختمان‌های مجزا فرض شوند و بنابراین می‌توانند به‌طور جداگانه به‌عنوان ساختمان‌های منفرد بدون اعمال ضریب تبدیل شمارش شوند.

شکل 7. ( الف ) ساختمان های منفرد جدا شده توسط ماسک ساخته شده شناسایی و مشخص شده اند. ( ب ) ظاهر محیط های پیچیده شهری با ساختمان های متصل در ماسک ساخته شده. ( ج ) ساختمانهای بزرگ با ماسک ساخته شده.

شکل 8 نتایج مقایسه بین تعداد تخمینی ساختمان ها از ماسک ساخته شده و 15098 ساختمان دیجیتالی دستی برای 49 منطقه آزمایشی را نشان می دهد. مناطق آزمون با استفاده از روش نمونه گیری طبقه ای با تخصیص متناسب با استفاده از انواع ساختار شهری به عنوان طبقات انتخاب شدند [ 4 ]. بنابراین آنها به طور مساوی در کل منطقه مورد مطالعه توزیع شده اند و برای انواع مختلف ساختار شهری نماینده هستند. مقایسه بین تعداد تخمینی ساختمان ها و تعداد واقعی ساختمان ها در مناطق آزمایشی تناسب خوبی را نشان می دهد ( شکل 8). در مجموع، 15031 ساختمان برای مناطق آزمایشی با اعمال ضرایب تبدیل به ماسک ساخته شده با جزئیات برآورد شده است. در مقایسه با تعداد کل ساختمان‌های حاصل از دیجیتالی‌سازی دستی، رویه خودکار تعداد کل ساختمان‌ها را کمی کمتر از 67 ساختمان برآورد می‌کند. رگرسیون خطی نشان می دهد که 94٪ از واریانس تعداد واقعی ساختمان ها در 49 منطقه آزمایشی به درستی توسط روش پیشنهادی برآورد شده است.

شکل 8. مقایسه تعداد تخمینی ساختمان ها از ماسک ساخته شده با تعداد واقعی ساختمان ها در 49 منطقه آزمایشی از دیجیتال سازی دستی. مناطق آزمون با استفاده از روش نمونه گیری طبقه ای با استفاده از انواع ساختار شهری به عنوان طبقات انتخاب شده اند.

4.3. تفکیک فضایی و برآورد آمار جمعیت

زمین لرزه ها بسته به تقویت حرکت زمینی محلی خاص سایت ممکن است به طور انتخابی به ساختمان آسیب برساند [ 22] یا آسیب پذیری سازه ای ساختمان ها و پراکندگی آنها. بنابراین، تنها مجموعه داده‌های جمعیتی در مقیاس خوب می‌توانند تخمین دقیقی از جمعیت واقعی در معرض زلزله ارائه دهند. اطلاعات سرشماری معمولاً در واحدهای اداری مانند مناطق شهری جمع آوری می شود، که اغلب آنقدر بزرگ هستند که به اندازه کافی تقویت حرکت زمینی محلی را در نظر نمی گیرند. واحدهای اداری علاوه بر این، مرزهای مصنوعی را نشان می‌دهند که لزوماً به ساختار شهری واقعی مربوط نمی‌شوند و بنابراین اجازه نمی‌دهند ارتباط دقیق‌تری بین آسیب‌پذیری ساختاری ساختمان و جمعیت آن وجود داشته باشد. با این حال،23 ]. استفاده از یک ماسک ساخته شده با جزئیات به عنوان نماینده برای حضور جمعیت این مزیت را دارد که منطقه ساخته شده و توزیع آن به وضوح مشخص و قابل اندازه گیری است (و به عنوان مثال در طبقه بندی های LULC با وضوح متوسط جمع آوری نمی شود) و بنابراین اجازه می دهد تا محاسبه مستقیم تراکم جمعیت

