مقدمه
سنجش از دور، داده‌های ارزشمندی برای جنبه‌های مختلف مدیریت مخاطرات، از جمله سیستم‌های هشدار اولیه، ارزیابی خسارت و تخصیص منابع فراهم می‌کند. این امر به نظارت و پیش‌بینی مخاطرات طبیعی، ارزیابی تأثیر مخاطرات طبیعی، تسهیل واکنش مؤثر و تلاش‌های بازیابی کمک می‌کند. در بسیاری از موارد، مخاطرات به‌عنوان عاملی در پذیرش فناوری‌های جدید و نوظهور عمل می‌کنند. فناوری‌های نوظهور که به‌دلیل نیاز به جمع‌آوری سریع اطلاعات حیاتی برای مدیریت مخاطرات ایجاد شده‌اند، اغلب به پاسخ‌دهندگان اضطراری کمک می‌کنند تا تأثیر مخاطرات بزرگ را کارآمدتر و سریع‌تر ارزیابی کنند و پیشرفت در عملیات بازیابی و پاسخ را نظارت کنند. 
نمونه‌هایی از مواردی که پیاده‌سازی فناوری ‌‌هنگام وقوع یک مخاطره بزرگ انجام شده‌، عبارت‌اند از: طوفان اندرو در سال 1992؛ جایی ‌که خسارت سریع و کمبود ابزارهای ارزیابی موقعیت مانع از استقرار منابع فدرال شد تا به نیاز به روش‌های برآورد خسارت آنی توجه شود. زمین‌لرزه نورتریج در سال 1994 که در آن سیستم اطلاعات جغرافیایی در طول دوره‌های واکنش اولیه و بازیابی با ارائه اطلاعات بصری و مکانی مهم در مورد عملیات حیاتی در مرکز توجه قرار گرفت. حملات مرکز تجارت جهانی که استفاده بالقوه از فناوری‌های سنجش از دور را برای ارزیابی خسارت و بازیابی نشان داد. طوفان چارلی در سال 2004 که در آن استقرار فناوری‌های پیمایش میدانی مبتنی بر سامانه موقعیت‌یاب جهانی‌ کمک کرد تا خسارت و تخریب این فاجعه به‌موقع متوقف شود تا محققان بتوانند اثرات خطرات باد قابل ‌توجه را به شیوه‌ای جامع‌تر و کامل‌تر بررسی کنند. 
همه این رویدادها بر لزوم استفاده از اطلاعات مهم زمانی در اتخاذ تصمیم‌های حیاتی توسط کاربران در طول فاجعه تأکید می‌کنند. یکی از فناوری‌هایی که بر مدیریت مخاطرات تأثیر زیادی داشته، سنجش از دور است. در دهه گذشته، این فناوری به‌طور گسترده برای توضیح میزان تأثیرات ناشی از زلزله، سونامی، طوفان، سیل، آتش‌سوزی جنگلی و حملات تروریستی استفاده شده است. از طریق تصاویر نوری با وضوح مکانی بالا و سنجنده‌های فعال مانند رادار با روزنه مجازی که تحت عنوان «سار» شناخته شده است و همچنین «لیدار»، فناوری‌ سنجش از دور کارایی قابل ‌توجهی در تعیین مقدار خسارت پس از فاجعه، نظارت بر پیشرفت بازیابی و بازسازی پس از فاجعه و توسعه اطلاعات در مورد زیرساخت‌های شهری نشان داده‌اند. 
یکی از دلایل اصلی این پیشرفت سریع، وجود تصاویر ماهواره‌ای با وضوح مکانی بالا و تجاری در دسترس عموم بوده؛ جایی ‌که این داده‌ها در گذشته عمدتاً برای سازمان‌های دولتی (عمدتاً نظامی) در دسترس بوده‌اند. تأثیر این فناوری در حوزه مدیریت مخاطرات بسیار محسوس بوده است. این مقاله بر کارایی فناوری‌های سنجش از دور در تمام جنبه‌های مدیریت مخاطره؛ یعنی آمادگی، کاهش، پاسخ و بازیابی تمرکز دارد. به ‌منظور نشان دادن کارایی سنجش از دور در این 4 حوزه، تاریخچه موارد و نمونه‌هایی از مخاطرات اخیر، از جمله زلزله مرمره ترکیه، زلزله بم ایران و زلزله و سونامی اقیانوس هند بحث شده است. در نهایت، این مقاله بحث مختصری درباره جهت‌گیری‌های احتمالی آینده سنجش از دور در مدیریت مخاطرات را ارائه می‌دهد تا پیشرفت‌ها و چالش‌های این فناوری در تحقق کاربرد گسترده‌تر آن در مخاطرات آینده بررسی شود.

روش
برای تبیین کارایی فناوری سنجش از دور در خصوص مدیریت مخاطرات، به‌ویژه در بحث توسعه موجودی، برآورد خسارت و پیمایش میدانی، محدوده مطالعاتی تحقیق حاضر، شهرهای مرمره ترکیه، بم ایران و همچنین اقیانوس هند است؛ جایی ‌که مخاطره زلزله به‌ترتیب در سال‌های 1999، 2003 و 2004 منجر به خسارات گسترده در این مناطق شده است. روش انجام این پژوهش، کتابخانه‌ای‌تحلیلی است. در واقع، پس از بررسی مطالعات و پژوهش‌های انجام‌شده در حوزه مدیریت مخاطرات و تحلیل نتایج آن‌ها، نسبت به تبیین نقش سنجش از دور در تمام جنبه‌های مدیریت بحران از قبیل آمادگی، کاهش، پاسخ و بازیابی اقدام شد. در نهایت، این مقاله بحث مختصری در مورد جهت‌گیری‌های احتمالی آینده سنجش از دور در مدیریت مخاطرات را ارائه می‌دهد تا پیشرفت‌ها و چالش‌های این فناوری در مخاطرات آینده بررسی شود.

