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

जब कोई बड़ा भूकंप आता है, तो बचाव दलों की तत्काल प्राथमिकता यह जानना होती है कि कौन सी इमारतें ढह गई हैं। आपदा के बाद के अराजक घंटों और दिनों में, इंजीनियर संरचनाओं का निरीक्षण करने के लिए हर सड़क पर भौतिक रूप से नहीं जा सकते; सड़कें अवरुद्ध हो सकती हैं, और खतरा बहुत अधिक हो सकता है। इसके बजाय, वे ऊपर से ली गई छवियों पर निर्भर करते हैं, जो एक मानचित्र की तरह शहर को नीचे से देखती हैं। दशकों से, वैज्ञानिक कंप्यूटर को इन छवियों को देखना और एक खड़े घर तथा मलबे के ढेर के बीच अंतर पहचानना सिखाने का प्रयास कर रहे हैं। चुनौती यह है कि ये छवियां शायद ही कभी पूर्ण होती हैं। इन्हें अलग-अलग कोणों से, दिन के अलग-अलग समय पर लिया जाता है, और अक्सर एक ही सड़क को विभिन्न मौसमों में दिखाते हैं। एक इमारत अलग दिख सकती है क्योंकि सूरज केवल एक अलग स्थान पर है, न कि इसलिए कि वह नष्ट हो गई है। इसके अलावा, कई क्षेत्रों में हर घर के स्थान के विस्तृत डिजिटल मानचित्रों का अभाव है, जिससे कंप्यूटर के लिए यह जानना कठिन हो जाता है कि वह वास्तव में क्या देख रहा है।

यह कठिनाई ठीक वही है जिसे तुर्की का एक नया अध्ययन हल करने का लक्ष्य रखता है। शोधकर्ताओं ने फरवरी 2023 में तुर्की में आए विनाशकारी भूकंपों पर ध्यान केंद्रित किया। उनका लक्ष्य एक ऐसी प्रणाली बनाना था जो भूकंप से पहले की ऐतिहासिक उपग्रह छवियों को स्कैन कर सके और उन्हें बाद में ली गई छवियों के साथ तुलना कर सके, और इसके लिए केवल चित्रों का ही उपयोग कर सके। वे इमारतों के स्थानों के पूर्व-मौजूदा मानचित्रों या जटिल 3D डेटा पर निर्भर नहीं थे जो संकट के समय उपलब्ध न हो। इसके बजाय, उन्होंने पहले इमारतों को खोजने का एक तरीका बनाया, और फिर यह जांचा कि क्या वे बाद में भी वहीं हैं। परिणाम स्वरूप एक ऐसा उपकरण प्राप्त हुआ जो एक पहले फिल्टर के रूप में कार्य करता है, उन क्षेत्रों को उजागर करता है जहाँ इमारतें गायब होती प्रतीत होती हैं ताकि मानव विशेषज्ञ अपना विस्तृत निरीक्षण सबसे संभावित स्थानों पर केंद्रित कर सकें।

इस प्रणाली को बनाने के लिए, शोधकर्ताओं को पहले कंप्यूटर को उपग्रह तस्वीरों में इमारतों को पहचानना सिखाना था। उन्होंने छवियों का एक विशाल संग्रह एकत्र किया, जिसमें सार्वजनिक डेटासेट और प्रभावित तुर्की शहरों से गूगल अर्थ से ली गई 150 विशिष्ट छवि युग्मों को मिलाया गया। इन छवियों में से एक सेट 2022 का था, जो आपदा से पहले का था, और दूसरा 2024 का था, जो विनाश के बाद का था। चूंकि कंप्यूटर को यह सीखने की आवश्यकता थी कि एक इमारत कैसी दिखती है, इसलिए शोधकर्ताओं ने एक अर्ध-स्वचालित प्रक्रिया का उपयोग किया। उन्होंने एक प्रारंभिक कंप्यूटर प्रोग्राम को इमारतें चिह्नित करने दिया, और फिर मनुष्यों ने हर एक निशान की सावधानीपूर्वक जांच की, गलतियों को सुधारा और उन इमारतों को जोड़ा जिन्हें कंप्यूटर ने छोड़ दिया था। इससे एक उच्च-गुणवत्ता वाला प्रशिक्षण सेट तैयार हुआ जहाँ कंप्यूटर घरों, अपार्टमेंटों और अन्य संरचनाओं को पहचानने में सक्षम हो सका, भले ही वे छोटे हों या एक-दूसरे के बहुत करीब हों।

