Natural Disasters

fa شناسایی آسیب چندسطحی ساختمان‌ها پس از حوادث طبیعی با به‌کارگیری مدل‌های یادگیری عمیق و تحلیل تصاویر ماهواره‌ای Multi-level damage detection of buildings after natural disasters using deep learning models and satellite image analysis تخصصي Special پژوهشي Research <div style="text-align: justify;">هدف: حوادث طبیعی نظیر زلزله، سیلاب و طوفان خسارات گسترده‌ای به ساختمان‌ها و زیرساخت‌های شهری وارد می‌کنند. ارزیابی سریع و دقیق میزان آسیب‌های ساختمانی پس از وقوع حادثه، نقشی کلیدی در مدیریت بحران، تخصیص بهینه منابع امدادی و برنامه‌ریزی بازسازی دارد. روش پژوهش: در این پژوهش، با بهره‌گیری از مجموعه‌داده XBD و به‌کارگیری مدل‌های یادگیری عمیقYOLOv8 و YOLOv11، شناسایی و طبقه‌بندی چندسطحی خسارات ساختمانی انجام شد. مدل‌ها بر اساس شاخص‌های دقت (Accuracy)، صحت (Precision)، بازیابی (Recal)، امتیاز-F  (F-score)، میانگین تلاقی بر اتحاد (mIoU) و ضریب دایس (Dice Coefficient) ارزیابی شدند. یافته‌ها: نتایج نشان داد مدلYOLOv11  با دستیابی به مقادیر دقت 0.82، امتیاز-F  برابر با 0.81،mIoU  برابر با 0.73 و Dice  برابر با 0.86، عملکرد بهتری نسبت به YOLOv8 داشته است. همچنین، مدل‌های پیشنهادی توانایی تفکیک سه سطح تخریب شامل جزئی، شدید و کامل را دارا بوده‌اند. نتیجه‌گیری: تحلیل‌ها بیانگر آن است که نوع حادثه و میزان تراکم شهری بر عملکرد مدل‌ها تأثیرگذار بوده و در مناطق با تراکم بالا، دقت تشخیص آسیب‌های جزئی کاهش یافته است. در مجموع، بهره‌گیری از معماری بهینه‌تر در YOLOv11 و مکانیزم مرجع پویا (Dynamic Anchor Head) موجب افزایش دقت مدل در شناسایی آسیب‌های پیچیده شده است. این پژوهش با ارائه‌ یک چارچوب خودکار مبتنی بر یادگیری عمیق، گامی مؤثر در جهت بهبود روش‌های ارزیابی خسارت، توسعه سامانه‌های هوشمند مدیریت بحران و بهینه‌سازی تخصیص منابع امدادی محسوب می‌شود.  </div> <div style="text-align: justify;">Objective: Natural disasters such as earthquakes, floods, and hurricanes cause extensive damage to buildings and urban infrastructure. Rapid and accurate post-disaster damage assessment plays a crucial role in crisis management, optimal allocation of relief resources, and reconstruction planning. Method: In this study, using the XBD dataset and the deep learning-based models YOLOv8 and YOLOv11, a multi-level classification framework was developed to detect and categorize building damage. The models were evaluated using Accuracy, Precision, Recall, F-score, mean Intersection over Union (mIoU), and Dice Coefficient metrics. Results: YOLOv11 outperformed YOLOv8, achieving an Accuracy of 0.82, F-score of 0.81, mIoU of 0.73, and Dice of 0.86. Both models successfully identified and distinguished three damage levels — minor, severe, and complete — across various disaster types. Conclusion: Further analysis indicated that the type of disaster and the degree of urban density significantly influenced model performance, with reduced accuracy in densely built areas, particularly for minor damages. The superior performance of YOLOv11 is attributed to its optimized architecture and the Dynamic Anchor Head mechanism, which enhances its capability to capture complex spatial damage patterns. Overall, the proposed deep learning framework provides an effective, automated approach to post-disaster building damage assessment, supporting the development of intelligent crisis management systems and improving the efficiency of resource allocation during disaster response.  </div> حوادث طبیعی, شناسایی آسیب, سنجش از دور, استخراج ویژگی, یادگیری عمیق. Natural disasters, damage detection, remote sensing, feature extraction, deep learning. 47 62 http://disaster.ndri.ac.ir/browse.php?a_code=A-10-67-1&slc_lang=fa&sid=1 Milad Farmahini Farahani میلاد فرمهینی فراهانی Milad.farmahini@ut.ac.ir 1003194753284600170 1003194753284600170 No Earthquake Engineering, School of Engineering, University of Tehran, Tehran, Iran. مهندسی عمران-زلزله، دانشگاه تهران، تهران، ایران. Houshang Dolatshahi Pirooz هوشنگ دولتشاهی پیروز mdolat@ut.ac.ir 1003194753284600171 1003194753284600171 Yes School of Civil Engineering, University of Tehran, Tehran, Iran. دانشکده مهندسی عمران، دانشگاه تهران، تهران، ایران.