در این مطالعه از داده های جمعیتی به دست آمده از سرشماری نفوس و مسکن بیشکک که در سال 1999 توسط کمیته ملی آمار جمهوری قرقیزستان انجام شد استفاده می کنیم [ 10 ]]. داده‌ها به جمعیت ساکن اشاره می‌کنند و به واحدهای اداری (مناطق منبع) تجمیع می‌شوند، اما فقط برای بخش‌هایی از منطقه شهری مورد علاقه در دسترس هستند. یک تفکیک فضایی برای مناطقی که داده‌های سرشماری در دسترس است با استفاده از واحدهای ساخته‌شده از ماسک ساخته‌شده دقیق به عنوان مناطق هدف انجام می‌شود. برای هر واحد ساخته شده، محتمل ترین نوع ساختمان و تعداد طبقات را می توان از لایه سازه های شهری بر اساس موقعیت مکانی استنباط کرد. با در نظر گرفتن میانگین تعداد طبقات در ترکیب با مساحت ساخته شده به دست آمده از تجزیه و تحلیل تصویر با وضوح بالا، می توان برای هر واحد ساخته شده ، میانگین مساحت طبقه FA i را محاسبه کرد _.تراکم _جمعیت Djمی توان برای هر منطقه منبع j محاسبه کرد ، که به عنوان واحد اداری که کاملاً با ماسک ساخته شده با جزئیات همپوشانی دارد و کل جمعیت Pj از گزارش سرشماری موجود برای آن وجود دارد، تعریف _می شود .

(1)

اعمال معادله (2) برای هر واحد ساخته شده در یک منطقه منبع، یک تفکیک فضایی متناسب از کل جمعیت منطقه منبع به واحدهای ساخته شده را فراهم می کند. میانگین جمعیت در هر واحد ساخته شده P _i را به عنوان حاصلضرب سطح طبقه FA _i و تراکم جمعیت Dj منطقه منبع خاص که i∈ J _و ،

P _i = D _j * FA _i (2)

تراکم جمعیت و میانگین جمعیت در هر واحد ساخته شده را می توان از واحدهای اداری به واحدهای ساخته شده برای مناطقی که داده های سرشماری در دسترس است تفکیک کرد. برای تخمین تراکم جمعیت واحدهای ساخته‌شده برای بخش‌هایی از شهر که آمار جمعیتی در آن‌ها وجود ندارد یا ناقص است، یک مدل رگرسیونی با استفاده از FA _i و Pi استفاده می‌شود _.به ترتیب به عنوان متغیرهای مستقل و وابسته. در مجموع 70768 واحد ساخته شده، که با مناطق منبع همپوشانی دارند و تعداد جمعیت آنها می تواند مستقیماً از داده های سرشماری جدا شود، به عنوان ورودی برای رگرسیون استفاده شد. این بدان معنی است که جمعیت در تمام مناطق منبع در رگرسیون استفاده می شود، بنابراین تخمینی از میانگین جمعیت در هر سطح طبقه ارائه می شود، که مستقل از یک منطقه منبع خاص است. با مدل رگرسیون، 79 درصد از واریانس متغیر وابسته برای 70768 واحد ساخته شده از مناطق همپوشانی قابل توضیح است. با استفاده از تابع رگرسیون، جمعیت در هر واحد ساخته شده را نیز می توان برای 42088 واحد ساخته شده که توسط داده های سرشماری پوشش داده نشده اند، تخمین زد.

در این مطالعه تنها مناطق مسکونی برای برآورد جمعیت در نظر گرفته شده است، زیرا داده های سرشماری به جمعیت ساکن اشاره دارد. این اطلاعات در مورد تعداد کل برآورد شده ساکنان در هر واحد ساخته شده از مناطق مسکونی ارائه می دهد و بنابراین می تواند به عنوان تخمینی از توزیع جمعیت در شب در منطقه مورد مطالعه دیده شود. توزیع جمعیت در روز، حداقل در ساعات کاری، ممکن است به دلیل رفت و آمد جمعیت شاغل بین مناطق مسکونی و مناطق صنعتی/تجاری، با تخمین شبانه متفاوت باشد. از آنجایی که اطلاعات مربوط به درصد افراد شاغل در هر منطقه منبع در حال حاضر در دسترس نیست، این پویایی جمعیت را نمی توان در این مرحله در نظر گرفت.

