Εκτίμηση τρωτότητας αστικών κτιρίων από πλημμύρες με βάση την ενσωμάτωση εικόνων τηλεπισκόπησης υψηλής ανάλυσης και προβολής δρόμου

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Flood vulnerability assessment of urban buildings based on integrating high-resolution remote sensing and street view images

Συγγραφείς: Ziyao Xing, Shuai Yang, Xuli Zan, Xinrui Dong, Yu Yao, Zhe Liu, Xiaodong Zhang

Πηγή:https://www.sciencedirect.com/science/article/pii/S2210670723000781

Περίληψη

Η μελέτη προτείνει ένα πλαίσιο αξιολόγησης ευπάθειας κτιρίων χρησιμοποιώντας εικόνες από τηλεπισκόπηση και θέασης δρόμου. Με τη χρήση ενός μοντέλου σημασιολογικής εξακρίβωσης με βάση το UNet, το FSA-UNet, επιτυγχάνεται η ολοκληρωμένη εκμετάλλευση των πληροφοριών ευπάθειας. Τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος είναι πιο ακριβής από τα παραδοσιακά μοντέλα και μπορεί να βελτιώσει την αξιολόγηση της ευπάθειας των κτιρίων. Η μελέτη αυτή προσφέρει υποστήριξη στη διαχείριση καταστροφών και τον αστικό σχεδιασμό.

1. Εισαγωγή

Η ανάγκη για αξιολόγηση και πρόβλεψη των κινδύνων πλημμύρας λόγω της συνεχούς κλιματικής αλλαγής και της αστικοποίησης κοντά σε ακτογραμμές και ποτάμια είναι επιτακτική. Η τρωτότητα των κτιρίων σε πλημμύρες είναι ζωτικής σημασίας για την ανθεκτικότητα των πόλεων. Μεθόδους αξιολόγησης που βασίζονται σε εικόνες θέασης δρόμου και τηλεπισκόπησης αναπτύσσονται για τη βελτίωση της ακρίβειας και της ευκολίας στην αξιολόγηση της τρωτότητας των κτιρίων. Η μελέτη προτείνει ένα νέο μοντέλο (FSA-UNet) που ενσωματώνει εικόνες οδικής προβολής και τηλεπισκόπησης για την αξιολόγηση της τρωτότητας των κτιρίων, ενώ παρέχει ένα πλαίσιο αξιολόγησης της τρωτότητας των κτιρίων με βάση τα εν λόγω χαρακτηριστικά. Αυτή η έρευνα έχει πολλαπλά οφέλη, συμβάλλοντας στη δημιουργία βιώσιμων και ανθεκτικών πόλεων και στην αποτελεσματική διαχείριση κινδύνων πλημμύρας.

2. Σχετικές εργασίες

Η τηλεπισκόπηση καθίσταται ολοένα και πιο σημαντική στον εντοπισμό και την αξιολόγηση κτιρίων, καθώς και στην εκτίμηση κινδύνων καταστροφών. Πολλές μελέτες έχουν εστιάσει στη χρήση της τηλεπισκόπησης για τη συλλογή πληροφοριών σχετικά με το περιβάλλον των κτιρίων και την εκτίμηση της τρωτότητάς τους. Ωστόσο, η αξιολόγηση της τρωτότητας των κτιρίων απαιτεί την αναγνώριση και τον χαρακτηρισμό τους, λαμβάνοντας υπόψη τα χαρακτηριστικά τους όπως το μέγεθος και ο τύπος της στέγης. Πολλές προσεγγίσεις βασίζονται στο χρώμα της οροφής για την αναγνώριση των υλικών κατασκευής, αγνοώντας άλλα σημαντικά μέρη του κτιρίου, γεγονός που μπορεί να οδηγήσει σε ανακρίβειες και ανεπάρκειες.

Πολλοί ερευνητές έχουν εργαστεί για τη βελτίωση της ακρίβειας των μεθόδων αξιολόγησης της τρωτότητας των κτιρίων ενσωματώνοντας δεδομένα από διάφορες πηγές. Παρόλα αυτά, η συλλογή δεδομένων πεδίου είναι δαπανηρή και η ποιότητά της ποικίλει, κάτι που την καθιστά ανεπαρκή για μεγάλης κλίμακας εφαρμογές. Άλλες πηγές δεδομένων, όπως εικόνες ραντάρ συνθετικού διαφράγματος ή εικόνες από UAV, έχουν χρησιμοποιηθεί για την εκτίμηση της τρωτότητας των κτιρίων με πιο οικονομικό τρόπο, αλλά η ακρίβεια σε ορισμένες περιπτώσεις παραμένει χαμηλή.

