Globale Urbanisierungsprozesse und eine Zunahme der räumlichen Konzentration von exponierten Elementen wie Menschen, Gebäude, Infrastruktur und ökonomische Werte induzieren ein ungekanntes Risiko in erdbebengefährdeten Regionen. Wenn keine Abschwächung des Risikos erfolgt werden dramatische Folgen in der Zukunft erwartet. Diese umfassen eine beispiellose Anzahl an Todesopfer, enorme ökonomische und ökologische Verluste und Ausfälle bezüglich kritischer Infrastruktur und Versorgung etc. Um derartige Gefährdungen abzuschwächen sind detaillierte Informationen über seismisches Risiko notwendig. Die seismische Verwundbarkeit von Siedlungsarealen ist dabei als zentrale, konstituierende Komponente von seismischem Risiko zu berücksichtigen. In diesem Zusammenhang ist es von besonderem Interesse das Verhalten von Gebäudeinventaren unter einem bestimmten Erdbebeneinfluss abschätzen zu können. Das Hauptziel der Arbeit war es maßgeschneiderte Methoden zu entwickeln, die eine Bewertung der seismischen Vulnerabilität von Siedlungsräumen, basierend auf Fernerkundungsdaten, durchführbar machen. Es wurden Methoden aus dem Bereich des maschinellen Lernens adaptiert, um Verwundbarkeitsstufen von Gebäuden und homogenen Siedlungsstrukturen zu bestimmen. Hierfür wurden Merkmale aus Fernerkundungsdaten abgeleitet und mit in situ Informationen verknüpft. Wir verwenden verschiedene Ensembles von Fernerkundungssensoren, um die urbane Morphologie umfassend zu charakterisieren. Empirische Ergebnisse, die für die erdbebengefährdeten Städte Padang (Indonesien) und Istanbul (Türkei) generiert werden konnten, bestätigen die Durchführbarkeit der entwickelten Verfahren. Zukünftige Arbeiten können daran anknüpfen und beispielsweise empirische Erkenntnisse in weiteren Fallstudien anzweifeln, eine Verbesserung der Methodik vornehmen, Konzepte und Ansätze auf andere Sensorsysteme oder Datenquellen übertragen oder Daten und Methoden im Rahmen von holistischen Risikobewertungsstrategien anwenden. / Global urbanization processes and increasing spatial concentration of exposed elements such as people, buildings, infrastructure, and economic values in earthquake prone regions induce seismic risk at a uniquely high level. This situation, when left unmitigated, is expected to cause unprecedented death tolls, enormous economic and ecological losses, and critical infrastructure and service failures, etc., in the future. To mitigate those perils requires detailed knowledge about seismic risks. As an important constituent element of seismic risk, the seismic vulnerability of the built environment has to be assessed. In particular, it is crucial to know about the behavior of the building inventory under a certain level of ground shaking. The main goal of the thesis was to develop and evaluate tailored methods and procedures that allow for a viable seismic vulnerability assessment of the built environment with remote sensing data. In particular, methods from the machine learning domain were adapted to estimate vulnerability levels of buildings and homogeneous urban structures based on features derived from remote sensing and by incorporation of in situ knowledge. To this purpose we deploy ensembles of earth observation sensors to exhaustively characterize the urban morphology. Empirical results, obtained for the earthquake prone cities Padang (Indonesia) and Istanbul (Turkey), confirm the viability of the approaches. Overall, this thesis provides some promising results, which show that remote sensing has a high capability to contribute to a rapid screening assessment of the seismic vulnerability of buildings and urban structures. Further work can build upon these results and may challenge empirical findings in further case studies, enhance developed and applied methods, transfer concepts and approaches to other sensor systems and data sources, or apply data and methodologies within integrative and holistic risk assessment strategies.
Identifer | oai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/17756 |
Date | 12 January 2015 |
Creators | Geiß, Christian |
Contributors | Lakes, Tobia, Strunz, Günter |
Publisher | Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät II |
Source Sets | Humboldt University of Berlin |
Language | English |
Detected Language | German |
Type | doctoralThesis, doc-type:doctoralThesis |
Format | application/pdf |
Page generated in 0.0019 seconds