چکيده
چكيده
بدست آوردن نقشه آسيب نزديك به زمان وقوع حادثه مسئله بسيار مهمي براي دولت هاست تا بتوانند براي
كمك رساني به فاجعه اتفاق افتاده تصميم گيري سريعي داشته باشند.
سيستم هاي راداري SAR با وضوح و رزولوشن بالا ارائه چنين امكاناتي را به شيوه اي سريع و موثر فرراهم
كرده اند. به اين منظور محققان در طول زمان ها روش هاي متعددي را براي استخراج اطلاعات مربرو بره
آسيب وارده به ساختمان ها ارائه داده اند. در ابتداي امر روشي مبتني بر تجزيه و تحليل تصاوير SAR چند
زمانه مربو به قبل و پس از وقوع حادثه تكنيك هايي براي كلاس بندي آسيب وارده با اسرتفاده از تفراوت
اين تصاوير باهم پيشنهاد شد كه عدم دسترسي هميشگي به تصاوير ماهواره اي قبل از وقوع حادثه اين متد
را با محدوديت جدي مواجه ساخت. پس از آن توجه محققان به استخراج اطلاعات با استفاده از تنها تصاوير
پس از حادثه جلب شد و به اين منظور رويكردهاي متعددي مرورد بررسري قررار گرفرت. ايرن رويكردهرا برا
پيشرفت هاي چشمگير در حوزه يادگيري ماشين و الگوريتم هاي مربو به آن همراه شد و با استفاده از اين
متدها يك رويكرد مبتني بر تصاوير PolSAR پس از حادثه معرفي شد كه اين رويكردها نيز خود به نوعي
با محدوديت هايي در ارتبا با در دسترس نبودن تصاوير PolSAR كامل مواجه بودند. در اين پژوهش يك
چارچوب مبتني بر يادگيري عميق براي شناسايي آسيب هاي ناشي از زلزله با استفاده از تنها تصاوير پس از
رويداد SAR و بدون نياز به تصاوير قبل وقوع حادثه ارائه شده است.
براي ايجاد سريع چنين نقشه آسيبي يك سري تجزيه و تحليل تقسيم تصوير مبتني برر روش كاشري برراي
توليد مجموعه داده استفاده ميشود. سپس يك الگوريتم انتخابي با شبكه SqueezNet به منظور تشخيص
سريع بين مناطق BU و NBU توسعه يافته است. در نهايت يك الگوريتم تشخيص براي طبقه بنردي BU
به مناطق شسته شده ، سقو كرده و كمي آسيب ديده توسعه داده شده است.
در اين پژوهش به شرح اين روش پيشنهادي ميپردازيم.
