Post-Earthquake Candidate Building-Loss Screening from Bitemporal Google Earth Imagery: An Object-Level Framework for the 2023 T¨urkiye Earthquakes
تقدم هذه الدراسة إطار عمل على مستوى الكائنات باستخدام صور "جوجل إيرث" ثنائية الزمن وكاشف YOLOv12n هجين التدريب لفحص خسائر المباني المرشحة تلقائياً في أعقاب زلازل تركيا عام 2023، مما يبرهن على نهج قابل للتوسع للتقييم الأولي لما بعد الكوارث يعمل بشكل مستقل عن مجموعات البيانات الجيومكانية المساعدة مثل بصمات المباني أو بيانات ليدار (LiDAR).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
عندما يضرب زلزال مدمر، تكون الأولوية القصوى لفرق الإنقاذ هي معرفة أماكن انهيار المباني. في الساعات والأيام الفوضوية التي تلي الكارثة، لا يستطيع المهندسون زيارة كل شارب فعلياً لتفقد المنشآت؛ فقد تكون الطرق مغلقة، وقد تكون الخطورة عالية جداً. بدلاً من ذلك، يعتمدون على صور ملتقطة من الأعلى، تنظر إلى المدينة مثل الخريطة. لعقود من الزمن، حاول العلماء تعليم الحواسيب كيفية النظر إلى هذه الصور وتمييز الفرق بين منزل قائم وبين كومة من الركام. التحدي يكمن في أن هذه الصور نادراً ما تكون مثالية؛ فهي تُلتقط من زوايا مختلفة، وفي أوقات مختلفة من اليوم، وغالباً ما تُظهر نفس الشارع في مواسم مختلفة. قد يبدو المبنى مختلفاً ببساطة لأن الشمس في موقع مختلف، وليس لأنه قد دُمّر. علاوة على ذلك، تفتقر العديد من المناطق إلى خرائط رقمية مفصلة لمواقع كل منزل، مما يجعل من الصعب على الحواسيب معرفة ما الذي تبحث عنه في المقام الأول.
هذا الصعوبة هو بالضبط ما تهدف دراسة جديدة من تركيا إلى حله. ركز الباحثون على الزلازل المدمرة التي ضربت تركيا في فبراير 2023. كان هدفهم إنشاء نظام يمكنه مسح صور الأقمار الصناعية التاريخية من قبل الزلزال تلقائياً ومقارنتها بالصور الملتقطة بعده، باستخدام الصور نفسها فقط. لم يعتمدوا على خرائط موجودة مسبقاً لمواقع المباني أو بيانات ثلاثية الأبعاد معقدة قد لا تكون متاحة أثناء الأزمة. بدلاً من ذلك، بنوا طريقة لإيجاد المباني أولاً، ثم التحقق مما إذا كانت لا تزال موجودة لاحقاً. والنتيجة هي أداة تعمل كفلتر أولي، تسلط الضوء على المناطق التي يبدو أن المباني قد اختفت منها، حتى يتمكن الخبراء البشريون من تركيز عمليات تفتيشهم الدقيقة على المواقع الأكثر احتمالاً.
لبناء هذا النظام، كان على الباحثين أولاً تعليم الكمبيوتر كيفية التعرف على المباني في صور الأقمار الصناعية. لقد جمعوا مجموعة ضخمة من الصور، حيث دمجوا مجموعة بيانات عامة لصور الأقمار الصناعية مع 150 زوجاً محدداً من الصور من "جوجل إيرث" مأخوذة من المدن التركية المتضررة. كانت إحدى مجموعات هذه الصور من عام 2022، قبل الكارثة، والأخرى من عام 2024، بعد الدمار. ولأن الكمبيوتر كان بحاجة لتعلم كيف يبدو المبنى، استخدم الباحثون عملية شبه آلية؛ حيث تركوا برنامجاً حاسوبياً أولياً يحدد المباني، ثم قام البشر بفحص كل علامة بعناية، وتصحيح الأخطاء وإضافة المباني التي أغفلها الكمبيوتر. خلق هذا مجموعة تدريب عالية الجودة حيث يمكن للكمبيوتر تعلم تحديد المنازل والشقق وغيرها من الهياكل حتى عندما كانت صغيرة أو متلاصقة.
