Обґрунтування переваг у використанні оптичних та радарних даних дзз при виявленні будівель, порушених внаслідок природного чи антропогенного впливу
DOI:
https://doi.org/10.36023/ujrs.2024.11.4.277Ключові слова:
технології дистанційного моніторингу, віддалена оцінка пошкоджень, радіолокаційне зондування, відновлювальні заходи, аналіз міської інфраструктури, структурні пошкодження, прогнозування ризиківАнотація
В огляді розглянуто переваги та можливості використання даних дистанційного зондування Землі (ДЗЗ) для виявлення та оцінки пошкоджених будівель, особливо в умовах природного або антропогенного впливу, такого як військові дії. Основною метою дослідження було обґрунтування ефективності комплексного підходу до моніторингу та оцінки стану будівель за допомогою методів ДЗЗ з використанням даних оптичного та радіо- діапазонів, зокрема в контексті війни. Це поєднання дозволило здійснити комплексну оцінку стану об’єктів, що виявилося необхідним для прийняття обґрунтованих рішень у кризових ситуаціях.
У дослідженні підкреслено важливість швидкої та точної оцінки стану будівель і інфраструктури, що було критично важливим для забезпечення безпеки населення. Такі оцінки сприяли плануванню евакуаційних маршрутів, організації тимчасового житла та координації відновлювальних робіт. Технології SAR (Synthetic Aperture Radar – радар із синтезованою апертурою, РСА) забезпечують отримання високоякісних радіолокаційних зображень незалежно від часу доби та погодних умов, що є особливо корисним в умовах обмеженого доступу до постраждалих територій через бойові дії чи природні катастрофи. Оптичні дані надають додаткову інформацію про пошкодження та дозволяли більш точно оцінити ступінь руйнувань.
У статті також виконане порівняння методів, які використовувались у різних дослідженнях для оцінювання руйнувань будівель, викликаних чинниками антропогенного чи природного походження. Встановлено, що з цією метою використовуються методи, які ґрунтуються або на даних ДЗЗ до та після руйнувань (багаточасові методи) або лише на даних після руйнувань (моночасові методи). При цьому, використовуються, як правило, дані ДЗЗ оптичного діапазону, радарні дані, дані висоти (LIDAR, стереопари аерознімків або супутникових даних надвисокої просторової розрізненності) та ГІС, а також комбінування даних. Це дозволило підвищити надійність виявлення зруйнованих будівель та оцінити ступінь руйнувань, адаптувати методи ДЗЗ до різноманітних сценаріїв надзвичайних ситуацій. .
Висновки статті акцентують на важливості інтеграції різних типів даних та розвитку методів машинного навчання для підвищення точності аналізу. Практичне застосування описаних методів ДЗЗ включало оцінку збитків після природних катастроф або воєнних дій, що дозволяло ефективно планувати відновлювальні роботи та забезпечувати безпеку громадян. Такі можливості були критично важливими для управління кризовими ситуаціями та забезпечення стабільності інфраструктури у постраждалих регіонах. Інтеграція даних ДЗЗ оптичного діапазону та SAR являє собою потужний інструмент для оперативного реагування та довгострокового моніторингу, забезпечуючи підтримку громадської безпеки та планування відновлення в умовах кризових ситуацій.
Фінансування: Це дослідження не отримало зовнішнього фінансування.
Доступність даних: Не застосовується.
Подяки: Дослідження виконано в рамках науково-дослідної роботи «Розробка інтелектуальної системи розпізнавання об’єктів для ідентифікації забудови, пошкодженої внаслідок воєнних дій» (Міністерство освіти і науки України, державний реєстраційний номер 0124U000220). Автори висловлюють щиру подяку компанії Earth Observing System Data Analytics (eosda.com) за підтримку. Також вдячні рецензентам та редакторам за цінні коментарі, рекомендації та увагу до роботи.