Επομένως, η ενσωμάτωση δεδομένων από διαφορετικές οπτικές γωνίες, συνδυάζοντας εικόνες οδικής προβολής με την τηλεπισκόπηση, μπορεί να συνιστά αποτελεσματική προσέγγιση για τη μείωση της δυσκολίας στην αξιολόγηση της τρωτότητας των κτιρίων.

3. Περιοχή μελέτης και δεδομένα

Η περιοχή μελέτης βρίσκεται στην αστική περιοχή του Hefei, στην επαρχία Anhui της Κίνας (εικ.1). Το Hefei έχει υποτροπικό κλίμα μουσώνων και διαθέτει ανεπτυγμένο σύστημα επιφανειακών υδάτων, συμπεριλαμβανομένης της λίμνης Chaohu, μίας από τις μεγαλύτερες λίμνες γλυκού νερού στην Κίνα.

Εικ. 1. Τοποθεσία της περιοχής μελέτης και κατανομή των εικόνων θέασης του δρόμου.

Για τη λεπτομερή αξιολόγηση της τρωτότητας των κτιρίων, απαιτούνται εικόνες τηλεπισκόπησης υψηλής ανάλυσης, οι οποίες προέρχονται από τον δικτυακό τόπο Tianditu και το Baidu Map. Οι εικόνες τηλεπισκόπησης προσφέρουν χωρική ανάλυση περίπου 0,5 m και αποτελούνται από πολυφασικές εικόνες χωρίς σύννεφα που συλλέχθηκαν από δορυφόρους το 2021. Επίσης, οι εικόνες προβολής δρόμου προέρχονται από το Baidu Map και χρησιμοποιούνται για την αναγνώριση των κύριων δρόμων αλλά και κάποιων εσωτερικών δρόμων κατοικημένης περιοχής στην περιοχή μελέτης. Η απόκτηση των εικόνων δρόμου γίνεται μέσω του API της Baidu, το οποίο επιτρέπει την αναζήτηση εικόνων προβολής δρόμου με βάση τις γεωγραφικές συντεταγμένες (εικ.2).

4. Μέθοδος

Η παρούσα ενότητα παρουσιάζει μια προτεινόμενη ροή εργασίας για την αξιολόγηση της τρωτότητας των κτιρίων σε πλημμύρες (εικ.3). Αρχικά, κατασκευάζεται ένα κριτήριο διαβάθμισης της τρωτότητας από πλημμύρες για αστικά κτίρια, με βάση τη βιβλιογραφία και τα χαρακτηριστικά του κτιρίου. Στη συνέχεια, παρουσιάζεται η μέθοδος συλλογής και προεπεξεργασίας δεδομένων, η οποία αποτελεί τη βάση για το μοντέλο σημασιολογικής τμηματοποίησης δεδομένων. Στη συνέχεια, γίνεται εισαγωγή στο UNet και ανάλυση του μοντέλου FSA-UNet για την εξαγωγή κτιρίων και την ταξινόμηση των τρωτών σημείων. Τέλος, αναπτύσσεται ένας δείκτης τρωτότητας αστικών κτιρίων βασισμένος στην ταξινόμηση της τρωτότητας, για την κατανόηση της χωρικής κατανομής της τρωτότητας των κτιρίων.

