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

Wanneer een zware aardbeving toeslaat, is de onmiddellijke prioriteit voor reddingsteams om te weten waar gebouwen zijn ingestort. In de chaotische uren en dagen na een ramp kunnen ingenieurs niet fysiek elke straat bezoeken om structuren te inspecteren; de wegen kunnen geblokkeerd zijn en het gevaar is te groot. In plaats daarvan vertrouwen ze op beelden die van bovenaf zijn genomen, kijkend naar de stad als een kaart. Decennialang hebben wetenschappers geprobeerd computers te leren om naar deze beelden te kijken en het verschil te zien tussen een staand huis en een hoop puin. De uitdaging is dat deze beelden zelden perfect zijn. Ze worden genomen vanuit verschillende hoeken, op verschillende tijdstippen van de dag, en tonen vaak dezelfde straat in verschillende seizoenen. Een gebouw kan er anders uitzien simpelweg omdat de zon op een andere plek staat, niet omdat het is verwoest. Bovendien ontbreken in veel regio's gedetailleerde digitale kaarten van waar elk huis zich precies bevindt, wat het voor computers moeilijk maakt om te weten waarnaar ze überhaupt op zoek zijn.

Deze moeilijkheid is precies wat een nieuwe studie uit Turkije probeert op te lossen. De onderzoekers richtten zich op de verwoestende aardbevingen die Turkije in februari 2023 troffen. Hun doel was om een systeem te creëren dat automatisch historische satellietbeelden van vóór de beving kon scannen en deze kon vergelijken met beelden die na de ramp zijn gemaakt, waarbij alleen de foto's zelf worden gebruikt. Ze vertrouwden niet op bestaande kaarten van gebouwlocaties of complexe 3D-gegevens die mogelijk niet beschikbaar zijn tijdens een crisis. In plaats daarvan bouwden ze een methode om eerst de gebouwen te vinden, en vervolgens te controleren of ze later nog aanwezig waren. Het resultaat is een hulpmiddel dat fungeert als een eerste filter, dat gebieden markeert waar gebouwen lijken te zijn verdwenen, zodat menselijke experts hun gedetailleerde inspecties kunnen concentreren op de meest waarschijnlijke plekken.

Om dit systeem te bouwen, moesten de onderzoekers de computer eerst leren hoe hij gebouwen moet herkennen in satellietfoto's. Ze verzamelden een enorme collectie afbeeldingen, waarbij ze een publieke dataset van satellietfoto's combineerden met 150 specifieke paren beelden van Google Earth uit de getroffen Turkse steden. Eén set van deze beelden kwam uit 2022, vóór de ramp, en de andere uit 2024, na de verwoesting. Omdat de computer moest leren hoe een gebouw eruitziet, gebruikten de onderzoekers een semi-automatisch proces. Ze lieten een initieel computerprogramma de gebouwen markeren, waarna mensen elke markering zorgvuldig controleerden, fouten corrigeerden en gebouwen toevoegden die de computer had gemist. Dit creëerde een hoogwaardige trainingsset waarbij de computer kon leren om huizen, appartementen en andere structuren te identificeren, zelfs wanneer ze klein of dicht op elkaar gepakt waren.

Zodra de trainingsdata gereed waren, testte het team zes verschillende soorten computer vision-modellen om te zien welke het beste was in het vinden van gebouwen. Deze modellen zijn als verschillende sets ogen, elk met een eigen manier om visuele informatie te verwerken. Sommige zijn ontworpen om zeer snel te zijn, terwijl andere zijn ontworpen om extreem nauwkeurig te zijn. De onderzoekers draaiden ze allemaal onder dezelfde omstandigheden om te zien welk model de beste balans tussen snelheid en nauwkeurigheid bood. Ze ontdekten dat een model genaamd YOLOv12n het beste presteerde. Het was in staat om de meeste gebouwen te vinden terwijl het aantal valse alarmen laag hield, en deed dit snel genoeg om bruikbaar te zijn voor grote gebieden. Na het selecteren van deze winnaar, trainden ze het model opnieuw op de gehele collectie afbeeldingen om het nog scherper te maken. Bij het testen op nieuwe, ongeziene beelden kon dit definitieve model gebouwen met een hoge mate van betrouwbaarheid correct identificeren, hoewel het nog steeds enkele kleinere of zwaar beschadigde structuren miste, wat een bekende beperking is bij het werken met dergelijke complexe scènes.