Посилання
Aimaiti, Y., Sanon, C., Koch, M., Baise, L. G., & Moaveni, B. (2022). War-related building damage assessment in Kyiv, Ukraine, using Sentinel-1 radar and Sentinel-2 optical images. Remote Sensing, 14(24), 6239. https://doi.org/10.3390/rs14246239
Amitrano, D., Di Martino, G., Guida, R., Iervolino, P., Iodice, A., Papa, M. N., Riccio, D., & Ruello, G. (2021). Earth environmental monitoring using multi-temporal synthetic aperture radar: A critical review of selected applications. Remote Sensing, 13(4), 604. https://doi.org/10.3390/rs13040604
Bachmann-Gigl, U., & Dabiri, Z. (2024). Cultural Heritage in Times of Crisis: Damage Assessment in Urban Areas of Ukraine Using Sentinel-1 SAR Data. ISPRS International Journal of Geo-Information, 13(9), 319. https://doi.org/10.3390/ijgi13090319
Belenok, V., Hebryn-Baidy, L., Bіelousova, N., Zavarika, H., Sakal, O., & Kovalenko, A. (2022). Geoinformation mapping of anthropogenically transformed landscapes of Bila Tserkva (Ukraine). Acta Scientiarum Polonorum, Formatio Circumiectus, 21(1), 69–84. https://doi.org/10.15576/ASP.FC/2022.21.1.69
Blanco, A.C. (2022). Typhoon damage mapping using normalized differenced spatial autocorrelation and Planetscope image. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 43(B3-2022), 1077–1082. https://doi.org/10.5194/isprs-archives-XLIII-B3-2022-1077-2022
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2–16. https://doi.org/10.1016/j.isprsjprs.2009.06.004
Boloorani, A. D., Darvishi, M., Weng, Q., & Liu, X. (2021). Post-war urban damage mapping using InSAR: The case of Mosul city in Iraq. ISPRS International Journal of Geo-Information, 10(3), 140. https://doi.org/10.3390/ijgi10030140
Chen, F., Guo, H., Tapete, D., Cigna, F., Piro, S., Lasaponara, R., & Masini, N. (2022). The role of imaging radar in cultural heritage: From technologies to applications. International Journal of Applied Earth Observation and Geoinformation, 112. https://doi.org/10.1016/j.jag.2022.102907
Chen, G., Hay, G.J., Carvalho, L.M.T., & Wulder, M.A. (2012). Object-based change detection. International Journal of Remote Sensing, 33 (14), 4434-4457. https://doi.org/10.1080/01431161.2011.648285
Cho, S., Xiu, H., & Matsuoka, M. (2023). Backscattering characteristics of SAR images in damaged buildings due to the 2016 Kumamoto earthquake. Remote Sensing, 15(8), 2181. https://doi.org/10.3390/rs15082181
Darvishi, M., Schlögel, R., Kofler, C., Cuozzo, G., Rutzinger, M., Zieher, T., Toschi, I., Remondino, F., Mejia-Aguilar, A., Thiebes, B., & Bruzzone, L. (2018). Sentinel-1 and ground-based sensors for continuous monitoring of the Corvara landslide (South Tyrol, Italy). Remote Sensing, 10(11), 1781. https://doi.org/10.3390/rs10111781
Demharter, T., Michel, U., Ehlers, M., & Reinartz, P. (2011). Object-based change detection: Dimension of damage in residential areas of Abu Suruj, Sudan. Proceedings of SPIE - The International Society for Optical Engineering, 8181, 81811J. https://doi.org/10.1117/12.897589
Dong, L., & Shan, J. (2013). A comprehensive review of earthquake-induced building damage detection with remote sensing techniques. ISPRS Journal of Photogrammetry and Remote Sensing, 84, 85–99. http://dx.doi.org/10.1016/j.isprsjprs.2013.06.011
Ehrlich, D., Guo, H.D., Molch, K., Ma, J.W., & Pesaresi, M. (2009). Identifying damage caused by the 2008 wenchuan earthquake from VHR remote sensing data. International Journal of Digital Earth, 2 (4), 309–326. https://doi.org/10.1080/17538940902767401