4.1. Κριτήρια διαβάθμισης τρωτότητας

Οι εικόνες τηλεπισκόπησης παρέχουν πληροφορίες για τη δομή και το χρώμα της οροφής, ενώ οι εικόνες θέασης του δρόμου παρέχουν πληροφορίες υλικού μέσω των χαρακτηριστικών των εξωτερικών τοίχων και την έκταση των ζημιών του κτιρίου. Η διάκριση του αριθμού των ορόφων είναι σαφέστερη στις εικόνες θέασης του δρόμου. Με βάση τον αριθμό των ορόφων και την τρωτότητα των κτιρίων, γίνεται ομαδοποίηση των εικόνων, κατηγοριοποιώντας τα κτίρια σε διάφορα επίπεδα τρωτότητας. Συγκεκριμένα, τα πολυώροφα κτίρια κατατάσσονται στο επίπεδο 1, ενώ τα κτίρια μεσαίου ύψους στο επίπεδο 2. Τα κτίρια με χαλύβδινη κατασκευή κατατάσσονται στο επίπεδο 3, ενώ τα κτίρια από τοιχοποιία-σκυρόδεμα σε ελαφρώς υψηλότερη τρωτότητα (επίπεδο 4). Τέλος, γίνεται διαχωρισμός των κτιρίων σε 1-5 επίπεδα, με βάση τα κριτήρια που παρουσιάζονται στον Πίνακα 2, προκειμένου να επισημανθούν για σημασιολογική κατάτμηση.

4.2. Προεπεξεργασία εικόνας

Η διαδικασία προεπεξεργασίας των εικόνων τηλεπισκόπησης και οδοσκόπησης είναι σύνθετη και περιλαμβάνει πολλά βήματα. (εικ.4) Πρώτα, οι εικόνες θέασης δρόμου εξάγονται κάθε ορισμένο διάστημα για να μειωθεί ο υπολογιστικός φόρτος. Στη συνέχεια, προσαρμόζονται οι εικόνες τηλεπισκόπησης στην προοπτική των εικόνων θέασης δρόμου, λαμβάνοντας υπόψη τη γωνία και την τροχιά του οχήματος. Μετά, οι εικόνες τηλεπισκόπησης κόβονται και προσαρμόζονται σε συγκεκριμένα μεγέθη. Τέλος, αφαιρούνται η κορυφή και το κάτω μέρος των εικόνων οδοσκόπησης και κάθε εικόνα διαιρείται σε δύο μέρη, αριστερή και δεξιά πλευρά, με σκοπό τη μείωση του φόντου. Αυτές οι διαδικασίες βοηθούν στη βελτίωση της ακρίβειας και της απόδοσης του μοντέλου και στην εξαγωγή πιο σαφών χαρακτηριστικών κτιρίων.

4.3. Σημασιολογική κατάτμηση με FSA-UNet (Fusion-Self-Attention-UNet) 4.3.1. Επισκόπηση του FSA-UNet

Η εργασία παρουσιάζει ένα βελτιωμένο μοντέλο UNet, το οποίο ονομάζεται FSA-UNet (εικ.5). Το UNet είναι ένα δημοφιλές μοντέλο σημασιολογικής κατάτμησης εικόνας που επιλύει το πρόβλημα από άκρη σε άκρη. Το FSA-UNet βασίζεται στην αρχιτεκτονική του UNet, περιλαμβάνοντας ένα μονοπάτι συστολής (κωδικοποιητής) και ένα μονοπάτι επέκτασης (αποκωδικοποιητής). Χρησιμοποιείται το RestNet-50 ως κωδικοποιητής για την εξαγωγή χαρακτηριστικών χαμηλού έως υψηλού επιπέδου των εικόνων τηλεπισκόπησης και θέασης δρόμου αντίστοιχα. Το μοντέλο μειώνει την αρχική εικόνα και στη συνέχεια εξάγει τα χαρακτηριστικά χρησιμοποιώντας τέσσερα στάδια του resblock.

Το παραδοσιακού μοντέλο UNet, χρησιμοποιεί μια συμμετρική δομή σχήματος U για να συγχωνεύσει τα βαθιά και ρηχά χαρακτηριστικά μέσω μιας σύνδεσης με παράκαμψη στρώματος. Προσθέτει ένα μπλοκ χαρακτηριστικών ακμής στο τελευταίο επίπεδο αποκωδικοποίησης για την ενίσχυση των χαρακτηριστικών των άκρων. Επιπλέον, σχεδιάζεται ένα μπλοκ αυτοπροσοχής χαρακτηριστικών πολλαπλών πηγών για την ενσωμάτωση των εικόνων τηλεπισκόπησης και θέασης δρόμου. Για την εξισορρόπηση μεταξύ απόδοσης και υπολογιστικών πόρων, η αυτοπροσοχή χρησιμοποιείται μόνο για τα βαθιά χαρακτηριστικά υψηλής διάστασης. Τέλος, τα αρχικά χαρακτηριστικά των κατώτερων στρωμάτων συγχωνεύονται απευθείας με τα χαρακτηριστικά τηλεπισκόπησης και τα χαρακτηριστικά ακμής, βελτιώνοντας έτσι το αποτέλεσμα της τμηματοποίησης.

4.3.2. Μπλοκ αυτοπροσοχής με σύντηξη χαρακτηριστικών πολλαπλών πηγών

Η έρευνα προτείνει τη χρήση ενός παραδοσιακού μηχανισμού αυτοπροσοχής για την εξαγωγή συνολικών πληροφοριών πλαισίου από διαφορετικά τμήματα ενός πίνακα εισόδου. Μια μονάδα αυτοπροσοχής σχεδιάζεται για την ενσωμάτωση εικόνων τηλεπισκόπησης και θέασης δρόμου για την επεξεργασία χαρακτηριστικών θέασης δρόμου. Η λειτουργία αυτοπροσοχής περιγράφεται ως αντιστοίχιση ενός ερωτήματος και ενός συνόλου ζευγών κλειδιού-τιμής σε μια έξοδο. Τα χαρακτηριστικά χαμηλού επιπέδου των εικόνων θέασης δρόμου και τηλεπισκόπησης εξάγονται και στη συνέχεια εισάγονται σε ένα μπλοκ αυτοεπιτήρησης. Αυτό συμβαίνει μέσω ενός γραμμικού μετασχηματισμού, ενώ τα κλειδιά και οι τιμές προέρχονται από τα χαρακτηριστικά της εικόνας του δρόμου. Το τελικό διάνυσμα εξόδου λαμβάνεται με βάση τον τύπο που περιγράφεται.

όπου H είναι ο πίνακας εξόδου, dk είναι η διάσταση του πίνακα τιμών και του πίνακα κλειδιών, softmax είναι η συνάρτηση κανονικοποιημένη ανά στήλη. fr είναι το χαρακτηριστικό γνώρισμα τηλεπισκόπησης και fs είναι το χαρακτηριστικό γνώρισμα της όψης του δρόμου.

Στη μελέτη αυτή, αναλύεται η εξαγωγή των χαμηλού επιπέδου χαρακτηριστικών από εικόνες προβολής δρόμου και τηλεπισκόπησης με βάση το ResNet-50. Αυτά τα χαρακτηριστικά εισέρχονται σε ένα μπλοκ αυτοπροσοχής, όπου διαπραγματεύονται και ενισχύουν την αναπαράσταση των χαρακτηριστικών της εικόνας προβολής δρόμου μέσω της αλληλεπίδρασης με τα χαρακτηριστικά των απομακρυσμένων αισθητήρων.

4.3.2. Μπλοκ ανίχνευσης ακμών

Το μοντέλο UNet αντιμετωπίζει το πρόβλημα της απώλειας πληροφοριών για τις ακμές, επηρεάζοντας την ακρίβεια της κατάτμησης. Σε αυτό το άρθρο επιλέγεται ο τελεστής Sobel, γνωστός για τη χρήση του στην ανίχνευση ακμών, για την εξαγωγή πληροφοριών ακμών από τις αρχικές εικόνες τηλεπισκόπησης. Ο τελεστής Sobel έχει αποδειχθεί ότι έχει υψηλότερη απόδοση σε σύγκριση με άλλους τελεστές, και χρησιμοποιείται για την εξαγωγή πληροφοριών κλίσης της περιοχής στόχου της εικόνας. Το προτεινόμενο μοντέλο εισάγει τον τελεστή Sobel μέσω ενός μπλοκ συνέλιξης, που ενσωματώνει τη λειτουργία συνέλιξης στη διαδικασία. Αυτό το μπλοκ ενισχύει την ικανότητα αναγνώρισης των ακμών του αντικειμένου εδάφους, ειδικά σε περιοχές όπου το κτίριο είναι σκιασμένο ή το έδαφος έχει παρόμοια χαρακτηριστικά με το κτίριο.

4.3.3. Εκπαίδευση μοντέλου

Το άρθρο αναφέρεται στη βελτίωση του μοντέλου UNet για την ακριβέστερη κατάτμηση εικόνων. Προτείνεται η χρήση του τελεστή Sobel για την εξαγωγή πληροφοριών ακμών, με καλύτερη απόδοση συγκριτικά με άλλους τελεστές. Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας μέθοδο 10-πλής διασταυρούμενης επικύρωσης και προ-εκπαιδευμένα μοντέλα βασίστηκαν στα σύνολα δεδομένων PASCAL SBD και VOC 2012. Η εκπαίδευση και αξιολόγηση έγιναν με συγκεκριμένα χαρακτηριστικά υπολογιστικού εξοπλισμού και λογισμικού.

4.4. Δείκτης τρωτότητας αστικών κτιρίων

Βασιζόμενο στα επίπεδα ευπάθειας των κτιρίων, το άρθρο προτείνει ένα δείκτη για τον υπολογισμό της χωρικής κατανομής της ευπάθειας των κτιρίων σε αστικές περιοχές. Συγκεκριμένα, η μελέτη διαιρέθηκε σε πλέγματα 500 μέτρων, και ο δείκτης υπολογίστηκε για κάθε πλέγμα προκειμένου να προσδιοριστεί ο βαθμός ευπάθειας διαφορετικών περιοχών. Ο δείκτης υπολογίζεται με βάση τη συνολική επιφάνεια των κτιρίων και την περιοχή που καλύπτεται από κάθε επίπεδο ευπάθειας, χρησιμοποιώντας βάρη ανάλογα με το επίπεδο αυτό.

5. Αποτελέσματα 5.1. Υπολογισμός ομοιότητας για την επέκταση των αποτελεσμάτων της ταξινόμησης τρωτότητας

Για την αναβάθμιση του μοντέλου UNet, το οποίο αντιμετωπίζει πρόβλημα απώλειας πληροφοριών για τις ακμές και δεν είναι ακριβές στην ταξινόμηση της τρωτότητας των κτιρίων σε περιοχές χωρίς εικόνες θέασης δρόμου, χρησιμοποιείται μόνο για την ταξινόμηση των κτιρίων σε δύο κατηγορίες: κτίριο και μη κτίριο, με ποσοστό mIoU 85%. Παρατηρείται ότι οι τύποι κτιρίων στην περιοχή μελέτης συχνά έχουν χαρακτηριστικά συνάθροισης, και έτσι πραγματοποιούνται διάφορα βήματα, συμπεριλαμβανομένης της λήψης περιγραμμάτων κτιρίων και του υπολογισμού του βαθμού ομοιότητας μεταξύ τους, για την τελική ανάθεση της κατηγορίας τρωτότητας του κάθε κτιρίου σε ολόκληρη την περιοχή μελέτης. (εικ.6)

5.2. Ανάλυση της αποτελεσματικότητας του μοντέλου 5.2.1. Σύγκριση των αποτελεσμάτων ταξινόμηση

Η εργασία αναλύει μια διαδικασία για την αξιολόγηση της τρωτότητας των κτιρίων σε περιοχές όπου δεν υπάρχουν διαθέσιμες εικόνες από την όψη του δρόμου, χρησιμοποιώντας διάφορες μεθόδους όπως η ακρίβεια, η ανάκληση, η μέση διατομή πάνω από την ένωση και η ακρίβεια. Το προτεινόμενο μοντέλο FSA-UNet συγκρίνεται με άλλα δημοφιλή μοντέλα, εμφανίζοντας υψηλότερη απόδοση σε μετρικές όπως η mIoU, η ανάκληση και η ακρίβεια (πινακας3).

Η ανάλυση των προβλέψεων δείχνει ότι ορισμένα μοντέλα, όπως τα DeeplabV3+ και PSPNet, έχουν υψηλό ποσοστό λανθασμένων προβλέψεων (εικ.8), ενώ το μοντέλο HRNet αντιμετωπίζει δυσκολίες στον σωστό διαχωρισμό των επιπέδων ευπάθειας των κτιρίων. Το μοντέλο UNet είναι πιο ακριβές, αλλά υπάρχουν περιπτώσεις όπου πεζοδρόμια ταξινομούνται ως κτίρια. Επιπλέον, το UNetFormer κατατάσσει λανθασμένα ορισμένα κτίρια, ενώ το FSA-UNet μειώνει αισθητά αυτό το σφάλμα.

Στην επόμενη παράγραφο παρουσιάζονται οι καμπύλες mIoU και απωλειών κατά τη διάρκεια της εκπαίδευσης του FSA-UNet (εικ.8), ενώ αναλύονται επίσης τα αποτελέσματα από τον πίνακα σύγχυσης, επιβεβαιώνοντας την αποτελεσματικότητά του σε διαφορετικά σενάρια ταξινόμησης κτιρίων (εικ9).

5.2.2. Πείραμα απόσβεσης

Η μελέτη συγκρίνει διάφορες εκδοχές ενός μοντέλου μηχανικής μάθησης για την ταξινόμηση κτιρίων σε εικόνες, εστιάζοντας στη βελτιστοποίηση της απόδοσης. Παρατηρείται ότι η προσθήκη ενός μπλοκ αυτοπροσοχής και των χαρακτηριστικών χαμηλού επιπέδου ενισχύει την απόδοση του μοντέλου, με το mIoU να βελτιώνεται κατά 2% και 6% αντίστοιχα. Η συνένωση των χαρακτηριστικών από την εικόνα θέασης του δρόμου και την τηλεπισκόπηση επιβεβαιώνει τη σημασία των χαρακτηριστικών του δρόμου για την ταξινόμηση. Επιπλέον, η προσθήκη ενός μπλοκ ανίχνευσης ακμών βελτιώνει την ακρίβεια, ενώ η εκπαίδευση του μοντέλου FSA-UNet απαιτεί περισσότερο χρόνο, αλλά με αμελητέα απώλεια χρόνου λόγω του μηχανισμού αυτοπροστασίας.

5.3. Χωρική κατανομή της τρωτότητας των κτιρίων

Η προτεινόμενη μέθοδος εφαρμόστηκε στο Hefei και παρουσιάζεται η χωρική κατανομή των διαφόρων επιπέδων τρωτότητας των κτιρίων (εικ.10). Παρατηρείται ότι τα πολυώροφα κτίρια από οπλισμένο σκυρόδεμα με χαμηλή τρωτότητα βρίσκονται κυρίως γύρω από τη δεύτερη περιφερειακή οδό, ενώ η περιοχή γύρω από το Huancheng Park Road έχει κυρίως πολυώροφα και χαμηλά κτίρια με μέτρια και χαμηλή τρωτότητα. Τα βιομηχανικά κτίρια είναι ευρέως κατανεμημένα εκτός της κύριας αστικής περιοχής, με τα περισσότερα να είναι μικρά εμπορικά κτίρια κατά μήκος των δρόμων στα περίχωρα των κατοικιών. Η περιοχή με την υψηλότερη τρωτότητα βρίσκεται στο βορειοανατολικό τμήμα της ανατολικής 2ης περιφερειακής οδού και στο ανατολικό τμήμα της κομητείας Feidong. Οι περιοχές αυτές είναι πυκνά κατοικημένες με ελάχιστο χώρο πρασίνου, κάτι που μπορεί να επιδεινώσει την αποστράγγιση κατά τις πλημμύρες.

Η μέθοδος υπολογισμού του δείκτη τρωτότητας των κτιρίων (εικ.11) δείχνει ότι περιοχές όπως η Baohe, η Luyang, η Shushan και η Yaohai έχουν αυξανόμενη τρωτότητα προς τα εξωτερικά, με κέντρο την παλιά πόλη. Η επιπλέον βελτίωση της τρωτότητας των κτιρίων είναι αναγκαία, ειδικά σε περιοχές που γειτνιάζουν με ποτάμια συστήματα, καθώς η υπερχείλιση των ποταμών μπορεί να προκαλέσει σοβαρές ζημιές.

6. Συζήτηση

Η προσέγγιση που προτείνεται στην εργασία αξιολογεί την τρωτότητα των κτιρίων για πλημμύρες χρησιμοποιώντας χαρακτηριστικά τηλεπισκόπησης και θέασης δρόμου. Αυτό παρέχει μια ολοκληρωμένη διαδικασία που περιλαμβάνει κριτήρια αξιολόγησης, προεπεξεργασία εικόνας και σημασιολογική κατάτμηση. Το μοντέλο FSA-UNet που προτείνεται μπορεί να ενσωματώσει τα χαρακτηριστικά της τηλεπισκόπησης και της θέασης του δρόμου για να βελτιώσει την αξιολόγηση. Αυτή είναι η πρώτη φορά που γίνεται προσπάθεια ενσωμάτωσης αυτών των δύο τεχνικών στην αξιολόγηση της τρωτότητας των κτιρίων για πλημμύρες, με τα αποτελέσματα να επιβεβαιώνουν την αποτελεσματικότητά τους. Τα κύρια ευρήματα, οι περιορισμοί και οι περαιτέρω μελέτες συζητούνται στη συνέχεια.

6.1. Κύρια ευρήματα και σύγκριση με προηγούμενες έρευνες 6.1.1. Αξιολόγηση της τρωτότητας των κτιρίων από πλημμύρες

Από την άλλη πλευρά, τα ευρήματα της παρούσας εργασίας και προηγούμενων ερευνών δείχνουν ότι η ευπάθεια στις πλημμύρες είναι διαφορετική στα αστικά κέντρα, τα προάστια και τις αγροτικές περιοχές, γεγονός που μπορεί να αποδοθεί στην υπερανάπτυξη των πόλεων στην Κίνα. Στην παρούσα εργασία, το ανατολικό τμήμα του Hefei διαθέτει σχετικά παλιά και εύθραυστα κτίρια, γεγονός που υποδηλώνει ότι οι αρμόδιες υπηρεσίες θα πρέπει να ενισχύσουν τη χωρική διαχείριση του κινδύνου πλημμύρας και να βελτιώσουν την ικανότητα πρόληψης της υπερχείλισης των κτιρίων.

6.1.2. Το κλειδί για την ενσωμάτωση της τηλεπισκόπησης και των εικόνων θέασης του δρόμου

Η συζήτηση σχετικά με τον τρόπο συγχώνευσης των εικόνων τηλεπισκόπησης και οδοσκόπησης στο μοντέλο είναι σημαντική. Οι διάφοροι τύποι συγχώνευσης πολυτροπικών δεδομένων περιλαμβάνουν τη συγχώνευση σε επίπεδο χαρακτηριστικών, εικόνας και μοντέλου. Η έρευνα δείχνει ότι η συγχώνευση σε επίπεδο απόφασης είναι συνήθως αποτελεσματικότερη, αλλά υπάρχουν και επιλογές συγχώνευσης σε επίπεδο χαρακτηριστικών. Το πρόβλημα της ευθυγράμμισης των χαρακτηριστικών αποτελεί πρόκληση στη συγχώνευση σε επίπεδο χαρακτηριστικών. Προτείνονται μεθόδοι όπως η περιστροφή των εικόνων τηλεπισκόπησης για βελτίωση της ευθυγράμμισης. Η επεξεργασία όπως η περιστροφή μπορεί να βελτιώσει την εφαρμογή μοντέλων. Ο μηχανισμός αυτοπροστασίας μπορεί να βελτιώσει την ευθυγράμμιση των χαρακτηριστικών. Επίσης, η χρήση εικόνων τηλεπισκόπησης χωρίς περιστροφή μπορεί να οδηγήσει σε χαμηλή ακρίβεια. Τέλος, η εργασία εξετάζει την ομοιότητα των χαρακτηριστικών τηλεπισκόπησης για να συμπληρώσει τα αποτελέσματα αξιολόγησης στην περιοχή χωρίς εικόνες θέασης του δρόμου.

7. Συμπεράσματα

Η έρευνα αυτή εξετάζει τη χρήση εικόνων θέασης του δρόμου και τηλεπισκόπησης για την αξιολόγηση της ευπάθειας των κτιρίων σε καταστροφές από πλημμύρες. Τα χαρακτηριστικά αυτών των εικόνων μπορούν να χρησιμοποιηθούν για την ανίχνευση δομικών στοιχείων και την αξιολόγηση τους. Το μοντέλο FSA-UNet που προτείνεται είναι σε θέση να συλλάβει τα χαρακτηριστικά από διάφορες πηγές δεδομένων, βελτιώνοντας έτσι την ικανότητα αξιολόγησης. Η μέθοδος αυτή μπορεί να προσαρμοστεί σε διάφορους κινδύνους και να χρησιμοποιηθεί για τον σχεδιασμό βιώσιμων αστικών περιοχών. Η ενσωμάτωση πολλαπλών πηγών δεδομένων μπορεί να βοηθήσει στην πιο ακριβή αξιολόγηση των κινδύνων πλημμύρας στην πράξη.