Αυτόματη ανίχνευση ζημιών στα κτίρια με τη χρήση τηλεπισκοπικών μεθόδων διαχείρισης καταστροφών. Η Περίπτωση του σεισμού της Αϊτής το 2010

'''''Πρωτότυπος τίτλος:''''' Towards a rapid automatic detection of building damage using remote sensing for disaster management: The 2010 Haiti earthquake

'''''Συγγραφείς:''''' Thi-Thanh-Hien Pham, Philippe Apparicio, Christopher Gomez, Cristiane Weber, Dominique Mathon

'''''Λέξεις κλειδιά:''''' Καταστροφές, Επείγουσα βοήθεια, Port-au-Prince, Τηλεπισκόπηση

'''''Πηγή:''''' [http://www.emeraldinsight.com/doi/abs/10.1108/DPM-12-2012-0148?journalCode=dpm Disaster Prevention and Management, 2014, 23(1):53 - 66]


= Εισαγωγή =


Η αύξηση του παγκόσμιου πληθυσμού και η ανάπτυξη γρήγορων και παγκόσμιων δικτύων επικοινωνίας έχουν φέρει τις πρόσφατες σεισμικές καταστροφές στο φως της δημοσιότητας, π.χ. στην Andaman (2004), στο Σιτσουάν (2008) και στην Αϊτή (2010). Με εξαιρετικά σύντομο χρονικό περιθώριο ανταπόκρισης σε περίπτωση έκτακτης ανάγκης και την ανάγκη για στιγμιαία πρόσβαση σε χωρικά δεδομένα κατανοητά σε ανειδίκευτους στην τηλε-επισκόπηση, ο ρόλος των δορυφορικών εικόνων είναι ζωτικής σημασίας για την εν λόγω διαχείριση κρίσεων.  Δορυφορικές και εναέριες εικόνες έχουν χρησιμοποιηθεί ευρέως σε διάφορα στάδια της  διαχείρισης καταστροφών, συμπεριλαμβανομένων  των διασώσεων και ανοικοδόμησης, ιδίως για να γίνει χαρτογράφηση ζημιών στην υποδομή και να εκτιμηθεί η σοβαρότητα της καταστροφής, όπως κατεδαφισμένα ή κατεστραμμένα κτίρια, δρόμοι, γέφυρες. Αν και μερικώς ή πλήρως αυτόματες τεχνικές για τον εντοπισμό και την εκτίμηση των ζημιών προτείνονται όλο και περισσότερο, δεν έχουν χρησιμοποιηθεί κατά τη διάρκεια καταστάσεων έκτακτης ανάγκης. 

Ένας από τους πιο σημαντικούς λόγους είναι ότι οι χρονικοί περιορισμοί δεν επιτρέπουν την εφαρμογή σύνθετης επεξεργασίας εικόνας, ειδικά όταν μία εικόνα “πριν” και μία “μετά” ενσωματώνονται στην ανίχνευση βλάβης. Επιπλέον, υπάρχει ακόμη ανάγκη για βελτίωση της αξιοπιστίας των τεχνικών ανίχνευσης ζημίας, οι οποίες επηρεάζονται σε μεγάλο βαθμό από την γεωμετρική παραμόρφωση, την λανθασμένη καταχώρηση των εικόνων πριν και μετά την καταστροφή, τις αλλαγές στην βλάστηση ή στα κτίρια (οι οποίες δεν προκλήθηκαν από το καταστροφή), και την κυκλοφορία των αυτοκινήτων. Η πρακτική και λειτουργική χρήση γρήγορων αυτόματων μεθόδων είναι περιορισμένη και η οπτική ερμηνεία είναι ο πιο κοινός τρόπος να χαρτογραφηθεί γρήγορα η ζημία. Μία ταχύτερη, αυτοματοποιημένη μέθοδος για να αξιολογηθούν και να χαρτογραφηθούν οι πληγείσες περιοχές είναι αναγκαία για την υλοποίηση αποδοτικών και αποτελεσματικών έκτακτων μέτρων. Στην παρούσα εργασία προσπαθούμε να κατανοήσουμε και να δείξουμε πώς μια πλήρως αυτόματη τεχνική χρησιμοποιώντας μόνο μια εικόνα μετά την καταστροφή μπορεί να είναι χρήσιμη για μια πρώτη και γρήγορη εκτίμηση της βλάβη κτίριο και για τη διαχείριση των καταστροφών εν γένει. Στόχος μας είναι να αναπτύξουμε μια μέθοδος που να ανιχνεύει αυτόματα κτίρια που έχουν καταρρεύσει και συντρίμμια μετά από μια καταστροφή. Εφαρμόσαμε την μέθοδο σε δεδομένα που πήραμε μετά τον σεισμό στο Port-au-Prince.