توسعه موجودی
گردآوری یک پایگاه داده جامع و دقیق از زیرساخت‌های حیاتی موجود در مدیریت مخاطرات اضطراری است؛ زیرا مبنایی برای شبیه‌سازی اثرات احتمالی از طریق تست سناریو فراهم می‌کند و یک خط‌پایه برای برآورد میزان واقعی خسارت و تلفات مربوطه پس از وقوع یک رویداد تعیین می‌کند. در زمینه کاهش و آمادگی، تقاضا برای موجودی دقیق محیط ساخته‌شده به ‌منظور انجام ارزیابی آسیب‌پذیری، تخمین زیان از نظر هزینه‌های تعمیر (اگوچی و همکاران، 2000 الف)، ارزیابی مسئولیت بیمه‌گران و هم‌چنین اهداف برنامه‌ریزی امداد در حال افزایش است (سینها و گویال، 2001). در مناطق کمتر توسعه‌یافته جهان، موجودی‌ها اغلب حداقل است. کمیسیون ماهواره‌های مشاهده زمین در سال 2001 برنامه‌ای برای گردآوری سوابق جامع از سکونتگاه‌های شهری که ممکن است در صورت وقوع زلزله متأثر شوند، مستند می‌کند تا از تکرار زلزله 1998 افغانستان جلوگیری شود؛ زمانی ‌که به‌دلیل در دسترس نبودن نقشه‌ها یا تصاویر ساده، نیروهای امدادی مشکلات دشواری مانند مکان‌یابی روستاهای آسیب‌دیده را تجربه کردند. 
اگرچه موقعیت مراکز شهری به‌طور کلی برای کشورهای توسعه‌یافته به‌خوبی مستند شده، اما علاقه به روش‌های دقیق کم‌هزینه برای توصیف محیط ساخته‌شده با جزئیات بیشتر در حال افزایش است. موجودی‌های ساختمان، ورودی اولیه مدل‌های برآورد خسارت مانند برنامه FEMA HAZUS®MH و سیستم EPEDAT (ابزار ارزیابی خسارت اولیه پس از زلزله) کالیفرنیا (دفتر خدمات اضطراری فرمانداری) هستند. این برنامه‌ها به عنوان ابزار برنامه‌ریزی قبل از یک رویداد و ابزار پاسخ پس از وقوع یک رویداد استفاده می‌شوند. از جمله پارامترهای این مدل‌ها عبارت‌اند از: ارتفاع ساختمان، متراژ مربع و نوع سازه استفاده‌شده. 
در مقیاس وسیع، دقت تخمین خسارت تا حد زیادی به کیفیت داده‌های ورودی بستگی دارد. مجموعه داده‌های پیش‌فرض اغلب بر اساس روندهای منطقه‌ای است، نه داده‌های محلی. تحقیقاتی که در مرکز چند‌رشته‌ای تحقیقات مهندسی زلزله انجام می‌شود، نشان می‌دهد که داده‌های سنجش از دور فهرستی دقیق از ارتفاع و متراژ مربع را ارائه می‌دهند که از طریق تکمیل مجموعه داده‌های موجود، ممکن است به تخمین‌های دقیق‌تر خسارات منجر شود. 
تصویر شماره 1، روشی را نشان می‌دهد که در آن اطلاعات ارتفاع ساختمان و متراژ مربع با ترکیب تداخل‌سنجی رادار با روزنه مجازی و تصاویر نوری استخراج شده است (اگوچی و همکاران، 2000 الف). تصویر شماره 1 الف، استخراج ارتفاع ساختمان‌ها را بر اساس یک مدل رقومی سطح زمین نرمال‌شده نشان می‌دهد. مبتنی بر روش توسعه‌یافته توسط (هایک و همکاران، 2002)، این مدل رقومی سطح زمین نرمال‌شده از تفاضل مدل رقومی سطح زمین برگرفته از تصاویر رادار با روزنه مجازی و مدل رقومی زمین به دست می‌آید.



مدل رقومی سطح زمین نشان‌دهنده عوارض طبیعی و انسان‌ساخت سطح زمین مانند ساختمان‌ها و درختان است. مدل رقومی زمین صرفاً توپوگرافی است و یک نمایش آماری از سطح پیوسته‌ای از زمین به‌وسیله تعداد زیادی از نقاط با مختصات y ،x و z معلوم در سیستم مختصات دلخواه را ارائه می‌دهد و از طریق دنباله‌ای از فیلترها به دست می‌آید. 
همان‌طور که در تصویر شماره 1 ب، نشان داده شده، ارتفاع ساختمان به‌عنوان بیشینه محلی در فوت‌پرینت مشخص‌شده در عکسبرداری هوایی با وضوح مکانی بالا ثبت می‌شود. سپس ارتفاع‌ها با استفاده از یک ضریب تبدیل که با نرم‌افزار برآورد خسارت استاندارد مطابقت دارد، محاسبه می‌شود. متراژ مربع سطح زمین نیز بر اساس هر ساختمان، به‌عنوان مساحت فوت‌پرینت در واحد پیکسل ثبت می‌شود. 
با استفاده از یک ضریب مقیاس بر اساس وضوح تصویر، این مقدار به متراژ مربع یک طبقه تبدیل می‌شود. در نهایت، از حاصل‌ضرب تعداد طبقات و مساحت سطح زمین، کل مترمربع برای هر سازه محاسبه می‌شود. کارایی این روش برای مناطق مطالعه‌شده در لس‌آنجلس آزمایش شده است؛ جایی که مقادیر ارتفاع و متراژ ساختمان با داده‌های ارزیاب مالیاتی مشتق‌شده مستقل مطابقت دارد (اگوچی و همکاران، 2000 الف).
مزیت قابل ‌توجه موجودی‌های برگرفته از سنجش از دور، سهولت نسبی به‌روز‌رسانی آن‌هاست. این امر، به‌ویژه در مقیاس سطح شهر مهم است؛ جایی‌ که نمای‌کلی ارائه‌شده توسط تصاویر ماهواره‌ای می‌تواند توسط بخش‌های برنامه‌ریزی برای پایش رشد شهری استفاده شود (اگوچی و همکاران، 2000ب). 
طبقه‌بندی تصاویر به پوشش‌ گیاهی، بتن و ساختمان‌ها یک کار ساده است که به‌راحتی با استفاده از تصاویر چندزمانه انجام می‌شود. میزان رشد شهری بر اساس تغییر بین صحنه‌ها تشخیص داده می‌شود. علاوه بر روش‌های تداخل‌سنجی رادار با روزنه مجازی، تکنیک‌های جدید توسعه موجودی ساختمان از طریق استفاده از داده‌های ماهواره‌ای نوری با وضوح مکانی بالا توسعه یافته‌اند. 
تحقیقات در دانشگاه استنفورد بر توسعه رویکردی برای به دست آوردن سریع اطلاعات مکانی و ساختاری از تصویر ماهواره‌ای با وضوح مکانی بالا با استفاده از مدل توابع چندجمله‌ای کسری به‌عنوان مدل جایگزینی دوربین متمرکز شده‌اند (سارابندی و همکاران، 2005؛ چونگ و سارابندی، 2006) اطلاعات هندسی که جهت سنسور را تعریف می‌کند، به‌همراه مدل توابع چندجمله‌ای کسری برای تولید یک مدل رقومی ارتفاعی دقیق استفاده می‌شود. 
روش ارائه‌شده توسط (سارابندی و همکاران، 2005) نشان می‌دهد چگونه مکان و ارتفاع هر یک از سازه‌های منطقه با اندازه‌گیری مختصات تصویر برای گوشه یک ساختمان در سطح زمین و مختصات نقطه سقف متناظر آن با استفاده از رابطه بین تصویر‌فضا و شی‌فضا همراه با جهت سنسور استخراج شده است. تصویر شماره 2، یک مدل 3 بُعدی از لانگ‌بیچ، کالیفرنیا را نشان می‌دهد که با استفاده از الگوریتم استخراج ارتفاع تک تصویر توسعه یافته است. 



