Εκτίμηση των SBST τύπων κτιρίων χρησιμοποιώντας πολυαισθητήρες τηλεπισκόπησης
Από RemoteSensing Wiki
μ (Νέα σελίδα με 'Εκτίμηση των SBST τύπων κτιρίων χρησιμοποιώντας πολυαισθητήρες τηλεπισκόπησης Estimation of seismic buil...') |
|||
| Γραμμή 1: | Γραμμή 1: | ||
| - | + | Estimation of seismic building structural types using multi-sensorremote sensing and machine learning techniques | |
| - | + | Christian Geiί Patrick AravenaPelizari, MattiaMarconcini, WayanSengara, Mark Edwards, Tobia Lakes, Hannes Taubenbock | |
| - | Christian Geiί Patrick | + | |
| + | [[Εικόνα:1sei.jpg| thumb | right | Εικόνα 1]] | ||
| + | [[Εικόνα:2sei.jpg| thumb | right | Εικόνα 2]] | ||
Εισαγωγή | Εισαγωγή | ||
| - | Οι λεπτομερείς πληροφορίες σχετικά με σεισμική οικοδόμηση κτιρίων (SBST) αντικατοπτρίζουν τις βασικές δομές κατασκευής των κτιρίων και τη συμπεριφορά τους υπό την δράση | + | |
| + | Οι λεπτομερείς πληροφορίες σχετικά με σεισμική οικοδόμηση κτιρίων (SBST) αντικατοπτρίζουν τις βασικές δομές κατασκευής των κτιρίων και τη συμπεριφορά τους υπό την δράση σεισμικώνδονήσεων. Ωστόσο, για πολλές αστικές περιοχές αυτές οι πληροφορίες δεν είναι επαρκείς.Στην παρούσα εργασία γίνεται μια προσέγγιση για την εκτίμηση SBSTμε την βοήθεια τηλεπισκοπικών δεδομένων. | ||
Μεθοδολογία | Μεθοδολογία | ||
| - | |||
| - | + | Η διαδικασία περιλαμβάνει κάποια στάδια τα οποία είναι ο υπολογισμός των πληροφοριών που προέκυψαναπό τα δεδομένα τηλεπισκόπησηςστην πόληΠαντάνγκ, η επιλογή των κατάλληλων δεδομένων, η παραγωγή συνθετικών δειγμάτων και αξιολόγηση με βάση VectorMachinesκαι RandomForests. Για την παρουσίαση της εφαρμοστικότητας του μοντέλου παρουσιάστηκαν οι απώλειες σεισμικής δόνησης στην περιοχή της Παντάνγκμέσω λογαριθμικών κατανομών. Η παρουσίαση έγινε με την βοήθεια του δείκτη DIο οποίος μετράει οικονομικά τις ζημίες με βάση το κόστος επισκευής μιας κατοικίας, την συνολική δόμηση και το κόστος ανοικοδόμησης μετά την επίδραση καταστροφικού σεισμού. | |
| - | Οι χωρικά κατανεμημένες πληροφορίες του SBST περιλαμβάνουν την ικανότητα για την ταχεία αξιολόγηση βλάβης ( | + | Τα δεδομένα τηλεπισκόπησης που χρησιμοποιήθηκαν περιλαμβάνουν πολυφασματική εικόνα IKONOS, multitemporal δεδομένα LANDSAT με την βοήθεια του αισθητήρα Mapper, καθώς και πληροφορίες ύψους από NDSM. Οι πληροφορίες ύψους προήλθαν μέσα από ένα ψηφιακό μοντέλο επιφανείας (DSM) και ένα ψηφιακό μοντέλο εδάφους (DTM), τα οποία προέρχονται από αερομεταφερόμενα δεδομένα ραντάρ που αποκτήθηκαν από ζεύγος κεραιών και επεξεργασία χρησιμοποιώντας τεχνικές συμβολομετρίας SAR (Lietal., 2004). Η ατμοσφαιρική διόρθωση έγινε χρησιμοποιώντας το ATCOR. |
| + | |||
| + | Οι χωρικά κατανεμημένες πληροφορίες του SBST περιλαμβάνουν την ικανότητα για την ταχεία αξιολόγηση βλάβης (Picozzietal., 2013). Οι πληροφορίες που μας δίνουν οι τεχνικές τηλεπισκόπησης σε συνδυασμό με τον SBSTείναι χρήσιμες για μια καθοδηγούμενη και έτσι πιο ακριβή καταγραφή βλάβης και χαρτογράφηση μετά τον σεισμό (Dell'Acqua και Gamba, 2012). Επίσης, η τηλεπισκόπηση έχει την ικανότητα να ποσοτικοποιηθεί εκτεθειμένα άτομα (Taubenböcketal., 2009β), το οποίο επιτρέπει επίσης την εκτίμηση των ανθρώπινων θυμάτων εντός της περιοχής όπου εφαρμόζεται το μοντέλο. | ||
Συμπεράσματα | Συμπεράσματα | ||
| - | |||
| - | |||
| - | + | Υπάρχει εμφανής συσχέτιση μεταξύ των ψηφιακών πληροφοριών των pixels | |
| - | + | και του SBST, επομένως μπορούμε να αντλήσουμε σύνολα πολύτιμα χαρακτηριστικά για το αστικό περιβάλλον. Επομένως συμπεραίνουμε πως τα δεδομένα τηλεπισκόπησης και οι μέθοδοι που ακολουθήθηκαν παρέχουν υψηλή ικανότητα για την υποστήριξη της εκτίμησης του SBSTγια μια αποτελεσματική μοντελοποίηση της απώλειας από τους σεισμούς βασισμένη στην τηλεπισκόπηση.Γι’ αυτούς τους λόγους υπάρχει ανάγκη συνεννόησης μεταξύ της τηλεπισκοπικής κοινότητας και των αντισεισμικών κατασκευών, προκειμένου να επιτευχθεί μια διεπιστημονική προσέγγιση και να διατεθούν πληροφορίες και τυπολόγια που θα βοηθήσουν στην συστηματική και έγκυρη εκτίμηση των αποτελεσμάτων του σεισμού σε αστικές σεισμογενείς περιοχές που παρουσιάζουν και το μεγαλύτερο πρόβλημα. | |
| - | + | ||
| - | + | ||
Παρούσα αναθεώρηση της 10:51, 20 Απριλίου 2015
Estimation of seismic building structural types using multi-sensorremote sensing and machine learning techniques
Christian Geiί Patrick AravenaPelizari, MattiaMarconcini, WayanSengara, Mark Edwards, Tobia Lakes, Hannes Taubenbock
Εισαγωγή
Οι λεπτομερείς πληροφορίες σχετικά με σεισμική οικοδόμηση κτιρίων (SBST) αντικατοπτρίζουν τις βασικές δομές κατασκευής των κτιρίων και τη συμπεριφορά τους υπό την δράση σεισμικώνδονήσεων. Ωστόσο, για πολλές αστικές περιοχές αυτές οι πληροφορίες δεν είναι επαρκείς.Στην παρούσα εργασία γίνεται μια προσέγγιση για την εκτίμηση SBSTμε την βοήθεια τηλεπισκοπικών δεδομένων.
