هوش مصنوعی از شهر های آسیب دیده نقشه سه بعدی تولید می کند

آینده جهان با هوش مصنوعی (146)؛

محققان یک سیستم یادگیری ماشین توسعه داده اند که با استفاده از تصاویر «سار» یا رادار تک دیافراگم ترکیبی (SAR) نقشه های سه بعدی تولید می کند.

به گزارش خبرگزاری علم و فناوری به نقل از آی ای، یک سیستم یادگیری ماشین جدید می تواند نقشه های سه بعدی و ارتفاعی محیط های شهری را با استفاده از تصاویر رادار تک دیافراگم ترکیبی (SAR) ایجاد کند، که به طور بالقوه برنامه ریزی و واکنش در بلایا را تسریع می کند.

مهندسان هوافضا در دانشگاه بوندس ور مونیخ ادعا می کنند که روش آنها نخستین نقشه های سه بعدی شهر را از یک ماهواره «سار» (SAR) ارایه می کند.

هنگامی که زلزله شهری را ویران می کند، ممکن است با چالش کمبود اطلاعات درخصوص میزان خسارات اولیه و نیاز های بشردوستانه مواجه می شود.

بررسی های هوایی با استفاده از سیستم های لیدار استاندارد طلایی را برای نقشه برداری سه بعدی فراهم می کند، اما خرید و بهره برداری از چنین سیستم های برد لیزری حتی بدون مشکلات لجستیکی اضافی ناشی از یک فاجعه بزرگ، گران است.

استفاده از ماهواره های سنجش از دور گزینه دیگری است، اما اگر منطقه توسط ابر ها یا دود پوشیده شود، تصاویر ماهواره ای نوری بی فایده هستند.

از سوی دیگر، رادار دیافراگم ترکیبی، در هر شرایط آب و هوایی، روز یا شب کار می کند. «سار» یک حسگر فعال است که از بازتاب سیگنال های پرتودهی شده از یک ماهواره به سطح زمین استفاده می کند بخش دیافراگم ترکیبی رادار از حرکت خود ماهواره برای تقلید  یک آنتن بزرگتر، برای گرفتن سیگنال های منعکس شده با طول موج های نسبتاً طولانی استفاده می کند. ده ها ماهواره «سار» دولتی و تجاری در مدار زمین در گردش هستند و بسیاری از آنها می توانند در عرض چند ساعت از مکان های جدید تصویربرداری کنند.

با این حال، تصاویر «سار» همچنان ذاتاً دو بعدی هستند و تفسیر آنها حتی از عکس های معمولی نیز دشوارتر است. این تا حدی به دلیل اثری است که رادار «لای اور» (layover) نامیده می شود که در آن به نظر می رسد ساختمان های آسیب ندیده به سمت حسگر واژگون شده اند.

مایکل اشمیت، استاد دانشگاه بوندس ور مونیخ می گوید: ارتفاع به خودی خود یک موضوع بسیار پیچیده است. میلیون ها تعریف از ارتفاع وجود دارد و تبدیل یک تصویر ماهواره ای به ارتفاعی معنادار در هندسه جهانی، یک تلاش بسیار پیچیده است.

اشمیت و همکارش مایکل مجدداً با تهیه تصاویر «سار» برای 51 شهر از ماهواره «تراسار-ایکس» (TerraSAR-X) شروع به کار کردند.

سپس محققان نقشه های ارتفاعی با کیفیت بالا را برای همان شهر ها به دست آوردند که عمدتاً توسط بررسی های لیدار تهیه شده بود، اما برخی توسط هواپیما ها یا پهپاد هایی که دوربین های استریو حمل می کردند ثبت شده بود. گام بعدی این بود که یک نقشه برداری یک به یک، پیکسل به پیکسل بین نقشه های ارتفاع و تصاویر «سار» ایجاد شود که بتوانند یک شبکه عصبی عمیق را روی آن آموزش دهند.

اشمیت می گوید که نتایج شگفت انگیز بود. ما مدل خود را صرفاً بر روی تصاویر ماهواره «تراسار-ایکس» آموزش دادیم، اما روی تصاویر ماهواره های تجاری دیگر نیز به خوبی کار می کند. او می گوید این مدل که اجرای آن تنها چند دقیقه طول می کشد، می تواند ارتفاع ساختمان ها را در تصاویر «سار» با دقتی در حدود 3 متر (ارتفاع یک طبقه در ساختمان معمولی) پیش بینی کند.

این بدان معناست که سیستم باید بتواند تقریباً هر ساختمانی را که در سطح شهر آسیب دیده است، شناسایی کند.

پیترو میلیلو، استاد مهندسی سیستم های حسگر زمین در دانشگاه هیوستون، امیدوار است که از مدل اشمیت و رکلا در پروژه ای که ناسا برای بازیابی زلزله در حال انجام است، استفاده کند. او می گوید: می توانیم از نقشه ارتفاع ساختمان ها به نقشه احتمال ریزش ساختمان ها برسیم.