برآورد خسارت
تشخیص خسارت آنی پس از وقوع یک مخاطره طبیعی یا انسانی، فرایند واکنش را آغاز می‌کند و اطلاعات مورد نیاز برای موارد زیر را فراهم می‌کند: 
- اولویت‌بندی تلاش‌های امدادی 
- اولین پاسخ‌دهندگان را به مکان‌های حیاتی هدایت کرده و در نتیجه زمان پاسخ را بهینه می‌کند (سینها و گویال، 2001). 
- خسارت اولیه را برآورد می‌کند (اگوچی و همکاران، 2000ب؛ ترالی، 2000) 
- تعیین این‌که آیا این وضعیت مستلزم کمک ملی یا بین‌المللی است. 
خسارات ناشی از سکونتگاه‌های شهری همراه با زیرساخت‌های حیاتی مانند جاده‌ها، خطوط لوله و پل‌ها از اهمیت ویژه‌ای برخوردار است. در این بخش، روش‌های توسعه‌یافته تشخیص خسارت از طریق سنجش از دور برای پل‌ها و ساختمان‌های بزرگراه مبتنی بر تحقیقات انجام‌شده پس از زلزله‌های اخیر و تجربیات به‌دست‌آمده پس از حمله به مرکز تجارت جهانی ارائه می‌شوند. 
فرایند روش‌شناختی از 2 رویکرد مستقیم و غیرمستقیم پیروی می‌کند. در رویکرد مستقیم، خسارت با مشاهده مستقیم ویژگی‌ها یا تغییرات زمانی یک شیء شناسایی می‌شود. در رویکرد غیرمستقیم، خسارت از طریق یک نشانگر جایگزین تشخیص داده می‌شود. در حوادث شدید مانند مخاطرات طبیعی و حملات تروریستی، عملکرد عناصر مهم حمل‌‌و‌نقل یک نگرانی عمده است. به عنوان مثال، ایالات متحده آمریکا شبکه حمل‌و‌‌نقل گسترده با بیش از 500 هزار پل و 4 میلیون مایل جاده دارد (ویلیامسون، 2002). 
هنگامی‌که فاجعه‌ای مانند زمین‌لرزه نورتریج در سال 1994 رخ می‌دهد، واکنش مؤثر حادثه مستلزم بررسی اجمالی سریع آسیب‌های متحمل‌شده توسط عناصر متعدد است که در یک منطقه جغرافیایی گسترده پخش شده است. با توجه به بزرگی و پیچیدگی سیستم‌های حمل‌و‌نقل، ارزیابی مبتنی بر داده‌های میدانی به‌صورت آنی امکان‌پذیر نیست. با توجه به زلزله و سونامی اخیر اقیانوس هند (2004) که مرکز آن در نزدیکی سوماترا بود، رسانه‌ها از آسیب به جاده‌ها و پل‌ها و تخریب تعدادی از روستاها خبر دادند. با توجه به دوره بحرانی 48 ساعته‌ای که تیم‌های جست‌وجو و نجات شهری برای یافتن بازماندگان دارند، دسترسی‌ها باید به سرعت و با دقت مشخص شود تا تیم‌های پاسخ، تغییر مسیر داده و از تأخیرهای تهدید‌کننده جان جلوگیری شود. 
صرف‌ نظر از این‌که این فاجعه در اندونزی یا ایالات متحده آمریکا رخ دهد، ماهواره‌های سنجش از دور مانند IKONOS و QuickBird یک دید کلی با وضوح مکانی بالا از سیستم بزرگراه ارائه می‌دهند که می‌تواند برای نظارت بر یکپارچگی سازه و ارزیابی سریع درجه خسارت استفاده شود. DOT / NASA که کاربردهای سنجش از دور را برای حمل‌و‌نقل ترویج می‌کند (اگوچی و همکاران، 2000ب)؛ مورین و کرافت، 2003)، الگوریتم‌های اولیه تشخیص خسارت به‌نام «شکارچی پل» و «دکتر پل» برای پل‌های بزرگراه را توسعه داده است (آدامز و همکاران، 2002الف). در تصویر شماره 3، خلاصه‌ای از روش‌شناختی ارائه شده است. 
فاز 1، فرایند تشخیص خسارت با استفاده از شکارچی پل، جست‌وجو و گردآوری کاتالوگ تصاویر سنجش از دور به ‌همراه اطلاعات توصیفی از پایگاه داده اداره بزرگراه فدرال است. در فاز 2، دکتر پل سلامت پل‌ها را تشخیص داده و تعیین می‌کند که آیا آسیب فاجعه‌باری متحمل شده است یا خیر. در این مورد، وضعیت پل از نظر خسارت وارده مستقیماً بر حسب میزان تغییر بین یک توالی زمانی از تصاویر به‌دست‌آمده پیش (زمان 1) و پس از رویداد (زمان 2) محاسبه می‌شود. فرض بر این است که برای پل‌های فروریخته که بخشی از آن سقوط کرده یا جابه‌جا شده است، تغییرات قابل ‌توجهی در تصاویر سنجش از دور مشهود خواهد بود. با این حال، در جایی ‌که خسارت ناچیز متحمل شده باشد، میزان تغییرات باید حداقل باشد.
زلزله نورتریج به‌عنوان یک بستر آزمایشی برای توسعه مدل استفاده شد. هنگامی‌ که زلزله 6/7 ریشتری در لس‌آنجلس در 17 ژانویه 1994 رخ داد، شبکه حمل‌و‌نقل خسارت گسترده‌ای را متحمل شد. 6 نمونه از فروریختن پل برای کالیبراسیون و اعتبارسنجی مدل موجود بود. پروفیل‌های خسارت به‌دست‌آمده از تصاویر SPOT به ‌وضوح اختلاف بین سناریوهای مختلف را نشان می‌دهد. 
از نتایج ارائه‌شده در تصویر شماره 3، نمودارهای بازتاب طیفی برای مثال بدون خسارت در زمان 1 (پیش از زلزله) و زمان 2 (پس از زلزله) از یک الگوی مشابه در امتداد بزرگراه و روی پل پیروی می‌کنند. برای سناریوی فروریخته، تغییرات اساسی بین تصاویر پیش و پس از زلزله مشهود است. در این حالت، پروفیل‌های خسارت دیگر از روند مشابهی پیروی نمی‌کنند و واگرایی ناگهانی در نمودار بازتاب در اطراف دهانه فروریخته قابل مشاهده است. 