Gu, J., Xie, Z., Zhang, J., & He, X. (2024). Advances in Rapid Damage Identification Methods for Post-Disaster Regional Buildings Based on Remote Sensing Images: A Survey. Buildings 14(4), 898. https://doi.org/10.3390/buildings14040898
Guo, H.D., Lu, L.L., Ma, J.W., Pesaresi, M., & Yuan, F.Y. (2009). An improved automatic detection method for earthquake-collapsed buildings from ADS40 image. Chinese Science Bulletin, 54(18), 3303–3307. https://doi.org/10.1007/s11434-009-0461-3
Gusella, L., Adams, B.J., Bitelli, G., Huyck, C.K., & Mognol, A. (2005). Object-oriented image understanding and post-earthquake damage assessment for the 2003 Bam, Iran, earthquake. Earthquake Spectra, 21 (SUPPL. 1). https://doi.org/10.1193/1.2098629
Hay, G.J., Niemann, K.O., & Goodenough, D.G. (1997). Spatial thresholds, image-objects and upscaling: a multiscale evaluation. Remote Sensing of Environment, 62, 1–19. https://doi.org/10.1016/S0034-4257(97)81622-7
He, Z., Yang, Z., Wu, X., Zhang, T., Song, M., & Liu, M. (2024). Triggering of land subsidence in and surrounding the Hangjiahu Plain based on interferometric synthetic aperture radar monitoring. Remote Sensing, 16(11), 1864. https://doi.org/10.3390/rs16111864
Hordiiuk, D. M., & Hnatushenko, V. V. (2017). Neural network and local laplace filter methods applied to very high resolution remote sensing imagery in urban damage detection. In 2017 IEEE International Young Scientists Forum on Applied Physics and Engineering (YSF), pp. 363-366. IEEE. https://doi.org/10.1109/YSF.2017.8126648
Hu, D.-Y., Li, X.-J., Zhao, W.-J., & Gong, H.-L. (2008). Texture analysis and its application for single-band SAR thematic information extraction. International Geoscience and Remote Sensing Symposium (IGARSS), 2(1), 4779149. https://doi.org/10.1109/IGARSS.2008.4779149
Huang, Q., Jin, G., Xiong, X., Ye, H., & Xie, Y. (2023). Monitoring urban change in conflict from the perspective of optical and SAR satellites: The case of Mariupol, a city in the conflict between Russia and Ukraine. Remote Sensing, 15(12), 3096. https://doi.org/10.3390/rs15123096
Hussain, E., Ural, S., Kim, K., Fu, C.-S., & Shan, J. (2011). Building extraction and rubble mapping for city Port-au-Prince post-2010 earthquake with GeoEye-1 imagery and Lidar data. Photogrammetric Engineering and Remote Sensing, 77(10), 1011–1023. https://doi.org/10.14358/PERS.77.10.1011
Huyck, C.K., Adams, B.J., Cho, S., Chung, H.-C., & Eguchi, R.T. (2005). Towards Rapid Citywide Damage Mapping Using Neighborhood Edge Dissimilarities in Very High-Resolution Optical Satellite Imagery—Application to the 2003 Bam, Iran, Earthquake. Earthquake Spectra, 21 (SUPPL. 1). https://doi.org/10.1193/1.2101907
Kelly, M., Blanchard, S.D., Kersten, E., & Koy, K. (2011). Terrestrial remotely sensed imagery in support of public health: New avenues of research using object-based image analysis. Remote Sensing, 3(11), 2321–2345. https://doi.org/10.3390/rs3112321
Kim, M., Park, S.-E., & Lee, S.-J. (2023). Detection of damaged buildings using temporal SAR data with different observation modes. Remote Sensing, 15(2), 308. https://doi.org/10.3390/rs15020308
Kitada, K., & Fukuyama, K. (2012). Land-use and land-cover mapping using a gradable classification method. Remote Sensing, 4(6), 1544–1558. https://doi.org/10.3390/rs4061544
Kozlova, T., & Velikodsky, Y. (2024). Deep Learning-Based Detection of Damaged Buildings in Satellite Imagery. In International Conference of Young Professionals «GeoTerrace-2024», Vol. 2024, No. 1, GeoTerrace-2024-013. European Association of Geoscientists & Engineers.