5. نتایج

تجزیه و تحلیل تصاویر ماهواره‌ای با وضوح چندگانه، امکان برآورد خودکار قرار گرفتن در معرض فیزیکی و انسانی در منطقه مورد مطالعه را فراهم کرد. ویژگی های مواجهه استخراج شده از سنجش از دور در این مطالعه شامل انواع ساختمان های غالب، ردپای ساختمان، تعداد و توزیع ساختمان ها، تعداد و توزیع جمعیت و سن تقریبی سازه ها می باشد. برای منطقه مورد مطالعه، تحت پوشش تصویر Quickbird ( شکل 1 (ب))، در مجموع 112293 ساختمان با 847639 نفر جمعیت برآورد شده است ( جدول 4).). با 77٪ از موجودی ساختمان (86842 ساختمان)، بنایی 1-2 طبقه، خانه های انفرادی آجری (شامل سه نوع فرعی بسته به تراز فضایی ساختمان ها) به وضوح نوع ساختمان غالب در منطقه مورد مطالعه است. بلوک های ساختمانی چند خانواری 3 تا 6 طبقه آجری، بتنی، پانلی، 8 درصد از کل ساختمان (8469 ساختمان) را تشکیل می دهند و دومین نوع ساختمان مسکونی رایج را تشکیل می دهند و به دنبال آن پانل های بتنی 7 تا 9 طبقه، قاب و ساختمان یکپارچه قرار دارند. بلوک هایی با 2 درصد از کل ساختمان (2271 ساختمان). ساختمان های صنعتی و تجاری 5 درصد (5583 ساختمان) از ساختمان های بیشکک را تشکیل می دهند. 8 درصد باقیمانده از سهام ساختمان (9128 ساختمان) را نمی توان به طبقه خاصی بر اساس سنجش از دور نسبت داد و به عنوان انواع ساختمان های مختلط طبقه بندی شد ( شکل 9).). علیرغم تسلط آشکار خانه های انفرادی آجری 1 تا 2 طبقه در منطقه مورد مطالعه، جمعیت به طور مساوی بین این نوع ساختمان (292207 نفر) و بلوک های ساختمانی آجری، بتنی، پانلی 3 تا 6 طبقه (288030 نفر) توزیع شده است. . با تمرکز بر روی ساختمان‌های مسکونی برای برآورد جمعیت، 13 درصد از جمعیت (107936 نفر) علاوه بر این تخمین زده می‌شود که در ساختمان‌های بتنی، پانلی، قاب و یکپارچه 7 تا 9 طبقه و 19 درصد (159،466 نفر) در انواع ساختمان‌های مختلط زندگی می‌کنند ( شکل). 9 ).

جدول 4. تعداد تخمینی ساختمان ها و جمعیت در هر نوع ساختمان برای زیرمجموعه Quickbird در سال 2009 (به شکل 1 (ب) مراجعه کنید).

شکل 9. ترکیب تعداد ساختمان ها و جمعیت در هر نوع ساختمان برای زیرمجموعه Quickbird در سال 2009 (به شکل 1 (ب) مراجعه کنید).

شکل 10. طبقه بندی LULC بیشکک که توزیع انواع ساختمان های غالب را در سال 2009 نشان می دهد ( جدول 1 ، جدول 2 ، جدول 3 ، جدول 4 را ببینید). اعداد، تعداد ساختمان ها در هر طبقه تخمین زده می شود.

شکل 11. تراکم جمعیت در هر طبقه در بیشکک. اعداد، جمعیت تخمینی هستند. مناطق صنعتی مستثنی هستند.

شکل 10 توزیع انواع ساختمان های مختلف را در منطقه مورد مطالعه در سال 2009 نشان می دهد. طبقه بندی از تصاویر ماهواره ای با وضوح متوسط به دست آمده است. برای هر قشر، تعداد ساختمان ها از روی ماسک ساخته شده با جزئیات استخراج شده از تصویر ماهواره ای با وضوح بالا محاسبه شده است. علاوه بر این، داده‌های جمعیت از ماسک ساخته شده با جزئیات جمع‌آوری شده‌اند تا تراکم جمعیت و تعداد تخمینی ساکنان در هر طبقه را به دست آورند ( شکل 11 ).

