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

Quando un forte terremoto colpisce, la priorità immediata per le squadre di soccorso è sapere dove gli edifici sono crollati. Nelle ore e nei giorni caotici che seguono un disastro, gli ingegneri non possono visitare fisicamente ogni strada per ispezionare le strutture; le strade possono essere bloccate e il pericolo può essere troppo elevato. Invece, si affidano a immagini scattate dall'alto, guardando verso il basso sulla città come una mappa. Per decenni, gli scienziati hanno cercato di insegnare ai computer a guardare queste immagini e a individuare la differenza tra una casa in piedi e un cumulo di macerie. La sfida è che queste immagini raramente sono perfette. Sono scattate da angolazioni diverse, in momenti diversi del giorno e spesso mostrano la stessa strada in stagioni diverse. Un edificio potrebbe apparire diverso semplicemente perché il sole si trova in un punto diverso, non perché sia stato distrutto. Inoltre, molte regioni mancano di mappe digitali dettagliate su dove si trovi ogni casa, rendendo difficile per i computer sapere cosa stiano cercando in primo luogo.

Questa difficoltà è esattamente ciò che un nuovo studio dalla Turchia mira a risolvere. I ricercatori si sono concentrati sui devastanti terremoti che hanno colpito la Turchia nel febbraio 2023. Il loro obiettivo era creare un sistema che potesse scansionare automaticamente le immagini satellitari storiche di prima del sisma e confrontarle con le immagini scattate dopo, utilizzando solo le fotografie stesse. Non si sono affidati a mappe preesistenti della posizione degli edifici o a complessi dati 3D che potrebbero non essere disponibili durante una crisi. Inveve, hanno costruito un metodo per trovare prima gli edifici e poi controllare se fossero ancora lì in seguito. Il risultato è uno strumento che funge da primo filtro, evidenziando le aree in cui gli edifici sembrano essere scomparsi, affinché gli esperti umani possano concentrare le loro ispezioni dettagliate sui punti più probabili.

Per costruire questo sistema, i ricercatori hanno dovuto prima insegnare a un computer come riconoscere gli edifici nelle foto satellitari. Hanno raccolto una collezione massiccia di immagini, combinando un dataset pubblico di foto satellitari con 150 coppie specifiche di immagini di Google Earth scattate nelle città turche colpite. Un set di queste immagini risaliva al 2022, prima del disastro, e l'altro al 2024, dopo la distruzione. Poiché il computer doveva imparare che aspetto ha un edificio, i ricercatori hanno utilizzato un processo semi-automatico. Hanno lasciato che un programma informatico iniziale contrassese gli edifici, e poi gli esseri umani hanno controllato attentamente ogni singola marcatura, correggendo gli errori e aggiungendo gli edifici che il computer aveva saltato. Questo ha creato un set di addestramento di alta qualità in cui il computer poteva imparare a identificare case, appartamenti e altre strutture anche quando erano piccole o ammassate tra loro.

Una volta pronti i dati di addestramento, il team ha testato sei diversi tipi di modelli di computer vision per vedere quale fosse il migliore nel trovare gli edifici. Questi modelli sono come diversi set di occhi, ognuno con il proprio modo di elaborare le informazioni visive. Alcuni sono progettati per essere molto veloci, mentre altri sono progettati per essere estremamente precisi. I ricercatori li hanno fatti girare tutti nelle stesse condizioni per vedere quale offrisse il miglior equilibrio tra velocità e precisione. Hanno scoperto che un modello chiamato YOLOv12n era il migliore. Era in grado di trovare la maggior parte degli edifici mantenendo bassi i falsi allarmi, e lo faceva abbastanza velocemente da essere utile per vaste aree. Dopo aver selezionato questo vincitore, lo hanno riaddestrato sull'intera collezione di immagini per renderlo ancora più nitido. Testato su nuove immagini mai viste prima, questo modello finale era in grado di identificare correttamente gli edifici con un alto grado di affidabilità, sebbene saltasse ancora alcuni edifici più piccoli o pesantemente danneggiati, il che è un limite noto quando si trattano scene così complesse.

Con il miglior rilevatore di edifici in mano, i ricercatori sono passati alla seconda fase: il confronto tra le immagini prima e dopo. Questo passaggio era complicato perché le due immagini dello stesso luogo non erano perfettamente allineate; una poteva essere leggermente spostata o ruotata rispetto all'altra. Per risolvere il problema, il sistema ha ignorato gli edifici stessi, che potrebbero essere stati distrutti, e si è invece concentrato su elementi stabili come strade, incroci e bordi di campi. Utilizzando questi punti fissi, il computer ha regolato l'immagine del 2024 per farla corrispondere perfettamente all'immagine del 2022. Una volta allineate le immagini, il sistema ha cercato ogni edificio che aveva trovato nel 2022 e ha cercato di trovare il suo gemello nell'immagine del 2024.

I risultati di questo confronto sono stati sorprendenti. Il sistema ha elaborato 145 coppie di immagini coprendo vari distretti nelle regioni più colpite. Nelle immagini del 2022, ha identificato 2.872 edifici. Nelle immagini del 2024, ha trovato 2.039 edifici. Quando ha cercato di accoppiarli, ha collegato con successo 842 edifici che apparivano in entrambi gli anni. Tuttavia, 2.030 edifici presenti nel 2022 non avevano un corrispettivo nel 2024. Il sistema ha segnalato questi 2.030 edifici mancanti come "perdite candidate". Questo non significa che siano stati sicuramente distrutti dal terremoto; significa semplicemente che sono scomparsi dalla vista tra le due date. Potrebbero essere stati demoliti, ricostruiti, o forse il computer li ha semplicemente persi nella seconda immagine. Il sistema è progettato per catturare tutte queste possibilità, affinché gli umani possano esaminare più da vicino.

Lo studio ha rilevato che il tasso di queste perdite candidate variava significamente in base alla località. Nel distretto di Antakya, ad esempio, il sistema ha segnalato 715 edifici come mancanti, il che rappresentava oltre l'86% degli edifici visti lì prima del sisma. A Kahramanmaraş, il distretto centrale mostrava un tasso di perdita di quasi il 79%. Altre aree avevano tassi inferiori, ma il modello era chiaro: il sistema poteva individuare esattamente dove fossero avvenuti i cambiamenti più drammatici. I ricercatori hanno anche notato che gli edifici segnalati come mancanti non erano solo quelli di cui il computer non era sicuro; molti avevano punteggi di confidenza elevati, il che significa che il sistema era piuttosto certo di averli visti prima e certo di non vederli dopo.

Questo lavoro dimostra che è possibile condurre uno screening preliminare su larga scala dei danni da terremoto utilizzando solo immagini pubblicamente disponibili, senza la necessità di mappe specializzate o sensori costosi. Il sistema non pretende di sapere con certezza quali edifici siano crollati; piuttosto, fornisce una lista prioritaria di località che richiedono l'attenzione umana. Restringendo la ricerca da migliaia di edifici a poche migliaia di candidati probabili, il metodo risparmia tempo e risorse per le squadre di soccorso e gli ingegneri. Trasforma un compito enorme e travolgente in uno gestibile, permettendo agli esperti di concentrare la loro energia dove l'evidenza della perdita è più forte. Lo studio conclude che, sebbene il computer non possa sostituire l'occhio umano, può servire come una potente guida, indicando la via verso le aree più critiche nel seguito di un disastro.