RESNET-34 DERİN ÖĞRENME ALGORİTMASI İLE DEPREM SONRASI YIKILAN YAPILARIN TESPİTİ: 6 ŞUBAT 2023 DEPREMİ, ANTAKYA ÖRNEĞİ

Guzel F., TEMURÇİN K., Sarp G.

Mühendislik Bilimleri ve Tasarım Dergisi, cilt.13, sa.1, ss.49-63, 2025 (TRDizin)

Özet

Bu çalışma, 6 Şubat 2023 Kahramanmaraş depreminin etkilediği Hatay ilinin Antakya ve Defne ilçelerinde ResNET-34 derin öğrenme algoritmasını kullanarak deprem sırasında yıkılan ve yıkılmayan yapıların tespit edilmesini incelemiştir. Çalışmada, Pleiades-1B uydu görüntüleri ve OpenStreetMap verileri kullanılarak yapıların hasar durumları analiz edilmiştir. Derin öğrenme algoritması olarak ResNET-34 mimarisi, bu verilerle eğitilmiş ve %85 doğruluk ve %91 F1 skoru elde edilmiştir. Bu yüksek doğruluk oranı, derin öğrenme yöntemlerinin afet sonrası yapı hasar tespitinde ne denli etkili bir araç olduğunu ortaya koymuştur. Çalışmanın bulguları, derin öğrenme tekniklerinin afet sonrası hasar analizi ve yapı güvenliği değerlendirmelerinde etkin bir araç olarak kullanılabileceğini göstermiştir. Ayrıca çalışma, derin öğrenme tekniklerinin afet yönetimi ve şehir planlaması süreçlerinde etkili bir rol oynayabileceğine dair değerli bilgiler sunmuştur.
This study examined the detection of collapsed and non-collapsed structures during the earthquake in the Antakya and Defne districts of Hatay province, affected by the February 6, 2023 Kahramanmaraş earthquake, using the ResNET-34 deep learning algorithm. The damage status of the buildings was analyzed using Pleiades-1B satellite images and OpenStreetMap data. The ResNET-34 architecture was trained with these data as a deep learning algorithm and achieved an accuracy of 85% and an F1 score of 91%. This high accuracy rate demonstrated how effective deep learning methods can be as a tool for post-disaster building damage assessment. The findings of the study showed that deep learning techniques can be used as an effective tool in post-disaster damage analysis and building safety assessments. Furthermore, the study provided valuable insights into how deep learning techniques can play an effective role in disaster management and urban planning processes.