رویکردهای نوین سنجش از دور: پایش تغییرات لرزه ای سطح زمین

پس از وقوع زلزله، اطلاع سریع، دقیق و جامع از موقعیت ساختمان های آسیب دیده، مبنای بسیاری از مراحل مطرح در روند مدیریت بحران و تخصیص منابع برای امداد و نجات، اسکان اضطراری، آوار برداری و حتی بازسازی است. در سال های اخیر، استفاده از تصاویر ماهواره ای اپتیکی (و راداری) با قدرت تفکیک مکانی بالا و بسیار بالا، یکی از اصلی ترین منابع اطلاعاتی به شمار می رود. امروزه، تحلیل بصری (کاربری) تصاویر اپتیکی از مناطق آسیب دیده و ارائه اینگونه نقشه های اولیه خرابی در زلزله های شهری و روستایی رایج می باشد. با هدف سرعت بخشیدن و بهبود دقت در تولید اینگونه نقشه ها و همچنین ایجاد سامانه های مرتبط، استخراج خودکار ساختمان ها و برآورد میزان آسیب لرزه ای آن‌ها توسط روشهای پردازش تصاویر ماهواره ای موضوع تحقیقات جذاب و بسیار کاربردی بوده است.

با امکان دسترسی به داده ها و تصاویر ماهواره ای با وضوح مکانی بسیار بالا که از اوایل سال 2000 میلادی شروع شد، توسعه فناوری سنجش از دور در کاربردهای غیر نظامی برای آشکارسازی تغییرات در سطح زمین و شناسایی و طبقه بندی عوارض زمین مخصوصا”در مناطق شهری و روستایی شتاب روز افزون گرفته است. فناوری سنجش از دور این امکان را فراهم ساخته است تا از فواصل حدود 600 کیلومتری زمین جزئیات با قابلیت تفکیک مکانی در حد چند ده سانتیمتر در روی زمین ثبت و مشخص گردد. دوره های بازدید (revisit time) یا بعبارتی قابلیت تفکیک زمانی بین دو رصد متناظر از یک مکان مشخص در روی زمین می تواند از مثلا” 16 روز (پایش و پوشش جهانی از ارتفاع حدود 600 کیلومتری) تا کسری از روز (سیستمهای تخصیص یافته) باشد. کشور های دارای فناوری ماهواره ای پیشرفته، قادر بوده اند تا منظومه ای از ماهواره های یکسان را برای پایش منطقه های مورد نظر سامان دهند تا برای پایش اثر سوانح طبیعی مانند زلزله به طور دائم و منظم برداشت اطلاعات داشته باشند.

قابلیتهای انجام پردازش و تحلیلهای مرتبط در گروه تخصصی سنجش از دور پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله را می توان اجمالا” در ادامه تشریح نمود. پس ‌از انجام عملیات پیش‌پردازش نظیر هم مرجع کردن، انطباق و یا اصلاح هیستوگرام ها، تلفیق تصاویر، اعمال روشهای قطعه بندی، آنالیز بافت از تصاویر و توسعه مدلها و الگوریتمها و به کارگیری روشهای محاسبات نرم مانند طبقه بندی تصویر بر پایه شبکه عصبی مصنوعی، الگوریتم ژنتیک، ماشینهای بردار پشتیبان و منطق فازی و … و یا ترکیبی از اینگونه روشها را می توان در آشکارسازی تغییرات و تشخیص میزان تخریب در بافتهای شهری-روستایی به کار گرفت. اخیرا” به واسطه شناسایی و تکمیل بانک داده ها از عوارض در محیط ساخته شده و امکان محاسبات پیچیده و موازی در زمانی کوتاه، توسعه روشهای نوین یادگیری عمیق (Deep Learning) در استخراج لایه ساختمانها و همچنین تولید نقشه های تخریب بسیار کارآمد میسر گردیده است. این روند تحقیقات در لبه دانش در نظر گرفته می شوند.

یکی از موفقیتهای بدست آمده تلفیق و بکارگیری تصاویر چند سنجنده ای (multi sensor, multi platform) بوده است و این امکان فراهم شده است تا از اطلاعات سنجنده های مختلف در قبل و در بعد از سانحه استفاده گردد. توسعه الگوریتمهای مربوطه کمبود داده های همبند (یا زوج تصاویر متناظر) را مرتفع ساخته است. این امر مخصوصا” در مواقعی کارآ می باشد که اطلاعات قبل از رویداد برای سنجنده مورد نظری موجود نباشد و اطلاعات مبنا (قبل از سانحه) از سنجنده دیگر مورد استفاده قرار گیرد. یکی دیگر از تحقیقات موفق، استفاده صرف از تک تصاویر بعد از رویداد بوده است. بواسطه تهیه واقعیتهای زمینی (Ground Truth) برگرفته از الگوهای مختلف و مستخرج از تصاویر سنجنده های مختلف، اطلاعات مبنا و ارزشمندی برای الگوهای شهری و مناطقی از کشور تهیه شده است. این بانک داده در مقایسه با بانک اطلاعات مشابه در جهان دارای کمیت و کیفیت منحصر بفرد می باشد. بعنوان مثال، در بحث تولید نقشه های خرابی (تخریب گسترده و فروریزش کامل) با به کارگیری روش محاسبات نرم و در زمانی بسیار کوتاه (در حد چند ساعت شامل پیش پردازشها و اصلاحات تصاویر و …) پس از دسترسی به تصاویر ماهواره ای (و یا پهپاد…)، دقتهای کلی در حدود 75 درصد و در بکار گیری روشهای یادگیری عمیق بیش از 90% بوده است. لازم بذکر است که در حوزه مدیریت بحران و در فازهای اولیه امداد و نجات و ساماندهی اولیه شرایط بحران، این دقتها بسیار عالی و موثر در نظر گرفته می شود. این نتایج مخصوصا” برای سازمانها و ارگانهای دست اندرکار مانند سازمان مدیریت بحران و جمعیت هلال احمر بسیار حیاتی و راهگشا می نماید.