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

Quando um grande terremoto atinge uma região, a prioridade imediata para as equipes de resgate é saber onde os edifícios desabaram. Nas horas e dias caóticos que se seguem a um desastre, os engenheiros não podem visitar fisicamente cada rua para inspecionar as estruturas; as estradas podem estar bloqueadas e o perigo é muito alto. Em vez disso, eles dependem de imagens tiradas de cima, olhando para a cidade como um mapa. Durante décadas, cientistas tentaram ensinar computadores a olhar para essas imagens e detectar a diferença entre uma casa de pé e um monte de escombros. O desafio é que essas imagens raramente são perfeitas. Elas são tiradas de ângulos diferentes, em diferentes momentos do dia e, frequentemente, mostram a mesma rua em diferentes estações. Um edifício pode parecer diferente simplesmente porque o sol está em um lugar diferente, não porque foi destruído. Além disso, muitas regiões carecem de mapas digitais detalhados de onde cada casa está localizada, tornando difícil para os computadores saberem o que estão procurando em primeiro lugar.

Esta dificuldade é exatamente o que um novo estudo da Turquia visa resolver. Os pesquisadores focaram nos terremotos devastadores que atingiram a Turquia em fevereiro de 2023. O objetivo deles era criar um sistema que pudesse escanear automaticamente imagens de satélite históricas de antes do tremor e compará-las com imagens tiradas depois, usando apenas as próprias fotos. Eles não dependeram de mapas pré-existentes de localizações de edifícios ou dados 3D complexos que poderiam não estar disponíveis em uma crise. Em vez disso, construíram um método para encontrar os edifícios primeiro e, depois, verificar se eles ainda estavam lá mais tarde. O resultado é uma ferramenta que atua como um primeiro filtro, destacando áreas onde os edifícios parecem ter desaparecido para que especialistas humanos possam focar suas inspeções detalhadas nos locais mais prováveis.

Para construir este sistema, os pesquisadores primeiro tiveram que ensinar um computador a reconhecer edifícios em fotos de satélite. Eles reuniram uma coleção massiva de imagens, combinando um conjunto de dados público de fotos de satélite com 150 pares específicos de imagens do Google Earth tiradas das cidades turcas afetadas. Um conjunto dessas imagens era de 2022, antes do desastre, e o outro era de 2024, após a destruição. Como o computador precisava aprender como é um edifício, os pesquisadores usaram um processo semiautomático. Eles deixaram um programa de computador inicial marcar os edifícios e, em seguida, humanos verificaram cuidadosamente cada marca, corrigindo erros e adicionando edifícios que o computador perdeu. Isso criou um conjunto de treinamento de alta qualidade onde o computador pôde aprender a identificar casas, apartamentos e outras estruturas, mesmo quando eram pequenas ou estavam aglomeradas.

Uma vez que os dados de treinamento estavam prontos, a equipe testou seis tipos diferentes de modelos de visão computacional para ver qual era o melhor em encontrar edifícios. Esses modelos são como diferentes conjuntos de olhos, cada um com sua própria maneira de processar informações visuais. Alguns são projetados para serem muito rápidos, enquanto outros são projetados para serem extremamente precisos. Os pesquisadores executaram todos sob as mesmas condições para ver qual oferecia o melhor equilíbrio entre velocidade e precisão. Eles descobriram que um modelo chamado YOLOv12n teve o melhor desempenho. Ele foi capaz de encontrar a maioria dos edifícios mantendo o número de alarmes falsos baixo, e fez isso rápido o suficiente para ser útil para grandes áreas. Após selecionar este vencedor, eles o treinaram novamente em toda a coleção de imagens para torná-lo ainda mais afiado. Ao serem testados em novas imagens não vistas, este modelo final foi capaz de identificar edifícios corretamente com um alto grau de confiabilidade, embora ainda tenha perdido algumas estruturas menores ou fortemente danificadas, o que é uma limitação conhecida ao lidar com cenas tão complexas.

Com o melhor detector de edifícios em mãos, os pesquisadores passaram para a segunda etapa: comparar as imagens de antes e depois. Este passo era complicado porque as duas imagens do mesmo lugar não estavam perfeitamente alinhadas; uma poderia estar ligeiramente deslocada ou rotacionada em relação à outra. Para corrigir isso, o sistema ignorou os próprios edifícios, que poderiam ter sido destruídos, e em vez disso concentrou-se em características estáveis como estradas, interseções e as bordas de campos. Usando esses pontos fixos, o computador ajustou a imagem de 2024 para corresponder perfeitamente à imagem de 2022. Uma vez alinhadas as imagens, o sistema olhou para cada edifício que havia encontrado em 2022 e tentou encontrar seu gêmeo na imagem de 2024.

Os resultados desta comparação foram impressionantes. O sistema processou 145 pares de imagens cobrindo vários distritos nas regiões mais atingidas. Nas imagens de 2022, identificou 2.872 edifícios. Nas imagens de 2024, encontrou 2.039 edifícios. Quando tentou combiná-los, o sistema vinculou com sucesso 842 edifícios que apareceram em ambos os anos. No entanto, 2.030 edifícios que estavam presentes em 2022 não tinham um correspondente correspondente em 2024. O sistema marcou esses 2.030 edifícios ausentes como "candidatos a perdas". Isso não significa que foram definitivamente destruídos pelo terremoto; simplesmente significa que desapareceram da vista entre as duas datas. Eles poderiam ter sido demolidos, reconstruídos ou talvez o computador apenas os tenha perdido na segunda imagem. O sistema é projetado para capturar todas essas possibilidades para que os humanos possam olhar mais de perto.

O estudo descobriu que a taxa dessas perdas candidatas variava significamente por localização. No distrito de Antakya, por exemplo, o sistema marcou 715 edifícios como ausentes, o que representava mais de 86% dos edifícios que ele tinha visto lá antes do tremor. Em Kahramanmaraş, o distrito central mostrou uma taxa de perda de quase 79%. Outras áreas tiveram taxas mais baixas, mas o padrão era claro: o sistema podia apontar exatamente onde as mudanças mais dramáticas haviam ocorrido. Os pesquisadores também observaram que os edifícios marcados como ausentes não eram apenas aqueles sobre os quais o computador estava incerto; muitos tinham pontuações de confiança altas, o que significa que o sistema tinha certeza de que os tinha visto antes e tinha certeza de que não os via depois.

Este trabalho demonstra que é possível realizar uma triagem preliminar de grande escala de danos por terremotos usando apenas imagens publicamente disponíveis, sem a necessidade de mapas especializados ou sensores caros. O sistema não afirma saber com certeza quais edifícios desabaram; em vez disso, fornece uma lista prioritária de locais que precisam de atenção humana. Ao reduzir a busca de milhares de edifícios para alguns milhares de candidatos prováveis, o método economiza tempo e recursos para equipes de resgate e engenheiros. Ele transforma uma tarefa massiva e esmagadora em uma tarefa gerenciável, permitindo que os especialistas foquem sua energia onde a evidência de perda é mais forte. O estudo conclui que, embora o computador não possa substituir o olho humano, ele pode servir como um guia poderoso, apontando o caminho para as áreas mais críticas após um desastre.