= Τηλε-επισκόπηση ζημιών κτηρίων υπό ιδανικές συνθήκες. =
[[Αρχείο:sp_a5_e1.png|thumb|right|Εικόνα 1]]

Ανά τα χρόνια έχουν προταθεί αρκετές μεθοδολογικές προσεγγίσεις για την αυτόματη ανίχνευση ζημιών που προκαλούνται σε κτήρια μετά από μια καταστροφή. Εδώ θα εστιάσουμε σε στρατηγικές που χρησιμοποιούν VHR οπτικές εικόνες, ειδικά όταν συνδυάζονται με δεδομένα LiDAR. Τρεις στρατηγικές ανίχνευσης συνήθως προτιμούνται (Εικόνα 1): Η πρώτη (Α) χρησιμοποιεί μια ενιαία εικόνα που ελήφθει μετά το γεγονός, ενώ οι Β και Γ κάνουν χρήση δύο εικόνων (πριν και μετά το γεγονός).

Σε καταστάσεις έκτακτης οι ανάγκης στρατηγικές Β και C χρησιμοποιούνται σπάνια. Πρώτα απ 'όλα, το χρονικό διάστημα μεταξύ των δύο εικόνων, εάν υπάρχουν, πρέπει να είναι σχετικά μικρό προκειμένου να εξασφαλιστεί ότι οι αλλαγές που παρατηρήθηκαν μεταξύ των δύο ημερομηνιών προκαλούνται μόνο από το καταστροφή. Επίσης, η γεωαναφορά των δύο εικόνων μπορεί να γίνει περίπλοκη και χρονοβόρα, ειδικά εάν έχουν ληφθεί με διαφορετικές οπτικές γωνίες.
Όποια και αν είναι η προτιμώμενη στρατηγική (Α, Β ή Γ), η μέθοδος ταξινόμησης μπορεί να είναι pixel-based που θα μπορούσε να συνδυαστεί με τεχνικές texture ή edge ή αντικειμενοστραφείς τεχνικές. Ωστόσο, οι τελευταίες μελέτες δείχνουν ότι οι μέθοδοι ταξινόμησης με βάση τα pixel εικονοστοιχείο έχουν σχετικά χαμηλή απόδοση.


= Μεθοδολογία =


Για τη μελέτη αυτή, χρησιμοποιήθηκαν δύο σύνολα δεδομένων τα οποία διατίθενται δωρεάν από την Google. Πρώτον, πήραμε αεροφωτογραφίες από τις 21 και 22 Ιανουαρίου του 2010 από την World Bank-IMageCAT-RIT (υψηλής ανάλυσης) οι οποίες συνδυάστηκαν σε τρεις ζώνες μέσα με σύνθετο χρώμα σύνθετο σε ανάλυση 15 cm. Δεύτερον, δεδομένα LiDAR σε χωρική ανάλυση 1m από τις 21 Ιανουαρίου 2010 έως τις 27. Λόγω έλλειψης στοιχείων σχετικά με την γεωαναφορά και ορθοαναγωγή των εικόνων, πραγματοποιήσαμε μια γεωμετρική διόρθωση για αυτά τα σύνολα δεδομένων βάση μίας πολυωνυμικής μεθόδου του λογισμικού PCI Geomatica. Η εφαρμογή μίας αντικειμενοστραφούς προσέγγισης χρησιμοποιώντας το λογισμικό eCognition είχε δύο βασικά βήματα :

[[Αρχείο:sp_a5_e2.png|thumb|right|Εικόνα 2]]
Α) Κατάτμηση εικόνας στα τρία πρωτότυπα σύνολα εικόνων υψηλής ανάλυσης.

B) Ταξινόμηση των γεωμετρικών και συμφραζομένων χαρακτηριστικών σε 3 τύπους :

* I. Συντρίμμια (Debris)

* II. Grade I

* III. Grades IV-V

Για να αξιολογήσουμε την ακρίβεια των αποτελεσμάτων μας, τα συγκρίναμε με δύο σύνολα δεδομένων αναφοράς. Η πρώτη σύγκριση διεξήχθει με 51 σημεία ανά κατηγορία (συνολικά 153 σημεία), που συνιστάται συνήθως στην τηλεπισκόπησης. Μοιράσαμε κάθε σημείο σε μία από τις τρεις κατηγορίες λαμβάνοντας υπόψη το χρώμα, την υφή και το πλαίσιο γύρω από αυτά τα σημεία για την εικόνα υψηλής ανάλυσης. Για κάθε σημείο αναφοράς, δημιουργήσαμε αρκετές ζώνες(buffer zones): 0,15, 0,50, 1, 2 και 5 m (με τη χρήση του λογισμικού ArcGIS), προκειμένου να αξιολογήσει η περίμετρος κατά την οποία η κατάταξη είναι πιο ακριβής. Η υπέρθεση με τις ουδέτερες ζώνες πάνω από την κατάταξη μας επέτρεψε να εκτιμήσουμε την ακρίβεια της ταξινόμησης μέσω του πίνακα σύγχυσης (confusion matrix).