شاخص‌های خسارت شامل تفاضل و همبستگی یک مقایسه کمّی ارائه می‌دهند. نمودار خسارت 2 متغیره به‌ وضوح برای پل‌های فروریخته، همبستگی کم و اختلاف زیاد و برای پل‌های خسارت‌ندیده، همبستگی زیاد و اختلاف کم را نشان می‌دهد. استفاده از داده‌های سنجش از دور برای ارزیابی خسارت ساختمان مزایای قابل ‌توجهی نسبت به بررسی‌های زمینی دارد. جایی ‌که منطقه خسارت‌دیده گسترده و دسترسی محدود است، یک دید کلی از منطقه جغرافیایی ارائه می‌دهد. طیف وسیعی از تکنیک‌های ارزیابی از جمله رویکردهای مستقیم و غیرمستقیم در ادبیات مستند شده است. در رویکرد مستقیم، خسارت ساختمان مستقیماً از طریق امضای طیفی آن در تصاویر تشخیص داده می‌شود (یامازاکی، 2001). 
تحقیقات (ماتسوکا و یامازاکی، 1998؛ چیروی و همکاران، 2002؛ چیروی و آندره، 2001) پیشنهاد می‌کنند که ساختمان‌های فروریخته و بسیار خسارت‌دیده امضاهای طیفی متمایز دارند. با این حال، حالت‌های خسارت متوسط و جزئی از حالت بدون ‌خسارت قابل تشخیص نیستند. میزان خسارت معمولاً بر حسب وسعت یا تراکم سازه‌های فروریخته تعیین می‌شود. در رویکرد غیرمستقیم، خسارت ممکن است با استفاده از یک شاخص غیرمستقیم و بر اساس این نظریه که سطوح روشنایی شبانه شهری متناسب با آسیب شهری کاهش می‌یابد، تعیین شود (اگوچی و همکاران، 2000ب). 
رویکردهای مستقیم ارزیابی خسارت ساختمان ممکن است به‌صورت یک یا چندزمانی طبقه‌بندی شود. همانند یک مبنای نظری مشابه با روش خسارت پل توضیح داده‌شده در بالا، تجزیه و تحلیل چند‌زمانی میزان خسارت ناشی از تغییرات طیفی بین تصاویر به‌دست‌آمده در چندین بازه زمانی معمولاً پیش و پس از یک رویداد را تعیین می‌کند. جدول شماره 1، فرایند تشخیص خسارت برای ساختمان‌ها و سکونتگاه‌های شهری برای زلزله‌های مختلف با استفاده از تصاویر رادار با روزنه مجازی و نوری در مقیاس‌های سطح شهر و منطقه‌ای را نشان می‌دهد. 



در مقیاس سطح شهر، تجزیه‌و‌تحلیل مقایسه‌ای تصاویر Landsat و ERS جمع‌آوری‌شده پیش و پس از زلزله سال 1995 هیوگوکن‌نانو (کوبه)، روندی را بین تغییرات طیفی و تخمین‌های واقعیت زمینی برای ساختمان‌های فروریخته معرفی می‌کند (ترالی، 2000؛ یامازاکی، 2001؛ ماتسوکا و یامازاکی، 1998؛ آئوکی و همکاران، 1998؛ ماتسوکا و یامازاکی، 2000 الف؛ ماتسوکا و یامازاکی، 2000 ب). 
روش‌های کمّی و کیفی مشابهی برای ارزیابی خسارت متأثر از زلزله در شهرهای مختلف مانند زلزله مرمره، ترکیه در سال 1999 (اگوچی و همکاران، 2000 الف؛ اگوچی و همکاران، 2000ب) و زلزله بم، ایران در سال 2003 استفاده شد (یامازاکی و همکاران، 2005؛ هاچینسون و چن، 2005؛ گوسلا و همکاران، 2005؛ چیروی، 2005؛ راثیه و همکاران، 2005). مقایسه بصری تصاویر SPOT در تصویر شماره 4 الف و ب، شهر گولجوک، تغییرات در بازتاب را به‌دلیل خسارت زلزله نشان می‌دهد (استرادا و همکاران، 2001الف؛ استرادا و همکاران، 2001ب). نواحی تغییر برجسته با دایره نشان داده شده‌اند. تصویر شماره 4 پ و ج، معیارهای تغییر تفاضل، همبستگی و همبستگی بلوکی را نشان می‌دهد که با مناطقی که داده‌های پیمایش میدانی در آن جمع‌آوری شده‌اند، هم‌پوشانی دارند (اگوچی و همکاران، 2000ب). 



ترسیم میزان خسارت ساختمان با معیارهای اندازه‌گیری تغییر، پروفیل‌های خسارت را در تصویر شماره 5 ایجاد می‌کند. با افزایش درصد سازه‌های فروریخته از کلاس A-E، روند آشکاری همراه با افزایش افست بین تصاویر پیش و پس از مخاطره وجود دارد. این روش با استفاده از تصاویر رادار با روزنه مجازی ماهواره ERS نیز اجرا شده است (اگوچی و همکاران، 2000ب). اخیراً (ماتسوکا و یامازاکی، 2002؛ ماتسوکا و یامازاکی، 2003) این رویکرد را توسعه داده‌اند تا ثبات در روند بین فروپاشی ساختمان و اقدامات سنجش از دور برای زلزله‌های 1993 هوکایدو، 1995 کوبه، 1999 ترکیه و 2001 گوجورات هند را نشان دهند. 