تجزیه و تحلیل یک سری زمانی از تصاویر Landsat یک بعد زمانی از تحلیل نوردهی را ارائه می دهد و اطلاعاتی در مورد سن تقریبی سازه ها، نرخ تغییر و جهت تغییر می دهد. در ترکیب با خروجی های تجزیه و تحلیل با وضوح بالا، نتایج دقیق تری را می توان در مورد تنوع مکانی-زمانی در شهر، از جمله اطلاعات در مورد تغییرات در تعداد ساختمان ها و جمعیت به دست آورد. از مجموعه ساختمان های تحت نظارت، 77292 ساختمان به عنوان ساخته شده قبل از سال 1977 طبقه بندی شده بودند که در سال 2009 حدود 579594 نفر ساکن در این ساختمان ها زندگی می کردند. در مجموع 93497 ساختمان بین سال های 1977 و 1994 با 622 هکتار وسعت طبقه بندی شد. 112293 ساختمان بین سال‌های 1994 تا 2009 ساخته شده‌اند که 847639 نفر را در خود جای داده‌اند.شکل 12 )، گسترش شهری بین سال‌های 1977 و 1994 عمدتاً بر بخش‌های حومه‌ای شرقی و شمالی شهر متمرکز بود. از سال 1994، سه سال پس از استقلال جمهوری قرقیزستان از اتحاد جماهیر شوروی سابق، تا سال 2009، شهر بیشکک به سرعت در بخش های جنوبی به سمت گسل ایسیک آتا گسترش یافت. این مناطق نزدیک به سیستم گسلی، جایی که بسیاری از ساختمان های جدید هنوز در حال ساخت هستند، بالاترین خطر لرزه ای را در منطقه مورد مطالعه نشان می دهند [ 24 ]. محله های بزرگی نیز اخیراً در نواحی شمالی شهر ساخته شده است.

شکل 12. توسعه مکانی-زمانی ساختمان در بیشکک از سال 1977 تا 2009. سن تقریبی سازه ها از تجزیه و تحلیل تشخیص تغییر تصاویر Landsat به دست آمده و به ماسک ساخته شده با جزئیات استخراج شده از یک تصویر Quickbird ملحق شده است.

6. بحث

استفاده از تصاویر ماهواره‌ای به‌عنوان مبنایی برای استخراج اطلاعات، امکان برآورد نوردهی سریع در مناطق وسیع با هزینه‌های نسبتاً کم را فراهم می‌کند. جدای از مزایای آن، یک رویکرد کاملا مبتنی بر ماهواره محدودیت‌هایی را نشان می‌دهد، زیرا تنها می‌تواند اطلاعاتی درباره ویژگی‌های نوردهی ارائه دهد که می‌تواند از نمای بالا ارزیابی شود. به عنوان مثال، ارتفاع ساختمان، که یکی از مهم‌ترین ویژگی‌ها برای ارزیابی آسیب‌پذیری یک سازه خاص است، می‌تواند از یک تصویر ماهواره‌ای نوری با وضوح بالا تنها در شرایط خاص با استفاده از اطلاعات سایه برآورد شود [ 25 ].]. سایر ویژگی‌های مرتبط با آسیب‌پذیری که نمی‌توان مستقیماً برای یک ساختمان از تصاویر ماهواره‌ای آنالیز کرد، شامل تشخیص طبقات نرم یا بی‌نظمی‌های عمودی است. بنابراین، برای ایجاد مبنایی برای ارزیابی دقیق‌تر آسیب‌پذیری سازه‌ای و اشغال یک انبار ساختمانی در معرض، تجزیه و تحلیل نماهای ساختمان‌ها از نمای خیابان باید در نظر گرفته شود. استفاده از بررسی های زمینی بصری سریع، مانند تصویربرداری همه جانبه، در چارچوب یک طرح نمونه برداری یکپارچه همراه با رویکرد مبتنی بر ماهواره پیشنهادی، می تواند توصیف ساختمان در معرض دید را، هم از نظر سطح جزئیات و هم از نظر سطح جزئیات، بیشتر کند. دقت، در حالی که همچنان نسبت هزینه به فایده معقول را حفظ می کند [ 4]. به خصوص هنگام ادغام داده هایی که از منابع مختلف با دقت های متفاوت به دست می آیند، عدم قطعیت ها باید به اندازه کافی در نظر گرفته شوند. تبدیل از یک توصیف قطعی به یک توصیف احتمالی عناصر نوردهی را می توان با استفاده از شبکه های بیزی به دست آورد [ 26 ]]. بنابراین، توصیف احتمالی مدل مواجهه و آسیب‌پذیری آن، در ترکیب با تحلیل خطر لرزه‌ای احتمالی (PSHA)، امکان ارزیابی ریسک لرزه‌ای کاملاً احتمالی را فراهم می‌کند. روش‌ها و ابزارهای پیشنهادی در این مطالعه به صورت رایگان و منبع باز توسعه یافته‌اند. استفاده از نرم‌افزار رایگان و منبع باز (FOSS) می‌تواند قابلیت‌های مؤسسات کمتر مجهز را در کشورهای در حال توسعه، که اغلب به ویژه در برابر مخاطرات طبیعی آسیب‌پذیر هستند، برای انجام تحلیل‌های پیشگیرانه از ریسک توسط خودشان و در نتیجه امکان توسعه پایدار در کشورهای در حال توسعه را بهبود بخشد. مفهوم استراتژی بین المللی سازمان ملل برای کاهش بلایا (UN-ISDR). یک ابتکار مهم جهانی در این زمینه، مدل جهانی زلزله (GEM) است.27 ].