Met de beste gebouwdetector in handen, gingen de onderzoekers over naar de tweede fase: het vergelijken van de voor- en na-beelden. Deze stap was lastig omdat de twee beelden van dezelfde plek niet perfect uitgelijnd waren; de ene kan vergeleken met de andere iets verschoven of geroteerd zijn. Om dit op te lossen, negeerde het systeem de gebouwen zelf, die wellicht vernietigd waren, en richtte zich in plaats daarvan op stabiele kenmerken zoals wegen, kruispunten en de randen van velden. Met behulp van deze vaste punten paste de computer de 2024-afbeelding aan om deze perfect te laten aansluiten bij de 2022-afbeelding. Zodra de afbeeldingen waren uitgelijnd, zocht het systeem naar elk gebouw dat het in 2022 had gevonden en probeerde de tweelingversie in de 2024-afbeelding te vinden.

De resultaten van deze vergelijking waren opmerkelijk. Het systeem verwerkte 145 paar afbeeldingen die diverse districten in de zwaarst getroffen regio's besloegen. In de 2022-beelden identificeerde het 2.872 gebouwen. In de 2024-beelden vond het 2.039 gebouwen. Toen het probeerde deze met elkaar te koppelen, verbond het succesvol 842 gebouwen die in beide jaren aanwezig waren. Echter, 2.030 gebouwen die in 2022 aanwezig waren, hadden geen tegenhanger in 2024. Het systeem markeerde deze 2.030 ontbrekende gebouwen als "kandidaat-verliezen". Dit betekent niet dat ze zeker door de aardbeving zijn verwoest; het betekent simpelweg dat ze tussen de twee datums uit het zicht zijn verdwenen. Ze hadden gesloopt kunnen worden, herbouwd kunnen worden, of de computer heeft ze in het tweede beeld misschien gewoon gemist. Het systeem is ontworpen om al deze mogelijkheden te vangen, zodat mensen beter kunnen kijken.

De studie vond dat het percentage van deze kandidaat-verliezen aanzienlijk varieerde per locatie. In het district Antakya markeerde het systeem bijvoorbeeld 715 gebouwen als ontbrekend, wat meer dan 86% van de gebouwen vertegenwoordigde die het daar vóór de beving had gezien. In het centrale district van Kahramanmaraş was het verliespercentage bijna 79%. Andere gebieden hadden lagere percentages, maar het patroon was duidelijk: het systeem kon exact aanwijzen waar de meest dramatische veranderingen hadden plaatsgevonden. De onderzoekers merkten ook op dat de gebouwen die als ontbrekend werden gemarkeerd niet alleen de gebouwen waren waarover de computer twijfelde; veel hadden hoge betrouwbaarheidsscores, wat betekent dat het systeem er vrij zeker van was dat het ze eerder had gezien en er ook zeker van was dat het ze daarna niet meer zag.

Dit werk demonstreert dat het mogelijk is om een grootschalige voorlopige screening van aardbevingsschade uit te voeren met behulp van alleen publiekelijk beschikbare beelden, zonder dat daar gespecialiseerde kaarten of dure sensoren voor nodig zijn. Het systeem beweert niet zeker te weten welke gebouwen zijn ingestort; het biedt eerder een geprioriteerde lijst met locaties die menselijke aandacht vereisen. Door de zoektocht te verkleinen van duizenden gebouwen naar enkele duizenden waarschijnlijke kandidaten, bespaart de methode tijd en middelen voor reddingsteams en ingenieurs. Het verandert een enorme, overweldigende taak in een beheersbare taak, waardoor experts hun energie kunnen richten op de plekken waar het bewijs van verlies het sterkst is. De studie concludeert dat hoewel de computer het menselijk oog niet kan vervangen, het kan dienen als een krachtige gids die de weg wijst naar de meest kritieke gebieden in de nasleep van een ramp.