Li, Q., Gong, L., & Zhang, J. (2018). Earthquake-induced building recognition using correlation change detection of texture features based on SAR data. Geodetski List, 72(2), 93–112.
Li, Q., Gong, L., & Zhang, J. (2019). A correlation change detection method integrating PCA and multi-texture features of SAR image for building damage detection. European Journal of Remote Sensing, 52(1), 435-447. https://doi.org/10.1080/22797254.2019.1630322
Li, X., Liu, S., Jendryke, M., Li, D., & Wu, C. (2018). Night-time light dynamics during the Iraqi civil war. Remote Sensing, 10(6), 858. https://doi.org/10.3390/rs10060858
Li, X., Yang, W., Ao, T., Li, H., & Chen, W. (2011). An improved approach of information extraction for earthquake-damaged buildings using high-resolution imagery. Journal of Earthquake and Tsunami, 5(4), 389–399. https://doi.org/10.1142/S1793431111001157
Li, Y., Hu, W., Dong, H., & Zhang, X. (2019). Building damage detection from post-event aerial imagery using single shot multibox detector. Applied Sciences, 9(6), 1128. https://doi.org/10.3390/app9061128
Li, Z., Ma, J., Zhang, R., & Li, L. (2010). Extracting damaged buildings information automatically based on textural and morphological features. Wuhan Daxue Xuebao (Xinxi Kexue Ban), Geomatics and Information Science of Wuhan University, 35(4), 446–450.
Lin, Y., Wang, Y., Shen, W., & Bai, Z. (2024). Innovative rotating SAR mode for 3D imaging of buildings. Remote Sensing, 16(12), 2251. https://doi.org/10.3390/rs16122251
Liu, C., Sui, H., & Huang, L. (2021). Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 1010–1024, 9242298. https://doi.org/10.1109/JSTARS.2020.3034378
Liu, J., & Li, P. (2019). Extraction of Earthquake-Induced Collapsed Buildings From Bi-Temporal VHR Images Using Object-Level Homogeneity Index and Histogram. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(8), 8692722, 2755–2770. https://doi.org/10.1109/JSTARS.2019.2904670
Liu, N., Li, X., Hong, W., Li, F., & Wu, W. (2024). Individual high-rise building extraction from single high-resolution SAR image based on part model. Remote Sensing, 16(7), 1278. https://doi.org/10.3390/rs16071278
Liu, Y., Guo, Q., & Kelly, M. (2008). A framework of region-based spatial relations for non-overlapping features and its application in object based image analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 63(4), 461–475. https://doi.org/10.1016/j.isprsjprs.2008.01.007
Merlin, G.S., & Jiji, G.W. (2019). Building Damage Detection of the 2004 Nagapattinam, India, Tsunami Using the Texture and Spectral Features from IKONOS Images. Journal of the Indian Society of Remote Sensing, 47(1), 13–24. https://doi.org/10.1007/s12524-018-0858-z
Rao, A., Jung, J., Silva, V., Molinario, G., & Yun, S.-H. (2023). Earthquake building damage detection based on synthetic-aperture-radar imagery and machine learning. Natural Hazards and Earth System Sciences, 23, 789–807. https://doi.org/10.5194/nhess-23-789-2023
Shi, W., and Hao, M. (2013). A method to detect earthquake-collapsed buildings from high-resolution satellite images. Remote Sensing Letters, 4(12), 1166–1175. https://doi.org/10.1080/2150704X.2013.858839
Sui, H., Tu, J., Song, Z., Chen, G., & Li, Q. (2014). A novel 3D building damage detection method using multiple overlapping UAV images. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 40(7), 173–179. https://doi.org/10.5194/isprsarchives-XL-7-173-2014
