Post-Earthquake Candidate Building-Loss Screening from Bitemporal Google Earth Imagery: An Object-Level Framework for the 2023 T¨urkiye Earthquakes

Wenn ein schweres Erdbeben zuschlägt, besteht die unmittelbare Priorität für Rettungsteams darin, zu wissen, wo Gebäude eingestürzt sind. In den chaotischen Stunden und Tagen nach einer Katastrophe können Ingenieure nicht jede Straße physisch besuchen, um Strukturen zu inspizieren; die Straßen können blockiert sein, und die Gefahr ist zu groß. Stattdessen verlassen sie sich auf Bilder, die von oben aufgenommen wurden und wie eine Landkarte auf die Stadt herabblicken. Seit Jahrzehnten versuchen Wissenschaftler, Computern beizubringen, diese Bilder zu betrachten und den Unterschied zwischen einem stehenden Haus und einem Trümmerhaufen zu erkennen. Die Herausforderung besteht darin, dass diese Bilder selten perfekt sind. Sie werden aus unterschiedlichen Winkeln, zu unterschiedlichen Tageszeiten aufgenommen und zeigen oft dieselbe Straße in verschiedenen Jahreszeiten. Ein Gebäude kann anders aussehen, nur weil die Sonne an einem anderen Ort steht, nicht weil es zerstört wurde. Darüber hinaus fehlen in vielen Regionen detaillierte digitale Karten darüber, wo sich jedes Haus befindet, was es für Computer schwierig macht, überhaupt zu wissen, wonach sie suchen sollen.

Genau diese Schwierigkeit will eine neue Studie aus der Türkei lösen. Die Forscher konzentrierten sich auf die verheerenden Erdbeben, die im Februar 2023 die Türkei erschütterten. Ihr Ziel war es, ein System zu entwickeln, das historische Satellitenbilder aus der Zeit vor dem Beben automatisch scannen und mit Bildern vergleichen kann, die nach dem Ereignis aufgenommen wurden, und zwar ausschließlich unter Verwendung der Bilder selbst. Sie verließen sich nicht auf bereits existierende Karten von Gebäudestandorten oder komplexe 3D-Daten, die in einer Krise möglicherweise nicht verfügbar sind. Stattdessen entwickelten sie eine Methode, um zuerst die Gebäude zu finden und dann zu prüfen, ob sie später noch da sind. Das Ergebnis ist ein Werkzeug, das als erster Filter fungiert und Gebiete hervorhebt, in denen Gebäude scheinbar verschwunden sind, damit sich menschliche Experten auf die wahrscheinlichsten Stellen konzentrieren können.

Um dieses System aufzubauen, mussten die Forscher einen Computer zuerst lehren, wie man Gebäude in Satellitenfotos erkennt. Sie sammelten eine massive Sammlung von Bildern, indem sie einen öffentlichen Datensatz von Satellitenfotos mit 150 spezifischen Bildpaaren von Google Earth kombinierten, die über den betroffenen türkischen Städten aufgenommen wurden. Einer dieser Bildsätze stammte aus dem Jahr 2022, vor der Katastrophe, und der andere aus dem Jahr 204, nach der Zerstörung. Da der Computer lernen musste, wie ein Gebäude aussieht, nutzten die Forscher einen halbautomatischen Prozess. Sie ließen ein initiales Computerprogramm die Gebäude markieren, und dann überprüften Menschen sorgfältig jede einzelne Markierung, korrigierten Fehler und fügten Gebäude hinzu, die der Computer übersehen hatte. Dies schuf einen hochwertigen Trainingsdatensatz, bei dem der Computer lernen konnte, Häuser, Wohnungen und andere Strukturen zu identifizieren, selbst wenn sie klein oder dicht gedrängt waren.

Nachdem die Trainingsdaten bereit waren, testete das Team sechs verschiedene Arten von Computer-Vision-Modellen, um zu sehen, welches am besten beim Finden von Gebäuden geeignet war. Diese Modelle sind wie verschiedene Sätze von Augen, jeder mit seiner eigenen Art, visuelle Informationen zu verarbeiten. Einige sind darauf ausgelegt, sehr schnell zu sein, während andere darauf ausgelegt sind, extrem präzise zu sein. Die Forscher ließen sie alle unter denselben Bedingungen laufen, um zu sehen, welches das beste Gleichgewicht zwischen Geschwindigkeit und Genauigkeit bot. Sie fanden heraus, dass ein Modell namens YOLOv12n am besten abschnitt. Es war in der Lage, die meisten Gebäude zu finden und gleichzeitig die Anzahl der Fehlalarme niedrig zu halten, und tat dies schnell genug, um für große Gebiete nützlich zu sein. Nach der Auswahl dieses Gewinners trainierten sie es auf der gesamten Sammlung von Bildern neu, um es noch schärfer zu machen. Bei Tests mit neuen, ungesehenen Bildern konnte dieses finale Modell Gebäude mit einem hohen Maß an Zuverlässigkeit korrekt identifizieren, obwohl es immer noch einige kleinere oder stark beschädigte Strukturen übersah, was eine bekannte Einschränkung beim Umgang mit solch komplexen Szenen ist.