7. نتیجه گیری

این مقاله رویکردی را برای تجزیه و تحلیل یک محیط شهری با توجه به ترکیب و الگوهای تکامل زمانی آن و استخراج ساختارها، همراه با ویژگی‌های اصلی آنها، بر اساس تصاویر ماهواره‌ای چند حسگر/چند رزولوشن پیشنهاد می‌کند. استفاده از تقسیم‌بندی تصویر به‌عنوان گام اولیه در رویکرد مبتنی بر شی برای پردازش تصویر، مبنایی را برای توصیف غنی از اشیاء مورد علاقه از نظر ابعاد بردارهای ویژگی فراهم کرد. در ترکیب با انتخاب ویژگی های کمی و یادگیری آماری SVM، تمایز دقیق محیط شهری، حتی از تصاویر ماهواره ای با وضوح متوسط، امکان پذیر بود. استفاده از مدل های یادگیری آماری از یک سو برای درجه بالایی از اتوماسیون فرآیند اجازه می دهد در حالی که از سوی دیگر، انعطاف پذیری و پتانسیل زیادی برای قابلیت انتقال روش به مناطق دیگر و/یا انواع تصویر نشان داد. دانش متخصص محلی به راحتی می تواند در مرحله آموزش مدل های یادگیری SVM ادغام شود و انتخاب نمونه های آموزشی یک فرآیند مستقیم است که بسته به نوع تصویر ورودی و منطقه مطالعه قابل تنظیم است.

برای شهر بیشکک، این رویکرد می‌تواند توصیف مکانی-زمانی دقیقی از انبار ساختمان و جمعیت آن ارائه دهد که می‌تواند به عنوان ورودی برای آسیب‌پذیری لرزه‌ای و ارزیابی خطر استفاده شود. نتایج به وضوح نشان می‌دهد که خانه‌های انفرادی آجری 1-2 طبقه، که عمدتاً توسط مهندسان محلی به‌عنوان بسیار آسیب‌پذیر طبقه‌بندی می‌شوند (کلاس A تا B به دنبال طبقه‌بندی آسیب‌پذیری EMS-98 [ 28 )]). علاوه بر این، یک سوم جمعیت در این نوع ساختمان خاص زندگی می کنند. تجزیه و تحلیل تشخیص تغییر همچنین نشان می دهد که، به ویژه در سال های اخیر، اکثر ساختمان های جدید ساخته شده از این نوع بسیار آسیب پذیر به سمت خطرناک ترین مناطق در منطقه گسترش می یابند. این نشان دهنده روندی به سمت افزایش خطر لرزه ای برای بیشکک است و بر نیاز به به روز رسانی مستمر مجموعه داده های آسیب پذیری و قرار گرفتن در معرض برای شهر تأکید می کند.

