AFETTEN ETKİLENEN BÖLGELERİN VE BİNALARIN HAVA GÖRÜNTÜLERİNDEN DERİN ÖĞRENME TABANLI BELİRLENMESİ

Abstract

Doğal afetler, genellikle öngörülemeyen ve ani şekilde meydana gelen doğa olayları olarak tanımlanmakta, hem insan yaşamı hem de çevre üzerinde ciddi etkiler yaratmaktadır. Depremler, toprak kaymaları, seller, orman yangınları, fırtınalar, kasırgalar ve tsunamiler gibi afetler, toplumların yaşamını derinden etkileyen başlıca afet türlerindendir. Bu afetlerin ardından gerçekleştirilen arama ve kurtarma faaliyetleri, hem insan hayatının korunması hem de müdahale ekiplerinin güvenliğinin sağlanması açısından büyük önem taşımaktadır. Söz konusu operasyonlar; afet bölgesine erişim, hasar tespiti, mahsur kalan bireylerin kurtarılması, acil tıbbi yardım sağlanması ve temel ihtiyaçların karşılanması gibi kritik adımları içermektedir. Son yıllarda, uzaktan algılama teknolojileri ile elde edilen görüntülerin kullanımı, afet sonrası hasar tespitinde önemli bir araç haline gelmiştir. Bu tez çalışmasında, farklı afet türlerine yönelik geliştirilen yeni segmentasyon ve sınıflandırma modelleri ile, afetten etkilenen bölgelerin yüksek doğruluk oranlarıyla tespit edilmesi amaçlanmıştır. Çalışmada geliştirilen FASegNet modeli, "Flood Area" ve "Water Bodies" veri setleri üzerinde sırasıyla %84.3 ve %84.5 ortalama kesişim üzeri birlik (mIoU) değerlerine ulaşarak sel ve tsunami gibi afet senaryolarında yüksek performans sergilemiştir. LandslideSegNet modeli, Landslide4Sense veri setinde %97.60 genel doğruluk ve %73.65 mIoU değerleriyle toprak kayması bölgelerinin hassas segmentasyonunu sağlamıştır. Yapı tespiti amacıyla geliştirilen ABDSegNet modeli, "WHU Building" ve "Inria Aerial Image Labeling" veri setlerinde sırasıyla %90.94 ve %79.59 mIoU başarıları elde etmiş; ayrıca 2023 Kahramanmaraş depremi sonrası yapı hasarlarının değerlendirilmesinde başarılı sonuçlar vermiştir. İklim değişikliğinin su kaynakları üzerindeki etkilerini incelemek amacıyla geliştirilen WBSegNet modeli ise, %95.36 doğruluk ve %85.51 mIoU performansı ile Türkiye'deki göl seviyelerinin izlenmesinde etkin bir şekilde kullanılabilir olduğunu göstermiştir. Orman yangınlarının erken tespiti için önerilen ViT tabanlı model, üç farklı Vision Transformer mimarisinden elde edilen öznitelikleri birleştirip, mRMR optimizasyonu ile filtreleyerek %100 doğruluk oranına ulaşmıştır. Elde edilen bulgular, geliştirilen segmentasyon ve sınıflandırma modellerinin farklı afet senaryolarında yüksek doğruluk ve verimlilikle çalıştığını göstermektedir. Bu modeller, afet anında gerçekleştirilecek arama ve kurtarma faaliyetlerine destek sağlayarak acil durum yönetimine yönelik kritik bilgiler sunmaktadır. Ayrıca, modellerin farklı iklim koşulları ve çeşitli coğrafi yapılar üzerinde de etkili olduğu gözlemlenmiş, bu durum onların geniş çaplı uygulama potansiyeline sahip olduğunu ortaya koymuştur.

Natural disasters are usually defined as sudden and unpredictable natural events that have a serious impact on human life and the environment. Earthquakes, landslides, floods, forest fires, storms, hurricanes and tsunamis are among the most important types of disasters that have a profound impact on society. Search and rescue operations following such events are critical to the protection of human life and the safety of emergency responders. These operations involve several important phases, including accessing the disaster area, assessing structural damage, rescuing trapped victims, providing urgent medical assistance and meeting basic needs. In recent years, the use of remote sensing imagery has become an indispensable tool for post-disaster damage assessment. This work aims to accurately recognise the regions affected by a disaster by developing novel segmentation and classification models tailored to different types of natural disasters. The FASegNet model achieved mean Intersection over Union (mIoU) values of 84.3% and 84.5% for the "Flood Area" and"Water Bodies" datasets, respectively, demonstrating high performance in flood and tsunami scenarios. The LandslideSegNet model achieved an overall accuracy of 97.60% and an mIoU value of 73.65% for the Landslide4Sense dataset, enabling precise delineation of landslide areas. For building detection, the ABDSegNet model achieved mIoU values of 90.94% and 79.59% for the "WHU Building" and "Inria Aerial Image Labelling" datasets, respectively, and delivered successful results in the damage assessment after the 2023 Kahramanmaraş earthquake. The WBSegNet model, which was developed to study the impact of climate change on water resources, performed strongly with an accuracy of 95.36% and an mIoU value of 85.51%, proving its applicability in monitoring lakes in Turkey. A hybrid model based on Vision Transformer (ViT) was proposed for early detection of forest fires. By integrating features extracted from three different ViT architectures and filtering them using Minimum Redundancy Maximum Relevance (mRMR) optimisation, the model achieved 100% accuracy. The results show that the developed segmentation and classification models provide very accurate and efficient results in different situations.