در مقیاس منطقه‌ای، (ماتسوکا و یامازاکی، 2002) سکونتگاه‌های آسیب‌دیده در استان‌های مرمره و گوجورات پس از زلزله‌های 1999 و 2001 در ترکیه و هند را شناسایی کردند. این رویکرد، یک ارزیابی سریع از میزان خسارت ارائه داده و پاسخ‌دهندگان را به مناطقی که به‌شدت خسارت دیده است، هدایت می‌کند. تجزیه‌و‌تحلیل تک‌زمانی، خسارت ناشی از تصاویر به‌دست‌آمده پس از وقوع یک مخاطره را شناسایی می‌کند. در مواقعی که داده‌های قبل از وقوع مخاطره در دسترس نیستند، این روش کارآمد است. این روش مبتنی بر تشخیص مستقیم ساختمان‌های فروریخته از طریق تصاویر با وضوح مکانی بالا و تفسیر بصری است. همانند رویکرد چند زمانی، برای حالت‌های خسارت شدید که ساختمان‌ها فرو ریخته یا به‌شدت آسیب دیده‌اند، مؤثرتر است (چیروی و همکاران، 2002؛ چیروی، 2005؛ ساتیو و همکاران، 2005).
اوگاوا و همکاران (1999) و اوگاوا و یامازاکی (‌2000) از روش تفسیر عکس‌های هوایی به‌صورت تک و استریوسکوپی برای تعیین خسارت وارد‌شده توسط سازه‌های چوبی و غیرچوبی در کوبه استفاده کردند. یک استاندارد تفسیر بر اساس وقوع آوار، سطح تغییر شکل و درجه شیب برای تمایز بین سازه‌های فروریخته، نیمه‌فروریخته و بدون خسارت توسعه یافت. موفقیت این رویکرد روش‌شناختی بر حسب مطابقت آن با داده‌های مشاهدات میدانی بررسی شد. 
چیروی و همکاران، 2002 و چیروی و آندره، 2001 از معیارهای مشابهی به ‌منظور تفسیر خسارت ساختمان از تصاویر ماهواره‌ای IKONOS با وضوح مکانی بالا از شهر بوج استفاده کردند که در پی رخداد زلزله سال 2001 گوجورات، خسارت زیادی دیده ‌بود. پژوهش مشابهی نیز توسط ساتیو و همکاران (2005) برای زلزله بم، ایران انجام شد. تلویزیون هوایی خودکار با سرعت بالا نیز به‌عنوان یک ابزار مفید برای ارزیابی خسارت‌های تک‌زمانی توسعه یافته است. 
اوگاوا و همکاران، 1999؛ هاسگاوا و همکاران، 2000 موجودی ساختمان‌های فروریخته کوبه را با استفاده از تفسیر بصری تصاویر HTTV بررسی شدند. ویژگی‌های تشخیصی آوار و خسارت‌های سازه‌ای ساختمان به‌صورت کمّی توسط هاسگاوا و همکاران، 1999؛ میتومی و همکاران، 2002 بیان شده است. روش اصلی آن‌ها مبتنی بر تشخیص سناریوهای فروریخته و بدون خسارت از نظر رنگ، لبه و اطلاعات بافت بوده است. طبقه‌بندی کننده‌های برش چندسطحی و حداکثر احتمال، توزیع فضایی این طبقات را تعیین می‌کنند (میتومی و همکاران، 2002؛ میتومی و همکاران، 2001ب). 
اگرچه این روش با استفاده از تصاویر کوبه توسعه یافته است، اما با موفقیت ساختمان‌های فروریخته را در گولجوک، چی چی (میتومی و همکاران، 2002؛ میتومی و همکاران، 2001ب) و گوجورات (میتومی و همکاران، 2001الف؛ یامازاکی، 2001)شناسایی کرد. یک روش غیرمستقیم ارزیابی خسارت ساختمان تک‌زمانی نیز در ادبیات مستند شده است. در این مثال، آسیب به موجودی ساختمان با استفاده از یک اندازه‌گیری جایگزین استخراج می‌شود. 
هاشیدره و همکاران، 1999؛ کوهیاما و همکاران، 2001 سطوح مختلف داده‌های شب‌هنگام را در تصاویر سیستم عملیاتی اسکن خطی برنامه ماهواره هواشناسی دفاعی ایالات متحده آمریکا (DMSP-OLS) که پیش و پس از زمین‌لرزه‌های مرمره و گوجورات به دست آمده است، مقایسه کرد. در هر 2 مورد، مناطقی که بیشترین کاهش شدت را نشان می‌دهند، با سکونتگاه‌های آسیب‌دیده مطابقت دارند که این فرضیه را پشتیبانی می‌کند که در جایی‌ که ساختمان‌ها به شدت خسارت دیده‌اند، نور کمتری ساطع می‌شود (چیروی و آندره، 2001). 
این ابزار ارزیابی خسارت که ‌هنگام شب کارایی دارد، مکمل مفیدی برای روش‌های مبتنی بر نوری است که محدود به ساعات روز است. اگرچه نمونه‌های استفاده‌شده برای نشان دادن روش‌های قبلی از رویدادهای زلزله استخراج شده‌اند، اما تشخیص خسارت از تصاویر سنجش از دور نیز در عواقب حمله تروریستی مرکز تجارت جهانی نیز مفید واقع شد (کاهان و بال، 2002؛ هایک و همکاران، 2003).
تصویر IKONOS که در 12 سپتامبر 2001 به دست آمد و در اینترنت منتشر شد، به مردم سراسر جهان تجسم اولیه ویرانی در Ground Zero را نشان داد. اولین تصاویر دقیق روز بعد گرفته شد. اداره آتش‌نشانی نیویورک عکس‌های مایل از یک هلیکوپتر در حال چرخش و عکس‌های عمودی برای اداره مدیریت اضطراری ایالت نیویورک ثبت کرد. از 15 سپتامبر تا اواسط اکتبر، داده‌های زمین به‌طور سیستماتیک از طریق عکس‌های ارتوگرافی، حرارتی و داده‌های لیدار به دست آمد (هایک و آدامز، 2002). در حالی ‌که این مجموعه داده‌ها در ابتدا برای برآورد خسارت استفاده می‌شدند، با این حال پوشش زمانی آن‌ها طولانی بود؛ بنابراین کارایی و نقشی که فناوری سنجش از دور در نظارت طولانی‌مدت پس از وقوع مخاطره ایفا می‌کند، اهمیت پیدا کرد. 
در تصویر شماره 6، نمونه‌ای از نقشه خسارت تهیه‌شده پس از زلزله و سونامی اقیانوس هند در سال 2004 را نشان می‌دهد. نقشه خسارت برای شهر Ban Nam Khem در تایلند از طریق تفسیر بصری تصاویر با وضوح مکانی بالا برای پیش و پس از سونامی تهیه شده است. از 761 سازه نمونه‌برداری شده، 449 سازه (59 درصد) به عنوان فروریخته طبقه‌بندی شدند و 312 سازه نیز خسارت کمتری دیده بودند. میزان خسارت در نزدیکی ساحل باز و ورودی که بین 50 تا 100 درصد خانه‌ها ویران شده‌اند، بسیار شدید بود. میزان خسارتی که توسط تصاویر سنجش از دور برآورد می‌شود، در داخل خشکی کاهش می‌یابد و در فاصله تقریباً 500 متری از خطوط ساحلی به 0 تا 30 درصد می‌رسد (چانگ و همکاران، 2006).



تشخیص میدانی
فناوری‌های مبتنی بر سامانه موقعیت‌یاب جهانی یکی از دلایلی بوده که باعث شده است تلاش‌های تشخیص میدانی پس از مخاطرات بزرگ به‌طور قابل ‌توجهی بهبود یابد. قبل از این‌که این فناوری در دسترس عموم قرار گیرد، مستندسازی فعالیت‌های تشخیص میدانی دست و پا گیر و زمان‌بر بود. اکنون با سیستم‌های سامانه موقعیت‌یاب جهانی که دقت موقعیتی در حدود 1 تا 3 متر را در هر نقطه از جهان ارائه می‌دهند، می‌توان عکس‌ها و فیلم‌ها را با نقاط واقعی روی زمین پیوند داد. این قابلیت زمانی اهمیت بیشتری پیدا می‌کند که این فناوری با سیستم‌های اطلاعات جغرافیایی ادغام شود. 
یکی از سیستم‌های میدانی که در مخاطرات اخیر پدیدار شده است، سیستم VIEWS است که برای مرکز چند رشته‌ای تحقیقات مهندسی زلزله توسعه یافته است. VIEWS یک سیستم جمع‌آوری و تجسم داده‌های میدانی قابل‌ حمل مبتنی بر لپ‌تاپ است که در مأموریت‌های شناسایی مخاطرات برای جمع‌آوری داده‌های زمین‌مرجع به‌صورت مشاهدات خسارت، عکس‌ها و فیلم‌های ویدئویی به ‌کار می‌رود. نحوه عملکرد آن به گونه‌ای است که از طریق یک ابزار سامانه موقعیت‌یاب جهانی زمان واقعی، موقعیت جغرافیایی هر رکورد روی تصاویر سنجش از دور پیش و پس و نقشه‌های پایه خسارت قرار می‌گیرد. 
از طریق عملکرد سیستم‌های اطلاعات جغرافیایی داخلی، تیم میدانی از تصاویر ماهواره‌ای با وضوح مکانی بالا برای اولویت‌بندی فعالیت‌های بررسی میدانی، برنامه‌ریزی و ردیابی مسیر آن‌ها و همچنین مشخص‌کردن ساختارهای آسیب‌دیده و ویژگی‌های مد نظر استفاده می‌کند. روش‌های سنتی ارزیابی خسارت پس از فاجعه معمولاً شامل بررسی‌های پیاده‌روی می‌شود که به ‌موجب آن، شاخص‌های خسارت همراه با وضعیت کلی خسارت به‌صورت دستی در صفحه‌گسترده ثبت می‌شوند. 
از نظر کارایی، تحقیقات گذشته نشان داده‌اند که VIEWS به‌طور قابل ‌توجهی سرعت جمع‌آوری داده‌های نقشه‌برداری زمینی را افزایش می‌دهد (آدامز و همکاران، 2004ب). سیستم VIEWS به‌ منظور شناسایی رویدادهایی مانند زلزله بم، ایران در سال 2003 (آدامز و همکاران، 2004ب)، طوفان چارلی و ایوان که در سال 2004 به سواحل خلیج آمریکا رسید (آدامز و همکاران، 2004ب؛ آدامز و همکاران، 2004پ)، زلزله نیگاتا، ژاپن در اکتبر 2004 (هایک و همکاران، 2005) و طوفان‌های کاترینا و ریتا در سال 2005 (وامبل و همکاران، 2008) استفاده شده است.

