منطقه مورد مطالعه و پیش پردازش داده ها
زمین لرزه ۵ دیماه ۱۳۸۲ بم در ساعت۵:۲۶:۲۶ به وقت محلی (ساعت ۱:۲۶:۲۶ روز ۲۶ دسامبر ۲۰۰۳به وقت بین المللی GMT) در شهر تاریخی بم (شکل ۴-۱) در جنوب شرقی کشور و در جنوب شرقی کرمان رخ داد (شکل۴-۱). آمار تلفات رسمی بیش از ۲۵۰۰۰ نفر و مجروحان حدود ۵۰۰۰۰ نفر اعلام گردید. بیش از ۱۰۰۰۰۰ نفر نیز بی خانمان شدند. پس از وقوع این زلزله، ماهواره QuickBird در تاریخ سوم ژانویه اقدام یه اخذ تصاویر با قدرت تفکیک مکانی بالا از شهر بم نمود.
تصاویر مورد استفاده در این تحقیق، باند پانکروماتیک تصاویر مربوط به قبل و بعد از زلزله بم سنجنده QuickBird با وضوح ۶۱/۰ متر می باشند که در نتیجه انجام مراحل پیش پردازش شامل زمین مرجع نمودن و نیز تناظریابی هیستوگرام در شکل های ۴-۲ و ۴-۳ نمایش داده شده اند. لازم به ذکر است که تصاویر ماهواره ای هم مختصات (با بهره گرفتن از ۵۰ نقطه کنترل زمینی) و داده کمکی برداری شهر بم ( شامل پلیگون های ساختمانی به همراه اطلاعات مربوطه) قبلا توسط منصوری و دیگران [۱۲] در جریان انجام تحقیق دیگری تکمیل که در این پایان نامه نیز مورد استفاده قرار گرفت.
از آنجاییکه در مرحله انتخاب شاخص های بهینه لازم است که الگوریتم طبقه بندی نظارت شده SVM به تناوب در الگوریتم ژنتیک اجرا گردد و نیز با توجه به اینکه این امر زمان پردازشی زیادی لازم دارد، ناحیه ای از شهر با ابعاد ۱۰۰۰*۱۰۰۰ پیکسل که دارای ساختمان هایی با درجات متنوع تخریب می باشد انتخاب گردید تا با اعمال الگوریتم ترکیبیGA-SVM بر روی این ناحیه شاخص های بهینه انتخاب گردند.
شکل ۴‑۱ زلزله شهر بم، کرمان، ایران
شکل ۴‑۲تصویر ماهواره QuickBird مربوط به قبل از زلزله بم
شکل ۴‑۳ تصویر ماهواره QuickBird مربوط به پس از زلزله بم
نتایج حاصل از استخراج سقف ساختمان ها
به منظور استخراج سقف ساختمان ها در این مرحله با بهره گرفتن از لایه برداری موجود (شکل ۴-۴)، در نرم افزار ENVI ، ROI(Region of Interest) های مربوط به سقف ساختمان ها تولید شدند و سپس Mask ای از ROI های ذکر شده در همین نرم افزار ساخته شد. درنهایت با اعمال این Mask بر روی تصاویر قبل و بعد از زلزله قسمت های رستری درون پلیگون سقف ساختمانها استخراج گردید. در شکل (۴-۵) ماسک ساخته شده و سقف های ساختمانی استخراج شده نشان برای ناحیه مورد نظر نشان داده شده است. در مجموع در ناحیه مورد مطالعه تعداد ۱۱۲۹۴ ساختمان جهت تحلیل و تعیین میزان تخریب استخراج شد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
شکل ۴‑۴داده کمکی شامل بردارهای پلیگون ساختمانها و اطلاعات آن ها
شکل ۴‑۵ اعمال ماسک و سقف های ساختمانی استخراج شده از تصاویر قبل (a) و بعد از زلزله (b)
استخراج ویژگی های بافتی
در این مرحله ویژگی های آماری مرتبه دوم هارالیک با بهره گرفتن از نرم افزار ENVI برای تصاویر قبل و بعد از زلزله در ناحیه مورد نظر استخراج شد. جهت استخراج شاخصهای بافتی مذکور از یک پنجره متحرک با ابعاد ۵*۵ پیکسل استفاده می شود. ماتریس هم اتفاق برای چهار جهت اصلی صفر، ۴۵، ۹۰و ۱۳۵ درجه با فاصله یک پیکسل محاسبه شد. ماتریس هم اتفاق نهایی از میانگین گیری از ماتریس های هم اتفاق چهار جهت اصلی برای هر کدام از تصاویر قبل و بعد از زلزله بدست آمد. در پایان این مرحله تصویری تفاضلی دارای هشت باند از تصاویر بافتی تولید شده ساخته شد که هر باند آن تفاضل نظیر به نظیر باندهای تصاویر بافتی می باشد. تصویر تفاضلی بافتی تولید شده در مراحل بعد مورد استفاده برای طبقه بندی سقف ساختمان ها استفاده می گردد.