Tempa, K., Ilunga, M., Agarwal, A., & Tashi. (2024). Utilizing Sentinel-2 Satellite Imagery for LULC and NDVI Change Dynamics for Gelephu, Bhutan. Applied Sciences (Switzerland), 14(4), 1578. https://doi.org/10.3390/app14041578
Tewkesbury, A. P., Comber, A. J., Tate, N. J., Lamb, A., & Fisher, P. F. (2015). A critical synthesis of remotely sensed optical image change detection techniques. Remote Sensing of Environment, 160, 1–14. https://doi.org/10.1016/j.rse.2015.01.006
Tong, X., Hong, Z., Liu, S., Zhang, X., Xie, H., Li, Z., Yang, S., Wang, W., & Bao, F. (2012). Building-damage detection using pre- and post-seismic high-resolution satellite stereo imagery: a case study of the May 2008 Wenchuan earthquake. ISPRS Journal of Photogrammetry and Remote Sensing, 68(1), 13–27. https://doi.org/10.1016/j.isprsjprs.2011.12.004
Townshend, J.R.G., Huang, C., Kalluri, S.N.V., Defries, R.S., Liang, S., & Yang, K. (2000). Beware of per-pixel characterization of land cover. International Journal of Remote Sensing, 21(4), 839–843. https://doi.org/10.1080/014311600210641
Turker, M., & Cetinkaya, B. (2005). Automatic detection of earthquake-damaged buildings using DEMs created from pre- and post-earthquake stereo aerial photographs. International Journal of Remote Sensing, 26(4), 823–832. https://doi.org/10.1080/01431160512331316810
Volosyuk, V. K., Zhyla, S. S., Ruzhentsev, M. V., Sobkolov, A. D., Tserne, E. O., Kolesnikov, D. V., Vlasenko, D. S., & Topal, M. S. (2020). Radar cross-section imaging in synthetic aperture radar with linear antenna array and adaptive receiver. Radio Electronics, Computer Science, Control, (3), 7–21. https://doi.org/10.15588/1607-3274-2020-3-1
Wang, X., & Li, P. (2020). Extraction of urban building damage using spectral, height and corner information from VHR satellite images and airborne LiDAR data. ISPRS Journal of Photogrammetry and Remote Sensing, 159, 322–336. https://doi.org/10.1016/j.isprsjprs.2019.11.028
Wang, X., & Li, P. 2015. Extraction of earthquake-induced collapsed buildings using very high-resolution imagery and airborne lidar data. International Journal of Remote Sensing, 36(8), 2163–2183. https://doi.org/10.1080/01431161.2015.1034890
Wei, L., Hu, K., & Liu, J. (2022). Automatic identification of buildings vulnerable to debris flows in Sichuan Province, China, by GIS analysis and deep encoding network methods. Journal of Flood Risk Management, 15(4), e12830. https://doi.org/10.1111/jfr3.12830
Witmer, F. D. W., & O'Loughlin, J. (2011). Detecting the effects of wars in the Caucasus regions of Russia and Georgia using radiometrically normalized DMSP-OLS nighttime lights imagery. GIScience & Remote Sensing, 48(4), 478-500. https://doi.org/10.2747/1548-1603.48.4.478
Woodcock, C.E., & Strahler, A.H. (1987). The factor of scale in remote sensing. Remote Sensing of Environment, 21, 311–332. https://doi.org/10.1016/0034-4257(87)90015-0
Wu, M., Zhao, X., Sun, Z., & Guo, H. (2019). A hierarchical multiscale super-pixel-based classification method for extracting urban impervious surface using deep residual network from WorldView-2 and LiDAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(1), 210-222. https://doi.org/10.1109/JSTARS.2018.2886288