یافته‌ها
در این مطالعه، قابلیت فناوری سنجش از دور و همچنین تصاویر ماهواره‌ای در تمام جنبه‌های مدیریت بحران از قبیل آمادگی، کاهش، پاسخ و بازیابی از طریق توسعه موجودی، برآورد خسارت آنی و تشخیص میدانی ارزیابی و بررسی شد. تجزیه‌و‌تحلیل نتایج نشان دادند فناوری سنجش از دور کارایی قابل ‌توجهی را در تعیین مقدار خسارت پس از فاجعه، نظارت بر پیشرفت بازیابی و بازسازی پس از فاجعه و توسعه اطلاعات در خصوص زیرساخت‌های شهری نشان می‌دهد. 
در حوزه توسعه موجودی، گردآوری یک پایگاه داده جامع و دقیق از زیرساخت‌های حیاتی موجود می‌تواند در برآورد میزان خسارات واقعی پس از رخداد یک مخاطره مؤثر باشد. از طرفی، در زمینه کاهش و آمادگی، تقاضا برای موجودی دقیق محیط ساخته‌شده به ‌منظور انجام ارزیابی آسیب‌پذیری، تخمین زیان از نظر هزینه‌های تعمیر، ارزیابی مسئولیت بیمه‌گران و همچنین اهداف برنامه‌ریزی امداد در حال افزایش است. 
مزیت قابل ‌توجه موجودی‌های برگرفته از سنجش از دور، سهولت نسبی به‌روز‌رسانی آن‌هاست. این امر، به‌ویژه در مقیاس سطح شهر مهم است؛ جایی ‌که نمای‌کلی ارائه‌شده توسط تصاویر ماهواره‌ای می‌تواند توسط بخش‌های برنامه‌ریزی برای پایش رشد شهری استفاده شود. خسارات ناشی از سکونتگاه‌های شهری همراه با زیرساخت‌های حیاتی مانند جاده‌ها، خطوط لوله و پل‌ها از اهمیت ویژه‌ای برخوردار است. تشخیص خسارت آنی پس از وقوع یک مخاطره طبیعی یا انسانی، فرایند واکنش را آغاز می‌کند و اطلاعات مورد نیاز در خصوص اولویت‌بندی تلاش‌های امدادی، هدایت اولین پاسخ‌دهندگان به مکان‌های حیاتی و بهینه کردن زمان پاسخ و برآورد خسارت اولیه را فراهم می‌کند. 
تجزیه‌و‌تحلیل منابع نشان دادند برآورد خسارت از 2 رویکرد مستقیم و غیرمستقیم قابلیت انجام دارد. در رویکرد مستقیم، خسارت با مشاهده مستقیم ویژگی‌ها یا تغییرات زمانی یک شیء شناسایی می‌شود. در رویکرد غیرمستقیم، خسارت از طریق یک نشانگر جایگزین تشخیص داده می‌شود. فناوری‌های مبتنی بر سامانه موقعیت‌یاب جهانی یکی از دلایلی بوده که باعث شده است تلاش‌های تشخیص میدانی پس از مخاطرات بزرگ به‌طور قابل ‌توجهی بهبود یابد. روش‌های سنتی ارزیابی خسارت پس از فاجعه معمولاً شامل بررسی‌های میدانی می‌شود که به‌ موجب آن، شاخص‌های خسارت همراه با وضعیت کلی خسارت به‌صورت دستی در صفحه ‌گسترده ثبت می‌شوند. نتایج نشان دادند استفاده از سیستم‌های مبتنی بر سامانه موقعیت‌یاب جهانی می‌تواند به‌طور قابل ‌توجهی سرعت جمع‌آوری داده‌های نقشه‌برداری زمینی را افزایش می‌دهد.

بحث ونتیجه‌گیری 
در دهه‌های گذشته، فناوری سنجش از دور به‌طور گسترده‌ای برای تبیین میزان تأثیرات ناشی از زلزله، سونامی، طوفان، سیل، آتش‌سوزی جنگلی و حملات تروریستی استفاده شده است. این پژوهش با هدف چگونگی به‌کارگیری فناوری‌های سنجش از دور در مدیریت مخاطرات طبیعی در محدوده مطالعاتی شهرهای مرمره در ترکیه، بم در ایران و اقیانوس هند ارائه شده است و بر روش‌هایی برای بهبود درک انسان از محیط ساخته‌شده و آسیب‌پذیری آن در برابر مخاطرات طبیعی و همچنین روش‌هایی برای ارزیابی بهتر تأثیر مخاطرات طبیعی بر مناطق شهری دلالت دارد. بر اساس یافته‌های تحقیق نمایان است که به دلیل وجود تصاویر ماهواره‌ای با وضوح مکانی بالا و همچنین در دسترس بودن آن‌ها، فناوری سنجش از دور می‌تواند در تمام جنبه‌های مدیریت بحران مؤثر باشد. 
این فناوری‌ می‌تواند در ایجاد یک پایگاه داده جامع از موجودیت ساختمان‌ها ‌هنگام و پس از وقوع یک مخاطره طبیعی در جهت تبیین خسارات وارده مؤثر باشد. با این حال، بسیاری از تصاویر ماهواره‌ای با وضوح مکانی بالا به‌صورت تجاری در دسترس هستند و به‌کارگیری تصاویر تجاری نیازمند صرف هزینه است؛ بنابراین این موضوع، از جمله محدودیت‌های سنجش از دور در مدیریت مخاطرات طبیعی مطرح است که باید مدنظر کارشناسان و برنامه‌ریزان این حوزه قرار گیرد. توصیه‌های زیر با توجه به جهت‌گیری‌های آینده برای کاربردهای سنجش از دور در مدیریت مخاطرات طبیعی ارائه می‌شود:
1. روش‌های ارزیابی خسارت را با استفاده از سنجش از دور در پلت‌فرم‌های تجسم مبتنی بر اینترنت، مانند Google Earth یا Virtual Earth ادغام کنید. با ارائه نتایج این ارزیابی‌ها از طریق اینترنت، مخاطبان بسیار گسترده‌تری برای این برنامه‌ها امکان‌پذیر است.
2. مجموعه‌ای از معیارهای ارزیابی خسارت مبتنی بر اجماع را صرفاً بر اساس داده‌های سنجش از دور ایجاد کنید. این یک گام ضروری در استانداردسازی نتایج ارزیابی‌های چند‌محققه یا چند‌رویدادی است.
3. امکان‌سنجی آموزش مهندسان سازه و عمران در استفاده از پروتکل‌های استاندارد ارزیابی خسارت و تصاویر سنجش از دور برای گسترش پایگاه داده برای انجام تجزیه‌و‌تحلیل سریع خسارت برای هر مخاطره بزرگ در سراسر جهان.
4. استفاده از داده‌های سنجش از دور برای تقویت یا اعتبارسنجی اطلاعات توصیفی ساختمان‌ها برای مناطق بزرگ شهری. سطوح یا مقیاس‌های مختلف بهبود موجودی ساختمان را بر اساس نوع موجودی در نظر بگیرید. به عنوان مثال، مسکونی، تجاری و صنعتی.
5. تقویت توانایی سازمان‌های غیردولتی بر اساس توافق‌نامه‌ها یا پروتکل‌های بین‌المللی فعلی (به‌عنوان مثال، منشور بین‌المللی) به‌ منظور ارائه ارزیابی‌های سریع و جهانی برای هر مخاطره طبیعی در سراسر جهان.

ملاحظات اخلاقی

پیروی از اصول اخلاق پژوهش
این مقاله با آگاهی کامل نویسندگان از روند اجرای پژوهش به انجام رسیده است و نکات اخلاق پژوهش به‌طور کامل در آن رعایت شده است.

حامی مالی
این مقاله حامی مالی نداشته است.

مشارکت نویسندگان
نویسندگان به یک انداره در نگارش مقاله مشارکت داشته‌اند. 

تعارض منافع
بنابر اظهار نویسندگان این مقاله تعارض منافع ندارد.
 



 