جدول ۴-۱-ویژگی های استخراجی آماری مرتبه دوم هارالیک
| Correlatin | Second Moment | Entropy | Dissimilarity | Contrast | Homogeneity | Variance | Mean |
تعیین ویژگی های بافتی بهینه با بهره گرفتن از الگوریتم ترکیبی SVM-GA
در این مرحله برای بدست آوردن ویژگی های بافتی بهینه که می توانند منجر به طبقه بندی تصویر با بالاترین دقت شوند از الگوریتم ترکیب GA – SVM استفاده می شود. روند الگوریتم GA – SVM در فصل پیشین توضیح داده شده است. روند کار برای یافتن باندهای بافتی بهینه در طبقه بندی سقف ساختمان ها بدین شکل است ابتدا الگوریتم ژنتیک نسلی از کروموزوم ها که ژن های آن ترکیبی از شاخص های بافتی استخراجی اند، تولید می کند و سپس الگوریتم SVM تصویر تفاضلی بافتی تولید شده در مرحله قبل را بر اساس داده های آموزشی معرفی شده به آن طبقه بندی می کند. برای اجرای الگوریتم طبقه بندی SVM نیاز به معرفی داده های آموزشی و نیز داده های آزمایشی می باشد. برای تعریف داده های آموزشی از هر کلاس طبقه بندی چند ناحیه (ROI) با مجموع تعداد پیکسل های ۵۰۰ روی تصویر تفاضلی حاصل از تفاضل تصویر بعد از زلزله از تصویر قبل از زلزله، انتخاب شدند. همچنین برای تعریف داده های آزمایشی از هر کلاس طبقه بندی چند ناحیه (ROI) با مجموع تعداد پیکسل های ۱۵۰۰ روی تصویر تفاضلی انتخاب شدند. در حقیقت با انتخاب نواحی پیکسلی به عنوان نمونه های آموزشی و آزمایشی به کمک ابزار ROI Tool نرم افزار ENVI، یکسری پلیگون های هندسی برای الگوریتم طبقه بندی SVM مشخص می گردد که این الگوریتم با توجه به اطلاعات بافتی درون این پلیگون های پیکسلی در تصویر تفاضلی بافتی، آموزش دیده و تصویر تفاضلی بافتی را طبقه بندی می کند. در ادامه با مقایسه نتایج حاصل از طبقه بندی SVM با داده های آزمایشی معرفی شده، ماتریس خطا تشکیل شده و دقت کلی و ضریب کاپای طبقه بندی محاسبه می شود. با تکرار این فرایند در الگوریتم ترکیبی GA–SVM و با حصول شرط پایان الگوریتم شاخص های بافتی بهینه تعیین می گردند. الگوریتم GA–SVM جهت بدست آوردن ویژگی های بافتی (باندها) بهینه اجرا شد که در ادامه به جزئیات آن اشاره می شود.
پارامترهای الگوریتم ژنتیک به شرح زیر (بر مبنای پارامترهای به کار رفته در کارهای مشابه قبلی و نیز سعی و خطا) تنظیم شدند:
ایجاد کروموزهایی (بردار ویژگی ها) با تعداد ژن های معادل با ویژگی های بافتی استخراج شده در مرحله قبل برای پیکسل های تصویر
کدگذاری کروموزوم ها: باینری (نشان دادن حضور یا عدم حضور ویژگی های بافتی به ترتیب با اعداد ۱ و ۰ )
استفاده از روش تورنمنت در انتخاب والدین
انتخاب تعداد جمعیت هر نسل بصورت تصادفی
تابع شایستگی = اختلاف ضریب کاپای بدست آمده از طبقه بندی یک قطعه از تصویر نمونه با بهره گرفتن از الگوریتم SVM
تعداد جمعیت در هر نسل ۵۰ عضو
تعداد نسل ها، ۳۰ نسل