کار تحقیقاتی کنونی بر اصلاح و گسترش داده های مواجهه با استفاده از تصویربرداری همه جانبه زمینی و ادغام آن در چارچوب ارزیابی احتمالی خطر با استفاده از شبکه های بیزی تمرکز دارد [ 26 ]. در این زمینه، برنامه ریزی شده است که یک نقشه آسیب پذیری احتمالی برای بیشکک و دیگر شهرهای آسیای مرکزی استخراج شود و آن را با نتایج تجزیه و تحلیل خطر لرزه ای [ 22 ] برای به روز رسانی و بهبود سناریوهای ریسک [ 12 ] در یک چارچوب احتمالی ترکیب کند.

منابع

Calvi، GM; پینهو، آر. مگنز، جی. بومر، جی جی. Restrepo-Velez، LF; کراولی، اچ. توسعه روش‌های ارزیابی آسیب‌پذیری لرزه‌ای در 30 سال گذشته. ISET J. Earthq. تکنولوژی 2006 ، 43 ، 75-104. [ Google Scholar ]
دایچمن، یو. ارلیش، دی. اشمال، سی. Zeug, G. استفاده از داده های ماهواره ای با وضوح بالا برای شناسایی خطر بلایای طبیعی شهری . تسهیلات جهانی برای کاهش و بازیابی بلایا: واشنگتن، دی سی، ایالات متحده آمریکا، 2011. [ Google Scholar ]
آژانس مدیریت اضطراری فدرال، غربالگری سریع بصری ساختمان‌ها برای خطرات احتمالی لرزه‌ای: کتاب راهنما ، ویرایش دوم. FEMA 154; ATC: واشنگتن، دی سی، ایالات متحده آمریکا، 2002.
ویلند، ام. پیتور، ام. پارولای، س. Zschau، J. مولدوبکوف، بی. بگالیف، U. برآورد موجودی ساختمان برای ارزیابی سریع آسیب‌پذیری لرزه‌ای: به سوی یک رویکرد یکپارچه مبتنی بر تصویربرداری چند منبع. خاک دین. زمین مهندس 2012 ، 36 ، 70-83. [ Google Scholar ] [ CrossRef ]
ارلیش، دی. زئوگ، جی. گالیگو، جی. گرهاردینگر، آ. کاراواگی، آی. Pesaresi، M. کمی سازی موجودی ساختمان از تصاویر ماهواره ای نوری با وضوح بالا برای ارزیابی خطر فاجعه. Geocarto Int. 2010 ، 25 ، 281-293. [ Google Scholar ] [ CrossRef ]
Voogt، JA نمایش تصویر از دمای کامل سطح شهری. Geocarto Int. 2000 ، 15 ، 21-31. [ Google Scholar ] [ CrossRef ]
تاوبنبوک، اچ. اش، تی. ورم، م. راث، ا. Dech, S. استخراج ویژگی مبتنی بر شی با استفاده از داده های ماهواره ای با وضوح فضایی بالا مناطق شهری. جی. اسپات. علمی 2010 ، 55 ، 117-132. [ Google Scholar ] [ CrossRef ]
ورم، م. تاوبنبوک، اچ. Dech, S. کمی سازی ساختار شهری در سطح بلوک ساختمانی با استفاده از داده های سنجش از دور چندحسی. Proc. SPIE 7831 ، 78310. [ Google Scholar ]
وو، اس. کیو، ایکس. وانگ، L. روش های برآورد جمعیت در GIS و سنجش از دور: یک بررسی. GISci. Remote Sens. 2005 ، 42 ، 58-74. [ Google Scholar ]
کمیته ملی آمار جمهوری قرقیزستان، سرشماری نفوس و مسکن شهر بیشکک ؛ شهر بیشکک: بیشکک، قرقیزستان، 2001.
شیدلاک، ک. جیاردینی، دی. گرونتال، جی. Zhang، P. نقشه خطر لرزه ای جهانی GSHAP. سیسمول. Res. Lett. 2000 ، 71 ، 679-686. [ Google Scholar ] [ CrossRef ]
بیندی، د. میفیلد، ام. پارولای، س. تیاگونوف، اس. بگالیف، یو. عبدالرخماتوف، ک. مولدوبکوف، بی. Zschau، J. به سوی یک سناریوی خطر لرزه ای بهبود یافته برای بیشکک، جمهوری قرقیزستان. خاک دین. زمین مهندس 2011 ، 31 ، 521-525. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مولر، ام. سگل، ک. هایدن، یو. Kaufmann, H. پتانسیل داده های ماهواره ای با وضوح بالا در زمینه آسیب پذیری ساختمان ها. نات. خطرات 2006 ، 38 ، 247-258. [ Google Scholar ] [ CrossRef ]