Mit dem besten Gebäudedetektor in der Hand gingen die Forscher zum zweiten Schritt über: dem Vergleich der Vorher-Nachher-Bilder. Dieser Schritt war knifflig, da die beiden Bilder desselben Ortes nicht perfekt ausgerichtet waren; eines könnte im Vergleich zum anderen leicht verschoben oder rotiert sein. Um dies zu beheben, ignorierte das System die Gebäude selbst, die möglicherweise zerstört worden waren, und konzentrierte sich statlich auf stabile Merkmale wie Straßen, Kreuzungen und die Ränder von Feldern. Mithunter Verwendung dieser Fixpunkte passte das System das Bild von 2024 perfekt an das Bild von 2022 an. Sobals die Bilder ausgerichtet waren, suchte das System nach jedem Gebäude, das es in 2022 gefunden hatte, und versuchte, sein Gegenstück in 2024 zu finden.

Die Ergebnisse dieses Vergleichs waren beeindruckend. Das System verarbeitete 145 Bildpaare, die verschiedene Distrikte in den am stärksten betroffenen Regionen abdeckten. In den Bildern von 2022 identifizierte es 2.872 Gebäude. In den Bildern von 2024 fand es 2.039 Gebäude. Beim Versuch, sie miteinander zu verknüpfen, gelang es dem System, 842 Gebäude erfolgreich zu verbinden, die in beiden Jahren auftauchten. Jedoch hatten 2.030 Gebäude, die 2022 vorhanden waren, kein entsprechendes Gegenstück in 2024. Das System markierte diese 2.030 fehlenden Gebäude als „Kandidaten für Verluste“. Das bedeutet nicht, dass sie definitiv durch das Erdbeben zerstört wurden; es bedeutet lediglich, dass sie zwischen den beiden Daten aus der Sicht verschwunden sind. Sie könnten abgerissen worden sein, neu gebaut worden sein oder vielleicht hat der Computer sie im zweiten Bild einfach übersehen. Das System ist darauf ausgelegt, all diese Möglichkeiten zu erfassen, damit Menschen genauer hinsehen können.

Die Studie ergab, dass die Rate dieser Kandidatenverluste je nach Standort erheblich variierte. Im Distrikt Antakya beispielsweise markierte das System 715 Gebäude als fehlend, was über 86 % der Gebäude entsprach, die es dort vor dem Beben gesehen hatte. In Kahramanmaraş zeigte der zentrale Distrikt eine Verlustrate von fast 79 %. Andere Gebiete hatten niedrigere Raten, aber das Muster war klar: Das System konnte genau bestimmen, wo die dramatischsten Veränderungen stattgefunden hatten. Die Forscher stellten auch fest, dass die als fehlend markierten Gebäude nicht nur diejenigen waren, bei denen sich der Computer unsicher war; viele hatten hohe Konfidenzwerte, was bedeutete, dass das System sich sehr sicher war, dass es sie zuvor gesehen hatte, und sicher war, dass es sie danach nicht mehr sah.

Diese Arbeit zeigt, dass es möglich ist, eine groß angelegte vorläufige Untersuchung von Erdbebenschäden allein mit öffentlich verfügbaren Bildern durchzuführen, ohne spezielle Karten oder teure Sensoren zu benötigen. Das System behauptet nicht, sicher zu wissen, welche Gebäude eingestürzt sind; vielmehr liefert es eine priorisierte Liste von Standorten, die menschliche Aufmerksamkeit erfordern. Indem es die Suche von tausenden Gebäuden auf ein paar tausend wahrscheinliche Kandidaten einschränkt, spart die Methode Rettungsteams und Ingenieuren Zeit und Ressourcen. Sie verwandelt eine massive, überwältigende Aufgabe in eine handhabbare Aufgabe, indem sie Experten ermöglicht, ihre Energie auf die Stellen zu konzentrieren, an denen die Anzeichen für Verluste am stärksten sind. Die Studie kommt zu dem Schluss, dass der Computer das menschliche Auge nicht ersetzen kann, aber als mächtiger Wegweiser dienen kann, der den Weg zu den kritischsten Gebieten nach einer Katastrophe weist.