Xu, H., & Li, P. (2010). Urban land cover classification from very high resolution imagery using spectral and invariant moment shape information. Canadian Journal of Remote Sensing, 36(3), 248–260. https://doi.org/10.5589/m10-042
Xu, H., Barbot, S., & Wang, T. (2024). Remote sensing through the fog of war: Infrastructure damage and environmental change during the Russian-Ukrainian conflict revealed by open-access data. Natural Hazards Research, 4, 1–7. https://doi.org/10.1016/j.nhres.2024.01.006
Yang, X., Shi, J., Zhou, Y., Wang, C., Hu, Y., Zhang, X., & Wei, S. (2020). Ground moving target tracking and refocusing using shadow in video-SAR. Remote Sensing, 12(18), 3083. https://doi.org/10.3390/rs12183083
Ye, X., Liu, M., Wang, J., Qin, Q., Ren, H., Wang, J., & Hui, J. (2017). Building-Based Damage Detection from Postquake Image Using Multiple-Feature Analysis. IEEE Geoscience and Remote Sensing Letters, 14(4), 499–503, 7840027. https://doi.org/10.1109/LGRS.2017.2651050
Ye, X., Qin, Q., Wang, J., Wang, J., Yang, X., & Qin, X. (2015). Detecting damaged buildings caused by earthquake using local gradient orientation entropy statistics method. International Geoscience and Remote Sensing Symposium (IGARSS), 2015-November, 3568–3571, 7326592. https://doi.org/10.1109/IGARSS.2015.7326592
Yu, S. W., Xu, B. Y., & Tao, W. Z. (2022). Coastline detection using optical and synthetic aperture radar images. Advances in Space Research, 70(1), 70-84. https://www.sciencedirect.com/science/article/pii/S0273117722002939
Zhang, K., Fu, X., Lv, X., & Yuan, J. (2021). Unsupervised multitemporal building change detection framework based on cosegmentation using time-series SAR. Remote Sensing, 13(3), 471. https://doi.org/10.3390/rs13030471
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ліцензійні умови: автори зберігають авторські права та надають журналу право першої публікації на твір, одночасно ліцензований за міжнародною ліцензією Creative Commons Attribution License International CC-BY, що дозволяє іншим поділитися твором з підтвердженням авторства твору та первинною публікацією в цьому журналі.
Автори, направляючи рукопис у редакцію «Українського журналу дистанційного зондування Землі», погоджуються з тим, що редакції передаються права на захист і використання рукопису (переданого до редакції журналу матеріалу, в т. ч. такі об’єкти авторського права як фотографії автора, рисунки, схеми, таблиці тощо), в тому числі на відтворення у пресі та мережі Інтернет, на поширення, на переклад рукопису на будь-які мови, експорту та імпорту примірників журналу зі статтею авторів з метою розповсюдження, на доведення до загального відома. Зазначені вище права автори передають редакції без обмеження терміну і на території всіх країн світу без обмеження в т. ч. на території України.
Автори гарантують наявність у них виняткових прав на використання переданого редакції матеріалу. Редакція не несе відповідальності перед третіми особами за порушення даних авторами гарантій. За Авторами залишається право використання їх опублікованого матеріалу, його фрагментів і частин в особистих, у тому числи наукових і освітянських цілях. Права на рукопис вважаються переданими Авторами редакції з моменту підписання до друку випуску журналу, в якому він публікується. Передрук матеріалів, опублікованих у журналі, іншими фізичними та юридичними особами можливий тільки зі згоди редакції, з обов’язковим зазначенням випуску журналу, в якому було опубліковано матеріал.
