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

Cuando un terremoto importante golpea, la prioridad inmediata para los equipos de rescate es saber dónde se han derrumbado los edificios. En las horas y días caóticos que siguen a un desastre, los ingenieros no pueden visitar físicamente cada calle para inspeccionar las estructuras; las carreteras pueden estar bloqueadas y el peligro es demasiado alto. En su lugar, dependen de imágenes tomadas desde arriba, mirando hacia abajo a la ciudad como un mapa. Durante décadas, los científicos han intentado enseñar a las computadoras a mirar estas imágenes y detectar la diferencia entre una casa en pie y un montón de escombros. El desafío es que estas imágenes rara vez son perfectas. Se toman desde diferentes ángulos, en diferentes momentos del día y, a menudo, muestran la misma calle en diferentes estaciones. Un edificio puede verse diferente simplemente porque el sol está en un lugar distinto, no porque haya sido destruido. Además, muchas regiones carecen de mapas digitales detallados de dónde se encuentra cada casa, lo que dificulta que las computadoras sepan qué es lo que están buscando en primer lugar.

Esta dificultad es exactamente lo que un nuevo estudio de Turquía pretende resolver. Los investigadores se centraron en los devastadores terremotos que azotaron Turquía en febrero de 2023. Su objetivo era crear un sistema que pudiera escanear automáticamente imágenes satelitales históricas de antes del sismo y compararlas con imágenes tomadas después, utilizando únicamente las fotografías. No dependieron de mapas preexistentes de la ubicación de los edificios ni de datos 3D complejos que podrían no estar disponibles en una crisis. En su lugar, construyeron un método para encontrar primero los edificios y luego verificar si seguían allí más tarde. El resultado es una herramienta que actúa como un primer filtro, resaltando las áreas donde los edificios parecen haber desaparecido para que los expertos humanos puedan centrar sus inspecciones detalladas en los lugares más probables.

Para construir este sistema, los investigadores primero tuvieron que enseñar a una computadora cómo reconocer edificios en fotos satelitales. Reunieron una colección masiva de imágenes, combinando un conjunto de datos público de fotos satelitales con 150 pares específicos de imágenes de Google Earth tomadas en las ciudades turcas afectadas. Un conjunto de estas imágenes era de 2022, antes del desastre, y el otro era de 2024, después de la destrucción. Debido a que la computadora necesitaba aprender cómo es un edificio, los investigadores utilizaron un proceso semiautomático. Dejaron que un programa informático inicial marcara los edificios y luego los humanos revisaron cuidadosamente cada marca, corrigiendo errores y añadiendo los edificios que la computadora pasó por alto. Esto creó un conjunto de entrenamiento de alta calidad donde la computadora podía aprender a identificar casas, apartamentos y otras estructuras, incluso cuando eran pequeñas o estaban agrupadas.

Una vez que los datos de entrenamiento estuvieron listos, el equipo probó seis tipos diferentes de modelos de visión por computadora para ver cuál era el mejor para encontrar edificios. Estos modelos son como diferentes conjuntos de ojos, cada uno con su propia forma de procesar la información visual. Algunos están diseñados para ser muy rápidos, mientras que otros están diseñados para ser extremadamente precisos. Los investigadores los ejecutaron a todos bajo las mismas condiciones para ver cuál ofrecía el mejor equilibrio entre velocidad y precisión. Encontraron que un modelo llamado YOLOv12n fue el que mejor funcionó. Fue capaz de encontrar la mayor cantidad de edificios manteniendo bajos los falsos positivos, y lo hizo con la rapidez suficiente para ser útil en áreas grandes. Tras seleccionar a este ganador, lo reentrenaron con toda la colección de imágenes para hacerlo aún más agudo. Al probarlo con imágenes nuevas y no vistas, este modelo final pudo identificar edificios correctamente con un alto grado de fiabilidad, aunque todavía pasaba por alto algunas estructuras más pequeñas o muy dañadas, lo cual es una limitación conocida al tratar con escenas tan complejas.

Con el mejor detector de edificios en mano, los investigadores pasaron a la segunda etapa: comparar las imágenes de antes y después. Este paso fue complicado porque las dos imágenes del mismo lugar no estaban perfectamente alineadas; una podría estar ligeramente desplazada o rotada en comparación con la otra. Para solucionar esto, el sistema ignoró los edificios en sí, que podrían haber sido destruidos, y en su lugar se centró en elementos estables como carreteras, intersecciones y los bordes de los campos. Usando estos puntos fijos, la computadora ajustó la imagen de 2024 para que coincidiera perfectamente con la de 2022. Una vez alineadas las imágenes, el sistema buscó cada edificio que había encontrado en 2022 e intentó encontrar su gemelo en la imagen de 2024.

Los resultados de esta comparación fueron impactantes. El sistema procesó 145 pares de imágenes que cubrían varios distritos en las regiones más afectadas. En las imágenes de 2022, identificó 2,872 edificios. En las imágenes de 2024, encontró 2,039 edificios. Cuando intentó emparejarlos, vinculó con éxito 842 edificios que aparecían en ambos años. Sin embargo, 2,030 edificios que estaban presentes en 2022 no tenían un contraparte correspondiente en 2024. El sistema marcó estos 2,030 edificios faltantes como "pérdidas candidatas". Esto no significa que hayan sido definitivamente destruidos por el terremoto; simplemente significa que desaparecieron de la vista entre las dos fechas. Podrían haber sido demolidos, reconstruidos o quizás la computadora simplemente no los vio en la segunda imagen. El sistema está diseñado para capturar todas estas posibilidades para que los humanos puedan observar más de cerca.

El estudio encontró que la tasa de estas pérdidas candidatas variaba significamente según la ubicación. En el distrito de Antakya, por ejemplo, el sistema señaló 715 edificios como desaparecidos, lo que representaba más del 86% de los edificios que había visto allí antes del sismo. En Kahramanmaraş, el distrito central mostró una tasa de pérdida de casi el 79%. Otras áreas tenían tasas más bajas, pero el patrón era claro: el sistema podía señalar exactamente dónde habían ocurrido los cambios más drásticos. Los investigadores también observaron que los edificios marcados como desaparecidos no eran solo aquellos sobre los que la computadora tenía dudas; muchos tenían puntuaciones de confianza altas, lo que significa que el sistema estaba bastante seguro de haberlos visto antes y estaba seguro de que no los veía después.

Este trabajo demuestra que es posible realizar un cribado preliminar a gran escala de los daños por terremotos utilizando únicamente imágenes disponibles públicamente, sin necesidad de mapas especializados o sensores costosos. El sistema no pretende saber con certeza qué edificios colapsaron; más bien, proporciona una lista priorizada de ubicaciones que requieren atención humana. Al reducir la búsqueda de miles de edificios a unos pocos miles de candidatos probables, el método ahorra tiempo y recursos a los equipos de rescate y a los ingenieros. Convierte una tarea masiva y abrumadora en una manejable, permitiendo que los expertos centren su energía donde la evidencia de pérdida es más fuerte. El estudio concluye que, si bien la computadora no puede reemplazar el ojo humano, puede servir como una guía poderosa, señalando el camino hacia las áreas más críticas tras un desastre.