بمجرد تجهيز بيانات التدريب، اختبر الفريق ستة أنواع مختلفة من نماذج الرؤية الحاسوبية لمعرفة أيها الأفضل في العثور على المباني. هذه النماذج تشبه مجموعات مختلفة من العيون، لكل منها طريقتها الخاصة في معالجة المعلومات المرئية. بعضها مصمم ليكون سريعاً جداً، بينما صُمم البعض الآخر ليكون دقيقاً للغاية. قام الباحثون بتشغيلها جميعاً تحت نفس الظروف لمعرفة أي منها يقدم أفضل توازن بين السرعة والدقة. وجدوا أن نموذجاً يسمى YOLOv12n كان الأفضل أداءً؛ فقد تمكن من العثور على أكبر عدد من المباني مع الحفاظ على انخفاض عدد الإنذارات الكاذبة، وفعل ذلك بسرعة كافية لتكون مفيدة للمساحات الكبيرة. بعد اختيار هذا الفائز، أعادوا تدريبه على المجموعة الكاملة من الصور لجعله أكثر حدة. وعند اختباره على صور جديدة لم يسبق له رؤيتها، استطاع هذا النموذج النهائي تحديد المباني بشكل صحيح بدرجة عالية من الموثوقية، رغم أنه لا يزال يفتقد بعض الهياكل الصغيرة أو المتضررة بشدة، وهو أمر معروف عند التعامل مع مثل هذه المشاهد المعقدة.
مع الحصول على أفضل كاشف للمباني، انتقل الباحثون إلى المرحلة الثانية: مقارنة الصور قبل وبعد. كانت هذه الخطوة صعبة لأن الصورتين لنفس المكان لم تكونا متطابقتين تماماً؛ فقد تكون إحداهما مزاحة قليلاً أو مائلة مقارنة بالأخرى. ولحل هذه المشكلة، تجاهل النظام المباني نفسها، التي قد تكون دُمّرت، وبدلاً من ذلك ركز على المعالم الثابتة مثل الطرق، والتقاطعات، وحواف الحقول. باستخدام هذه النقاط الثابتة، قام الكمبيوتر بضبط صورة عام 2024 لتتطابق تماماً مع صورة عام 2022. وبمجرد محاذاة الصور، بحث النظام في كل مبنى وجده في عام 2022 وحاول العثق على توأمه في صورة عام 2024.
كانت نتائج هذه المقارنة مذهلة. عالج النظام 145 زوجاً من الصور تغطي مناطق مختلفة في المناطق الأكثر تضرراً. في صور عام 2022، حدد النظام 2,872 مبنى. وفي صور عام 2024، وجد 2,039 مبنى. وعندما حاول الربط بينهما، نجح في ربط 842 مبنى ظهرت في كلا العامين. ومع ذلك، فإن 2,030 مبنى كانت موجودة في عام 2022 لم يكن لها نظير مطابق في عام 2024. صنف النظام هذه المباني الـ 2,030 المفقودة كـ "خسائر مرشحة". هذا لا يعني أنها دُمّرت بالتأكيد بسبب الزلزال؛ بل يعني ببساطة أنها اختفت من الرؤية بين التاريخين. ربما تم هدمها، أو إعادة بنائها، أو ربما فات الكمبيوتر رؤيتها في الصورة الثانية. تم تصميم النظام لالتقاط كل هذه الاحتمالات حتى يتمكن البشر من النظر عن كثب.
وجدت الدراسة أن معدل هذه الخسائر المرشحة يختلف بشكل كبير حسب الموقع. في منطقة أنطاكيا، على سبيل المثال، صنف النظام 715 مبنى كمفقودة، وهو ما يمثل أكثر من 86% من المباني التي رآها هناك قبل الزلزال. وفي كاهرامانعراش، أظهر المركز الرئيسي معدل خسارة يقترب من 79%. كانت المعدلات في مناطق أخرى أقل، لكن النمط كان واضحاً: استطاع النظام تحديد الأماكن التي حدثت فيها أكثر التغييرات دراماتيكية بدقة. كما لاحظ الباحثون أن المباني المصنفة كمفقودة لم تكن فقط تلك التي كان الكمبيوتر غير متأكد منها؛ بل إن العديد منها سجل درجات ثقة عالية، مما يعني أن النظام كان متأكداً تماماً من أنه رآها من قبل ومتأكداً من أنه لا يراها بعد.
يُظهر هذا العمل أنه من الممكن إجراء فحص أولي واسع النطاق لأضرار الزلازل باستخدام الصور المتاحة للجمهور فقط، دون الحاجة إلى خرائط متخصصة أو مستشعرات باهظة الثمن. لا يدعي النظام معرفة أي المباني انهارت بالتأكيد؛ بل إنه يوفر قائمة ذات أولوية للمواقع التي تحتاج إلى اهتمام بشري. ومن خلال تضييق نطاق البحث من آلاف المباني إلى بضعة آلاف من المرشحين المحتملين، توفر هذه الطة الوقت والموارد لفرق الإنقاذ والمهندسين. إنها تحول مهمة ضخمة ومربكة إلى مهمة يمكن إدارتها، مما يسمح للخبراء بتركيز طاقتهم حيث تكون أدلة الفقد أقوى. وتخلص الدراسة إلى أنه بينما لا يمكن للكمبيوتر أن يحل محل العين البشرية، إلا أنه يمكن أن يعمل كدليل قوي، يشير الطريق إلى المناطق الأكثر حرجاً في أعقاب الكارثة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.