एक बार जब प्रशिक्षण डेटा तैयार हो गया, तो टीम ने छह अलग-अलग प्रकार के कंप्यूटर विजन मॉडल का परीक्षण किया यह देखने के लिए कि इमारतों को खोजने में कौन सा सबसे अच्छा है। ये मॉडल अलग-अलग आंखों के सेट की तरह हैं, जिनमें से प्रत्येक का दृश्य जानकारी को संसाधित करने का अपना तरीका है। कुछ बहुत तेज़ होने के लिए डिज़ाइन किए गए हैं, जबकि अन्य अत्यंत सटीक होने के लिए डिज़ाइन किए गए हैं। शोधकर्ताओं ने यह देखने के लिए कि कौन सा गति और सटीकता के बीच सबसे अच्छा संतुलन प्रदान करता है, उन सभी को समान परिस्थितियों में चलाया। उन्होंने पाया कि YOLOv12n नामक मॉडल ने सर्वश्रेष्ठ प्रदर्शन किया। यह गलत सूचनाओं (फॉल्स अलार्म) की संख्या को कम रखते हुए सबसे अधिक इमारतों को खोजने में सक्षम था, और इसने इतना तेजी से किया कि बड़े क्षेत्रों के लिए उपयोगी हो सके। इस विजेता को चुनने के बाद, उन्होंने इसे छवियों के पूरे संग्रह पर फिर से प्रशिक्षित किया ताकि यह और भी सटीक हो सके। नई, अनदेखी छवियों पर परीक्षण करने पर, यह अंतिम मॉडल उच्च विश्वसनीयता के साथ इमारतों की सही पहचान करने में सक्षम था, हालांकि यह अभी भी कुछ छोटी या अत्यधिक क्षतिग्रस्त संरचनाओं को छोड़ देता है, जो कि ऐसे जटिल दृश्यों से निपटने में एक ज्ञात सीमा है।

सबसे अच्छे बिल्डिंग डिटेक्टर के साथ, शोधकर्ता दूसरे चरण की ओर बढ़े: पहले और बाद की छवियों की तुलना करना। यह चरण कठिन था क्योंकि एक ही स्थान की दो छवियां पूरी तरह से संरेखित (अलाइन) नहीं थीं; एक दूसरी की तुलना में थोड़ी स्थानांतरित या घूमी हुई हो सकती थी। इसे ठीक करने के लिए, सिस्टम ने इमारतों को अनदेखा कर दिया, जो कि नष्ट हो सकती थीं, और इसके बजाय सड़कों, चौराहों और खेतों के किनारों जैसे स्थिर लक्षणों पर ध्यान केंद्रित किया। इन निश्चित बिंदुओं का उपयोग करके, कंप्यूटर ने 2022 की छवि से मेल खाने के लिए 2024 की छवि को पूरी तरह से समायोजित किया। एक बार जब छवियां संरेखित हो गईं, तो सिस्टम ने 2022 में पाई गई प्रत्येक इमारत को देखा और 2024 की छवि में उसके जुड़वां को खोजने का प्रयास किया।