Cochran, W. Sampling Techniques , 3rd ed; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1977. [ Google Scholar ]
لو، دی. ماوزل، پ. برودیزیو، ای. موران، ای. تکنیک های تشخیص تغییر. بین المللی J. Remote Sens. 2004 ، 25 ، 365-401. [ Google Scholar ]
فلزنزوالب، پ. Huttenlocher، D. تقسیم بندی تصویر مبتنی بر نمودار کارآمد. بین المللی جی. کامپیوتر. Vis. 2004 ، 59 ، 67-81. [ Google Scholar ]
Vapnik, V. The Nature of Statistical Learning Theory , 2nd ed; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2000. [ Google Scholar ]
Burges, CJC آموزش ماشین‌های بردار پشتیبان برای تشخیص الگو. حداقل داده بدانید. کشف کنید. 1998 ، 2 ، 121-167. [ Google Scholar ]
بردلی، A. استفاده از سطح زیر منحنی ROC در ارزیابی الگوریتم های یادگیری ماشین. تشخیص الگو 1997 ، 30 ، 1145-1159. [ Google Scholar ]
دایره المعارف جهانی مسکن. در دسترس آنلاین: http://www.world-housing.net (دسترسی در 10 مارس 2012).
Koprinska، I. انتخاب ویژگی برای مغز-کامپیوتر. در سطوح. در مرزهای جدید در داده کاوی کاربردی ; Theeramunkong, T., Nattee, C., Adeodato, PJL, Chawla, N., Christen, P., Lenca, P., Poon, J., Williams, G., Eds.; Springer: هایدلبرگ، آلمان، 2010; صص 100-111. [ Google Scholar ]
پارولای، س. اورونبایف، اس. بیندی، د. استرولو، ا. اوسوپاف، اس. پیکوزی، م. دی جاکومو، دی. آگلیرا، پی. D’Alema، E. میلکریت، سی. مولدوبکوف، بی. Zschau, J. ارزیابی اثرات سایت در بیشکک (قرقیزستان) با استفاده از داده های ثبت زلزله و نویز. گاو نر سیسمول. Soc. صبح. 2010 ، 100 ، 3068-3082. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فلاوردیو، ر. گرین، ام. یکپارچه سازی داده ها: روش های آماری برای انتقال داده ها بین سیستم های منطقه ای. در مدیریت اطلاعات جغرافیایی: روش‌شناسی و کاربردهای بالقوه . Masser, L., Blakemore, M., Eds. لانگمن: هارلو، بریتانیا، 1991; صص 38-54. [ Google Scholar ]
اردیک، م. رشیدوف، تی. صفاک، ا. Turdukulov, A. ارزیابی خطر لرزه ای در تاشکند، ازبکستان و بیشکک، جمهوری قرقیزستان. خاک دین. مهندس زلزله 2005 ، 25 ، 473-486. [ Google Scholar ] [ CrossRef ]
شائو، ی. Taff، GN; والش، SJ تشخیص سایه و تخمین ارتفاع ساختمان با استفاده از داده های IKONOS. Int.J.Remote Sens. 2011 ، 32 ، 6929-6944. [ Google Scholar ] [ CrossRef ]
پیتور، ام. Wieland، M. به سوی ارزیابی آسیب‌پذیری لرزه‌ای احتمالی سریع با استفاده از سنجش از دور ماهواره‌ای و زمینی. نات. خطرات 2012 . [ Google Scholar ]
مدل جهانی زلزله در دسترس آنلاین: http://www.globalquakemodel.org (در 15 مارس 2012 قابل دسترسی است).
گرونتال، جی. موسون، آر. شوارتز، جی. Stucchi, M. European Macroseismic Scale 1998 (EMS-98) ; Cahiers du Centre Européen de Géodynamique et de Séismologie 15, Centre Européen de Géodynamique et de Séismologie: لوکزامبورگ، 1998; پ. 99. [ Google Scholar ]

مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب