Compared with optical sensors, Synthetic Aperture Radar (SAR) can provide important damage information due to its ability to map areas affected by earthquakes independently from weather conditions and solar illumination. In 2013, a new TerraSAR-X mode named staring spotlight (ST), whose azimuth resolution was improved to 0.24 m, was introduced for various applications. This data source made it possible to extract detailed information from individual buildings. In this paper, we present a new concept for individual building damage assessment using a post-event sub-meter very high resolution (VHR) SAR image and a building footprint map. With the building footprint map, the original footprints of buildings can be located in the SAR image. Based on the building imaging analysis of a building in the SAR image, the features in the building footprint can be extracted to identify standing and collapsed buildings. Three machine learning classifiers, including random forest (RF), support vector machine (SVM) and K-nearest neighbor (K-NN), are used in the experiments. The results show that the proposed method can obtain good overall accuracy, which is above 80% with the three classifiers. The efficiency of the proposed method is demonstrated based on samples of buildings using descending and ascending sub-meter VHR ST images, which were all acquired from the same area in old Beichuan County, China

چکیده

در مقایسه با حسگرهای نوری، رادارهای دهانه ترکیبی (SAR) به دلیل توانایی آن ها در تهیه نقشه مناطقی که تحت تاثیر زلزله قرار گرفته اند به طور مستقل از شرایط آب و هوایی و روشنایی خورشید، می توانند اطلاعات مهمی درباره خرابی مهیا نمایند. در سال 2013، حالت جدیدی از TerraSAR-X تحت عنوان نورافکن خیره (ST) که دقت آزیموت آن تا 0.24 متر افزایش یافته بود، برای استفاده در کاربرد های مختلف معرفی گردید. این منبع داده ها استخراج اطلاعات جزئی درباره تک تک ساختمان ها را ممکن نمود. در این مقاله، ما مفهوم جدیدی برای ارزیابی خرابی ساختمان ها با استفاده از تصاویر SAR بعد از وقوع با وضوح بسیار زیاد (VHR) با دقت زیر متر و نقشه رد پای ساختمان ارائه می دهیم. با داشتن نقشه رد پای ساختمان، رد پای اصلی ساختمان در تصاویر SAR می تواند مکان یابی شود. بر اساس تحلیل تصویر یک ساختمان در تصاویر SAR، ویژگی های ردپای یک ساختمان می تواند به منظور شناسایی ساختمان های سر پا و تخریب شده استخراج شود. سه رده بندی کننده یادگیری ماشین، شامل جنگل تصادفی (RF)، ماشین بردار پشتیبانی (SVM)، و K نزدیک ترین همسایه (K-NN) در آزمایشات مورد استفاده قرار گرفتند. نتایج نشان می دهد که روش پیشنهادی می تواند دقت کلی خوبی به ما بدهد، که برای هر سه رده بندی کننده بالای 80 درصد می باشد. کارایی روش پیشنهادی، بر اساس تعدادی ساختمان نمونه با استفاده از تصاویر VHR ST با دقت زیر متر به صورت صعودی و نزولی نشان داده شده است، که همگی از ناحیه یکسانی در شهرستانی قدیمی در چین به نام بیوچان به دست آمده اند.

1-مقدمه

تشخیص خرابی بعد از زلزله مساله مهمی برای پاسخ  اضطراری، ارزیابی شدت و فعالیت های امدادی بعد از فاجعه می باشد. به طور خاص  تشخیص خرابی ساختمان ها از نظر شناسایی مناطقی که به اقدامات نجات بخش اضطراری نیاز دارند،  حیاتی می باشد. سنجش راه دور، دارای قابلیتِ بسیار عالی در ارزیابی سریع میزان شدت می باشد، به صورتی که می تواند اطلاعاتی درباره نقشه خرابی در مناطق وسیع به شیوه ای سانسور نشده ارائه دهد، به خصوص در جایی که شبکه اطلاعات قابل بهره برداری نمی باشد و راه های مواصلاتی در نواحی تحت تاثیر زلزله خراب شده اند...