इन तुलनाओं के परिणाम आश्चर्यजनक थे। सिस्टम ने सबसे अधिक प्रभावित क्षेत्रों के विभिन्न जिलों को कवर करने वाले 145 छवि युग्मों को प्रोसेस किया। 2022 की छवियों में, इसने 2,872 इमारतों की पहचान की। 2024 की छवियों में, इसने 2,039 इमारतें पाईं। जब इसने उन्हें आपस में मिलाने का प्रयास किया, तो इसने सफलतापूर्वक 842 इमारतों को जोड़ा जो दोनों वर्षों में मौजूद थीं। हालांकि, 2,030 इमारतें जो 2022 में मौजूद थीं, उनका 2024 में कोई मिलान वाला समकक्ष नहीं मिला। सिस्टम ने इन 2,030 गायब इमारतों को "संभावित नुकसान" (कैंडिडेट लॉसेस) के रूप में चिह्नित किया। इसका मतलब यह नहीं है कि वे निश्चित रूप से भूकंप से नष्ट हो गई हैं; इसका केवल यह अर्थ है कि वे दोनों तारीखों के बीच के दृश्य से गायब हो गई हैं। उन्हें ध्वस्त किया गया होगा, पुनर्निर्मित किया गया होगा, या शायद कंप्यूटर ने दूसरी छवि में उन्हें मिस कर दिया होगा। सिस्टम को इन सभी संभावनाओं को पकड़ने के लिए डिज़ाइन किया गया है ताकि मनुष्य बारीकी से देख सकें।

अध्ययन में पाया गया कि इन संभावित नुकसानों की दर स्थान के अनुसार काफी भिन्न थी। उदाहरण के लिए, अंताक्या जिले में, सिस्टम ने 715 इमारतों को गायब के रूप में चिह्नित किया, जो भूकंप से पहले वहां देखी गई इमारतों के 86% से अधिक का प्रतिनिधित्व करता था। कह्रमानमाराश में, केंद्रीय जिले में लगभग 79% की हानि दर देखी गई। अन्य क्षेत्रों में कम दर थी, लेकिन पैटर्न स्पष्ट था: सिस्टम सटीक रूप से बता सकता था कि सबसे नाटकीय परिवर्तन कहाँ हुए थे। शोधकर्ताओं ने यह भी नोट किया कि चिह्नित की गई इमारतें केवल वे नहीं थीं जिनके बारे में कंप्यूटर अनिश्चित था; कई के पास उच्च आत्मविश्वास स्कोर (कॉन्फिडेंस स्कोर) थे, जिसका अर्थ है कि सिस्टम को पूरा विश्वास था कि उसने उन्हें पहले देखा था और उसे विश्वास था कि वह उन्हें बाद में नहीं देख पा रहा है।

यह कार्य यह प्रदर्शित करता है कि विशेष मानचित्रों या महंगे सेंसरों की आवश्यकता के बिना, केवल सार्वजनिक रूप से उपलब्ध छवियों का उपयोग करके भूकंप के नुकसान की बड़े पैमाने पर प्रारंभिक स्क्रीनिंग करना संभव है। सिस्टम यह दावा नहीं करता है कि वह निश्चित रूप से जानता है कि कौन सी इमारतें ढही हैं; बल्कि, यह उन स्थानों की एक प्राथमिकता सूची प्रदान करता है जिन्हें मानवीय ध्यान की आवश्यकता है। हजारों इमारतों से कुछ हजार संभावित उम्मीदवारों तक खोज को सीमित करके, यह विधि बचाव दलों और इंजीनियरों के लिए समय और संसाधनों की बचत करती है। यह एक विशाल, भारी कार्य को एक प्रबंधनीय कार्य में बदल देता है, जिससे विशेषज्ञ अपनी ऊर्जा वहां केंद्रित कर सकते हैं जहाँ नुकसान के प्रमाण सबसे प्रबल हैं। अध्ययन यह निष्कर्ष निकालता है कि हालांकि कंप्यूटर मानव आंख की जगह नहीं ले सकता, लेकिन यह एक शक्तिशाली मार्गदर्शक के रूप में कार्य कर सकता है, जो आपदा के बाद सबसे महत्वपूर्ण क्षेत्रों की ओर संकेत करता है।