1. Adams, B. J., & Huyck, C. K. (2006). The emerging role of remote sensing technology in emergency management. Infrastructure Risk Management Processes: Natural, Accidental, and Deliberate Hazards, 95-117. [Link]
2. Adams, B., Huyck, C., Mansouri, B., Eguchi, R., & Shinozuka, M. (2002). Post-disaster bridge damage assessment. Paper presented at: Proceedings of the 15th Pecora Conference: Integrating Remote Sensing at the Global, Regional, and Local Scale, Denver, Colorado, May 2002. [Link]
3. Adams, B. J., Huyck, C. K., Mio, M., Sungbin, C., Ghosh, S., & Chung, H. C., et al. (2004). The Bam (Iran) Earthquake of December 26, 2003: Preliminary reconnaissance using remotely sensed data and the views (visualizing the impacts of earthquakes with satellite images) system. New York: MCEER. [Link]
4. Adams, B. J., Huyck, C. K., Mio, M. Z., Cho, S., Eguchi, R. T., & Womble, A. J. et al. (2004). Streamlining post-disaster data collection and damage assessment, using VIEWS (Visualizing Impacts of Earthquakes with Satellites) and VRS (Virtual Reconnaissance System). Paper presented at: Proceedings of 2nd International Workshop on Remote Sensing for Post-Disaster Response, Newport Beach, California, October 7-8; 2004. [Link]
5. Architectural Institute of Japan. (1999). Report on the damage investigation of the 1999 Kocaeli Earthquake in Turkey. Tokyo: Architectural Institute of Japan.
6. Aoki, H., Matsuoka, M., & Yamazaki, F. (1998). Characteristics of Satellite SAR images in the damaged areas due to the Hyogoken-Nanbu Earthquake. Proceedings of the 1998 Asian Conference on Remote Sensing, 7, 1-6. [Link]
7. Cahan, B., & Ball, M. (2002). GIS at Ground Zero- Spatial Technology Bolsters World Trade Center Response and Recovery. GEO WORLD, 15, 26-29. [Link]
8. Chang, S. E., Adams, B. J., Alder, J., Berke, P. R., Chuenpagdee, R., & Ghosh, S., et al. (2006). Coastal ecosystems and tsunami protection after the December 2004 Indian Ocean tsunami. Earthquake Spectra, 22(3_suppl), 863-887. [DOI:10.1193/1.2201971]
9. Chiroiu, L. (2005). Damage assessment of the 2003 Bam, Iran, earthquake using Ikonos imagery. Earthquake Spectra, 21(1_suppl), 219-224. [DOI:10.1193/1.2119227]
10. Chiroiu, L., & Andre, G. (2001). Damage assessment using high resolution satellite imagery: Application to 2001 Bhuj, India Earthquake. Proceeding of 7th National Conference on Earthquake Engineering, 1-13. [Link]
11. Chiroiu, L. (2002). Earthquake damage assessment using high resolution satellite imagery. Paper presented at: Proceedings of the 7th National Conference on Earthquake Engineering 2002, EERI. Boston, Massachusetts, USA, July 21 - 25; 2002. [Link]
12. Sarabandi, P., Chung, H. C., & Adams, B. J. (2006). Remote sensing for building inventory updates in disaster management. Paper presented at: Proceedings of the Smart Structures and Materials and NDE for Health Monitoring and Diagnostics Conference, San Diego, USA, 16 March; 2006. [DOI:10.1117/12.661020]
13. Eguchi, R., Huyck, C., Houshmand, B., Mansouri, B., Shinozuka, M., & Yamazaki, F., et al. (2000). The Marmara earthquake: A view from space. In: C. Charles (Ed.), The Marmara, Turkey earthquake of August 17, 1999: Reconnaissance report. Buffalo, New York, U.S. Multidisciplinary Center for Earthquake Engineering Research (MCEER), Mar. 2000. (pp.151-69), ilus, tab. (Technical Report MCEER, 00-0001). [Link]
14. Eguchi, R., Huyck, C., Houshmand, B., Mansouri, B., Shinozuka, M., & Yamazaki, F., et al. (2000). The Marmara, Turkey Earthquake: Using advanced technology to conduct earthquake reconnaissance. Research Progress and Accomplishments 1999-2000. [Link]
15. Estrada, M., Kohiyama, M., Matsuoka, M. & Yamazaki, F. (2001). Detection of damage due to the 2001 El Salvador Earthquake using landsat images. Paper presented at: The 22^nd Asian Conference on Remote Sensing, Singapore, 5-9 November 2001. [Link]
16. Estrada, M. (2001). Digital damage detection due to the 1999 Kocaeli, Turkey Earthquake. Bulletin of the Earthquake Resistant Structure Research Center, University of Tokyo, 34, 55-66. [Link]
17. Gusella, L., Adams, B. J., Bitelli, G., Huyck, C. K., & Mognol, A. (2005). Object oriented image understanding and post-earthquake damage assessment for Bam, Iran, Earthquake. Earthquake Spectra, 21(S1), 225-238. [DOI:10.1193/1.2098629]
18. Hasegawa, H., Aoki, H., Yamazaki, F. & Sekimoto, I. (1999). Attempt for automated detection of damaged buildings using aerial HDTV images. Proceedings of the 20th Asian Conference on Remote Sensing, 1, 97-102. [Link]
19. Hasegawa, H., Yamazaki, F., Matsuoka, M., & Sekimoto, I. (2000). Determination of building damage due to earthquakes using aerial television images. Proceedings of the 12th World Conference on Earthquake Engineering, 1722(8), 1-8. [Link]
20. Hashitera, S., Kohiyama, M., Maki, N., & Fujita, H. (1999). Use of DMSP-OLS images for early identification of impacted areas due to the 1999 Marmara earthquake disaster. Proceedings of the 20th Asian Conference on Remote Sensing, 2, 1291-1296. [Link]
21. Hutchinson, T. C., & Chen, Z. (2005). Optimized estimated ground truth for object-based urban damage estimation using satellite images from the 2003 Bam, Iran, earthquake. Earthquake Spectra, 21(1_suppl), 239-254. [DOI:10.1193/1.2098937]
22. Huyck, C.K, Mansouri, B., Eguchi, R.T., Houshmand, B., Castner, L. & Shinozuka, M. (2002). Methodologies for post-Earthquake Damage Detection Algorithms Using Optical and ERS-SAR Satellite Data – Application to the August 17, 1999 Marmara, Turkey Earthquake. Proceedings of the 7th U.S. National Conference on Earthquake Engineering, Boston.
23. Huyck, C. K., & Adams, B. J. (2002). Emergency response in the wake of the World Trade Center Attack: The remote sensing perspective. Buffalo: MCEER. [Link]
24. Huyck, C. K., Adams, B. J., & Kehrlein, D. I. (2003). An evaluation of the role played by remote sensing technology following the World Trade Center attack. Earthquake Engineering and Engineering Vibration, 2(1), 159–168. [DOI:10.1007/BF02857548]
25. Kohiyama, M., Hayashi, H., Maki, N., & Hashitera, S. (2001). Night time damage estimation. retrieved from: [Link]
26. Matsuoka, M., & Yamazaki, F. (2000). Interferometric characterization of areas damaged by the 1995 Kobe earthquake using satellite SAR images. Proceedings of the 12thWorld Conference on Earthquake Engineering, 2, 1-8. [Link]
27. Matsuoka, M., & Yamazaki, F. (1998). Identification of damaged areas due to the 1995 Hyogoken-Nanbu earthquake using satellite optical images. Proceedings of the 19th Asian Conference on Remote Sensing, 9, 1-6. [Link]
28. Matsuoka, M., & Yamazaki, F. (2000b). Satellite Remote Sensing of Damaged Areas Due to the 1995 Kobe earthquake. In: K. Toki (Ed), Confronting urban earthquakes: Report of fundamental research on the mitigation of urban disasters caused by near-field earthquakes (pp. 259-262). Kyoto: Kyoto University. [Link]
29. Matsuoka, M., & Yamazaki, F. (2003). Application of a methodology for detection building-damage area to recent earthquakes using SAR intensity images. Proceedings of the 7th EERI US Japan Conference on Urban Earthquake Hazard Reduction, Maui. [Link]
30. Mitomi, H., Matsuoka, M., & Yamazaki, F. (2002). Application of automated damage detection of buildings due to earthquakes by panchromatic television images. Proceedings of the 7th U.S. National Conference on Earthquake Engineering, 1-10. [Link]
31. Mitomi, H., Saita, J., Matsuoka, M., & Yamazaki, F. (2001). Automated damage detection of buildings from aerial television images of the 2001 Gujarat, India earthquake. Paper presented at: IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat. No.01CH37217), Sydney, NSW, Australia, 09-13 July 2001. [Link]
32. Mitomi, H., Yamazaki, F. & Matsuoka, M. (2001). Development of automated extraction method for buildings damage area based on maximum likelihood classifier. Proceedings of the 8th Conference on Structural Safety and Reliability, 1-8. [Link]
33. Morain, S., &  Kraft, W. (2003). Remote sensing for transportation—products and results: Foundations for the future.  [Link]
34. Ogawa, N., & Yamazaki, F. (2000). Photo-interpretation of buildings damage due to earthquakes using aerial photographs. Proceedings of the 12th World Conference on Earthquake Engineering, 1-8. [Link]
35. Ogawa, N. (1999). Earthquake Damage Survey methods based on airborne HDTV, photography and SAR. Proceedings of the 5th US Conference on Lifeline Earthquake Engineering, 322-331. [Link]
36. Rathje, E. M., Crawford, M., Woo, K., & Neuenschwander, A. (2005). Damage patterns from satellite images of the 2003 Bam, Iran, earthquake. Earthquake Spectra, 21(1_suppl), 295-307.[DOI:10.1193/1.2101047]
37. Saito, K., Spence, R., & De C Foley, T. A. (2005). Visual damage assessment using high-resolution satellite images following the 2003 Bam, Iran, Earthquake. Earthquake Spectra, 21(S1). [Link]
38. Sarabandi, P., Adams, B., Kiremidjian, A. S., & Eguchi, R. T. (2005). Infrastructure inventory compilation using single high resolution satellite images. Proceedings of the 3rd International Workshop on Remote Sensing for Post-Disaster Response, Chiba University, Japan, 12-13 September, 2005.  [Link]
39. Sinha, R., & Goyal, A. (2001). Lessons from Bhuj Earthquake. Retrieved from: [Link]
40. Tralli, D. M. (2000). Assessment of advanced technologies for loss estimation. New York: Multidisciplinary Center for Earthquake Engineering Research, University at Buffalo. [Link]
41. Williamson, R. A. (2002). Remote sensing for transportation security. Retrieved from: [Link]
42. Womble, A. J., Ghosh, S., Friedland, C. J., & Adams, B. J. (2008). Hurricane Katrina. Volume 2. Remote sensing. Advance damage detection for hurricane Katrina: Integrating remote sensing VIEWS. Field reconnaissance. Geneva: UNDRR. [Link]
43. Yamazaki, F. (2001). Applications of remote sensing and GIS for damage assessment. Structural Safety and Reliability, 1, 1-12. [Link]
44. Yamazaki, F., Yano, Y., & Matsuoka, M. (2005). Visual Damage Interpretation of Buildings in Bam City using QuickBird Images following the 2003 Bam, Iran, Earthquake, Earthquake Spectra, 21(S1). [DOI:10.1193/1.2101807]