Clustering kerusakan bangunan pascabencana alam menggunakan Integrasi Efficientnet-B7 dan PCA

ABSTRACT

Rapidly and accurately assessing building damage after a natural disaster is crucial for emergency response and recovery. Although traditional methods like the Gray Level Co-occurrence Matrix (GLCM) integrated with Principal Component Analysis (PCA) can characterize texture-based damage, this approach relies on manual feature extraction, requires manual parameter tuning (e.g., pixel distance, angles), and lacks the representational power of deep learning. To address these limitations, this study introduces a deep learning-based framework that replaces GLCM with EfficientNet-B7 for automated and robust feature extraction, while retaining PCA-based clustering for post-disaster building damage categorization. EfficientNet-B7 extracts high-level spatial and semantic features from post-disaster building imagery, which are then reduced and clustered using PCA techniques. By utilizing the first principal component (PC1) as a damage indicator, the results classify buildings into three damage levels: light damage (PC1 < 0), moderate damage (0 ≤ PC1 < 2), and heavy damage (PC1 ≥ 2). Experimental results demonstrate that this technique not only automates the feature extraction process but also achieves higher discriminative power compared to GLCM-PCA, as evidenced by a clear PC1 value of 5,000 for heavily damaged samples. This study advances previous GLCM-based research by eliminating manual parameter dependency, enhancing feature richness, and offering a deep learning pipeline development that integrates seamlessly with post-disaster assessment. The integration of EfficientNet-B7 and PCA-Clustering represents a proposed framework with strong potential for real-world disaster management applications.

ARABIC

يُعدّ التقييم السريع والدقيق لأضرار المباني بعد الكوارث الطبيعية أمراً بالغ الأهمية لجهود الاستجابة الطارئة والتعافي. ورغم أن الطرائق التقليدية مثل مصفوفة التزامن الرمادية (GLCM) المدمجة مع تحليل المكونات الرئيسية (PCA) تستطيع تحديد خصائص الأضرار المعتمدة على النسج [1]، إلا أن هذه المقاربات تعتمد على استخلاص المعالم يدوياً، وتتطلب ضبطاً يدوياً للمعاملات (كمسافة البكسل والزاوية)، وتفتقر إلى قدرة التمثيل التي يوفرها التعلّم العميق. وللتغلب على هذه القيود، يقدم هذا البحث إطاراً عملياً قائماً على التعلّم العميق يستبدل مصفوفة GLCM بشبكة EfficientNet-B7 لاستخلاص المعالم بشكل تلقائي ومتين، مع الاحتفاظ بالتجميع المعتمد على PCA لتصنيف أضرار المباني بعد الكوارث الطبيعية. تستخلص شبكة EfficientNet-B7 معالم مكانية ودلالية عالية المستوى من صور المباني ما بعد الكارثة، ثم تُختزل وتُجمَّع باستخدام تقنية PCA. وباستخدام المكون الرئيسي الأول (PC1) كمؤشر للضرر، تستطيع النتائج تصنيف المباني إلى ثلاث درجات من الضرر: ضرر طفيف (PC1 < 0)، وضرر متوسط (0 ≤ PC1 < 2)، وضرر شديد (PC1 ≥ 2). أظهرت النتائج التجريبية أن هذه التقنية لا تعمل على أتمتة عملية استخلاص المعالم فحسب، بل تحقق أيضاً قدرة تمييزية أعلى مقارنة بطريقة GLCM-PCA، كما يتضح من قيمة PC1 الواضحة البالغة 5.000 للعينات شديدة التضرر. يطوّر هذا البحث الدراسات السابقة المعتمدة على GLCM من خلال التخلص من الاعتماد على الضبط اليدوي للمعاملات، وزيادة غنى المعالم، وتقديم مسار تطويري بواسطة التعلّم العميق يمكن دمجه مع تقييم ما بعد الكوارث. ويشكل دمج EfficientNet-B7 مع تجميع PCA مقترحاً يُظهر إمكانات قوية للتطبيق العملي في إدارة الكوارث الواقعية.

ABSTRAK

Menilai kerusakan bangunan dengan cepat dan akurat setelah bencana alam sangat penting untuk tanggap darurat dan pemulihan. Walaupun metode tradisional seperti Gray Level Co-occurrence Matrix (GLCM) yang terintegrasi dengan
Principal Component Analysis (PCA) sudah dapat mengetahui karakterisasi kerusakan berbasis tekstur [1], pendekatan tersebut bergantung pada ekstraksi fitur yang masih manual dan memerlukan penyesuaian parameter secara manual (misalnya, jarak piksel, sudut), dan kurang memiliki daya representasi dari pembelajaran mendalam. Untuk mengatasi keterbatasan tersebut maka penelitian ini memperkenalkan kerangka kerja berbasis pembelajaran mendalam yang menggantikan GLCM dengan EfficientNet-B7 untuk ekstraksi fitur otomatis dan kuat, sambil mempertahankan pengelompokan berbasis PCA untuk kategorisasi kerusakan bangunan pasca bencana alam. EfficientNet-B7 mengekstrak fitur spasial dan semantik tingkat tinggi dari gambar bangunan pascabencana, yang kemudian direduksi dan dikelompokkan menggunakan teknik PCA. Dengan menggunakan komponen utama pertama (PC1) sebagai indikator kerusakan, hasilnya dapat mengklasifikasikan bangunan ke dalam tiga tingkat kerusakan: rusak ringan (PC1 < 0), rusak sedang (0 ≤ PC1 < 2), dan rusak berat (PC1 ≥ 2). Hasil eksperimen menunjukkan
bahwa teknik tersebut tidak hanya mengotomatisasi proses ekstraksi fitur tetapi juga mencapai daya diskriminatif yang lebih tinggi dibandingkan dengan GLCM-PCA, sebagaimana dibuktikan oleh nilai PC1 yang jelas sebesar 5.000 untuk sampel yang rusak berat. Penelitian ini mengembangkan penelitian berbasis GLCM sebelumnya dengan menghilangkan ketergantungan parameter manual, meningkatkan kekayaan fitur, dan menawarkan pengembangan saluran dengan pembelajaran mendalam yang dapat terintergasi dengan penilaian pasca-bencana. Integrasi antara EfficientNet-B7 dan PCA-Clustering merupakan bentuk usulan yang menunjukkan potensi kuat untuk aplikasi manajemen bencana di dunia nyata.