Μεθοδολογία
Η διαδικασία περιλαμβάνει κάποια στάδια τα οποία είναι ο υπολογισμός των πληροφοριών που προέκυψαναπό τα δεδομένα τηλεπισκόπησηςστην πόληΠαντάνγκ, η επιλογή των κατάλληλων δεδομένων, η παραγωγή συνθετικών δειγμάτων και αξιολόγηση με βάση VectorMachinesκαι RandomForests. Για την παρουσίαση της εφαρμοστικότητας του μοντέλου παρουσιάστηκαν οι απώλειες σεισμικής δόνησης στην περιοχή της Παντάνγκμέσω λογαριθμικών κατανομών. Η παρουσίαση έγινε με την βοήθεια του δείκτη DIο οποίος μετράει οικονομικά τις ζημίες με βάση το κόστος επισκευής μιας κατοικίας, την συνολική δόμηση και το κόστος ανοικοδόμησης μετά την επίδραση καταστροφικού σεισμού.
Τα δεδομένα τηλεπισκόπησης που χρησιμοποιήθηκαν περιλαμβάνουν πολυφασματική εικόνα IKONOS, multitemporal δεδομένα LANDSAT με την βοήθεια του αισθητήρα Mapper, καθώς και πληροφορίες ύψους από NDSM. Οι πληροφορίες ύψους προήλθαν μέσα από ένα ψηφιακό μοντέλο επιφανείας (DSM) και ένα ψηφιακό μοντέλο εδάφους (DTM), τα οποία προέρχονται από αερομεταφερόμενα δεδομένα ραντάρ που αποκτήθηκαν από ζεύγος κεραιών και επεξεργασία χρησιμοποιώντας τεχνικές συμβολομετρίας SAR (Lietal., 2004). Η ατμοσφαιρική διόρθωση έγινε χρησιμοποιώντας το ATCOR.
Οι χωρικά κατανεμημένες πληροφορίες του SBST περιλαμβάνουν την ικανότητα για την ταχεία αξιολόγηση βλάβης (Picozzietal., 2013). Οι πληροφορίες που μας δίνουν οι τεχνικές τηλεπισκόπησης σε συνδυασμό με τον SBSTείναι χρήσιμες για μια καθοδηγούμενη και έτσι πιο ακριβή καταγραφή βλάβης και χαρτογράφηση μετά τον σεισμό (Dell'Acqua και Gamba, 2012). Επίσης, η τηλεπισκόπηση έχει την ικανότητα να ποσοτικοποιηθεί εκτεθειμένα άτομα (Taubenböcketal., 2009β), το οποίο επιτρέπει επίσης την εκτίμηση των ανθρώπινων θυμάτων εντός της περιοχής όπου εφαρμόζεται το μοντέλο.
Συμπεράσματα
Υπάρχει εμφανής συσχέτιση μεταξύ των ψηφιακών πληροφοριών των pixels και του SBST, επομένως μπορούμε να αντλήσουμε σύνολα πολύτιμα χαρακτηριστικά για το αστικό περιβάλλον. Επομένως συμπεραίνουμε πως τα δεδομένα τηλεπισκόπησης και οι μέθοδοι που ακολουθήθηκαν παρέχουν υψηλή ικανότητα για την υποστήριξη της εκτίμησης του SBSTγια μια αποτελεσματική μοντελοποίηση της απώλειας από τους σεισμούς βασισμένη στην τηλεπισκόπηση.Γι’ αυτούς τους λόγους υπάρχει ανάγκη συνεννόησης μεταξύ της τηλεπισκοπικής κοινότητας και των αντισεισμικών κατασκευών, προκειμένου να επιτευχθεί μια διεπιστημονική προσέγγιση και να διατεθούν πληροφορίες και τυπολόγια που θα βοηθήσουν στην συστηματική και έγκυρη εκτίμηση των αποτελεσμάτων του σεισμού σε αστικές σεισμογενείς περιοχές που παρουσιάζουν και το μεγαλύτερο πρόβλημα.