Το δεύτερο σετ δεδομένων αναφοράς εξήχθει από το “Remote Sensing Damage Assessment: UNITAR/UNOSAT, EC JRC, and World Bank”(UNOSAT) του  σεισμού της Αϊτής το 2010, στο οποίο πέντε βαθμίδες EMS-98 παρουσιάζονται ως σημεία. Εξαγάγαμε μόνο κατηγορίες IV και V, από αυτή τη βάση δεδομένων και τις μετατρέψαμε σε ένα χάρτη(kernel density map) με μέγεθος των κυττάρων εξόδου(output cells) του 20m. Από την κατάταξή μας, εξάγαμε επίσης μόνο τα συντρίμμια (Debris) και τις κατηγορίες IV και V (σε πολύγωνα), υπολογίσαμε τα κεντροειδή σημεία τα οποία και μετατρέψαμε σε ένα kernel density map με το ίδιο μέγεθος κελιών. Οι δύο χάρτες στη συνέχεια αναλύθηκαν σε τέσσερις βαθμίδες (που ονομάζεται από 1 έως 4) που αντιστοιχούν στα τέσσερα επίπεδα της πυκνότητα ζημιών. Οι δύο χάρτες πυκνότητας τελικά συνενώθηκαν με σκοπό την αξιολόγηση η ακρίβεια της ταξινόμησης των ζημιών μέσω του πίνακα σύγχυσης(confusion matrix).


= Αποτελέσματα – Συμπεράσματα =
[[Αρχείο:sp_a5_e3.png|thumb|right|Εικόνα 3]]

Σχετικά με την πρώτη εκτίμηση, η συνολική ακρίβεια είναι κοντά στο 70 τοις εκατό. Η παράλειψη σφαλμάτων είναι σημαντική για κτίρια που κατέρρευσαν (κατηγορίες IV και V), σε μικρότερο βαθμό για την τα συντρίμμια, και σχεδόν ασήμαντη για το βαθμό Ι. Τα λάθη για τους βαθμούς IV και V μπορούν να εξηγηθούν από τη δυσκολία να ανιχνευτούν τα κτίρια με κεκλιμένη ή συμμετρική κατάρρευση. 

Στη δεύτερη αξιολόγηση, η ταξινόμηση μας και ο χάρτης UNOSAT έδωσαν παρόμοια επίπεδα έντασης ζημία στο 79% της περιοχής μελέτης.  Τα περισσότερα σφάλματα (βαθμοί -2 και -3 στο σχήμα) αφορούσαν αντικείμενα που κατηγοριοποιήθηκαν ως ζημιές ενώ δεν ήταν και αποτελούν περίπου το 14% της συνολικής περιοχής. Τα σφάλματα φαίνεται να συγκεντρώνεται στο κεντρικό τμήμα της περιοχής μελέτης και στις βόρειες παράκτιες περιοχές. Αυτό είναι πιθανό να οφείλεται στην πυκνότητα των κτιρίων και στην διαφορά στο χρώμα των στεγών σε αυτές τις περιοχές. Επιπλέον, δεδομένου ότι το ύψος των κτιρίων διαφέρει πολύ σε αυτές τις περιοχές, η ανάλυση των δεδομένων LiDAR δεν είναι αρκετά καλή για να διαχωριστούν οι αλλαγή στο ύψος των κατεστραμμένων κτιρίων.

Συνοψίζοντας, το πλεονέκτημα της αυτόματης ανίχνευσης καταστροφών, χρησιμοποιώντας τηλεπισκοπικά δεδομένα είναι το ότι παρέχει μια γρήγορη και συνοπτική εκτίμηση της έκτασης και έντασης του καταστροφικού συμβάντος, και μάλιστα σε περιοχές, που δεν είναι προσβάσιμες διά εδάφους, λόγω π.χ. γκρεμισμένων υποδομών. Τα μειονεκτήματα είναι η μειωμένη ακρίβεια που προσφέρει σε σχέση με τη χειροκίνητη χαρτογράφηση, η χρονική καθυστέρηση και η τεχνική δυσκολία χρήσης αυτής της μεθόδου από μη-ειδικούς.

 [[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]