Az Ishikawa-i földrengések által okozott károk nyomon követése nagy felbontású műholdfelvételek segítségével
Ishikawa helye. Az epicentrum a prefektúra tetején volt. ©nippon.com
Az Ishikawa-i földrengések által okozott károk nyomon követése nagy felbontású műholdfelvételek segítségével
2024 újév napján 7,6-es erősségű földrengés rázta meg a Noto-félszigetet, Ishikawa prefektúrában, Japánban. Ez volt a legerősebb mérték a régióban ezek a bomlások, és katasztrofális hatásokat okozott. Nagy szökőár sújtotta Japán nyugati partjait, tűz ütött ki, és sok épület megsemmisült. Január 16-ig több mint 200 halálos áldozatot erősítettek meg, és sok embert evakuáltak. A bonyolult domborzati és közlekedési bénulások miatt a mentés és az újjáépítés nagymértékben késik. A helyzet távoli nyomon követéséhez nagyon nagy felbontású műholdfelvételeket készítettünk, és a Segment Anything Model (SAM) segítségével kinyertük a sérült területeket.
AOI-k
Wajimát és Suzut választottuk, az epicentrumhoz legközelebb eső városokat, amelyek súlyos károkat szenvedtek.
Műholdas adatok
Sok műholdgyártó tett közzé műholdfelvételeket a Noto-félszigetről. Íme néhány példa.
SAR
- Szinspektíva : StriX-1
- QPS (csak japán): QPS-SAR6
- JAXA : PALSAR-2
Optikai
- Planet Labs és Nemzetközi Katasztrófa Charta : GeoEye, SPOT
Ezenkívül számos hírmédia nagyon nagy felbontású SAR és optikai műholdképeket használva tett közzé effektusokat. Megvásároltuk a Pleiades & Neo műholdfelvételeket az előző, illetve az utáni adatokhoz. Az Airbus által üzemeltetett Pleiades sorozat a világ egyik legjobb optikai műholdképe. A Pleiades Neo 2021-ben jelent meg, és finomabb térbeli felbontással és több spektrális sávval rendelkezik. Az alábbi táblázat a Pleiades sorozat specifikációit mutatja.
Kárfigyelés
Tűz
Közvetlenül a földrengés után tűz ütött ki az Asaichi-douriban, Wajima város híres bevásárlóutcáján. A tűzben több mint 300 épület égett le 52 ezer km²-en. Az alábbi ábra a leégett területet mutatja a katasztrófa után. A víz a földcsuszamlások miatt sáros lett.
Repedések
A földrengés sok repedést okozott a város körül. Az alábbi ábrán a talajban és az utakon elterjedt repedések láthatók.
Talajemelések
A földrengés aktív törések mozgását is okozta a tengerben a Noto-félszigetnél. A szakértők szerint legfeljebb 4 méteres talajemelkedést okozott. Az alábbi ábra a partvonal emelkedését mutatja.
Cunamik
A földrengés több nagy cunamit is okozott. Az alábbi ábrákon összetört házak és törmelékek láthatók a partvonal közelében. A 2. ábrán az is látható, hogy hajók vagy autók kráterezettek.
Mások
Ezenkívül azt is megerősítettük, hogy földcsuszamlások miatt összeomlottak az utak és a városba vezető tömbök. Ezek a súlyos problémák megakadályozzák a kívülről jövő mentési erőfeszítéseket.
A sérült terület kivonása
Az azonnali katasztrófaelhárításhoz elengedhetetlen a sérült területek észlelése. Az előző történethez hasonlóan megpróbáltuk megjósolni az xBD modell kárát. A modell azonban nem működött jól a nagy tartományváltások miatt. Ezért a Meta-AI által kifejlesztett Segment Anything M modellt (SAM, Segment Anything M modell) alkalmaztuk , egy újszerű nulla-lövés átviteli módszert.
SAM ( papír , kód )
A közelmúltban olyan „alapmodelleket” tártak fel, amelyek nagy léptékű adatkészletekkel vannak kiképezve, és jól általánosíthatók nulla vagy néhány felvételes feladatokra. A számítógépes látás területén a szerzők a képszegmentálás alapmodelljét vizsgálták. A modell alapvetően 3 komponensből áll: Feladat, Modell és Adat.
Feladat
Az NLP ihletésére egy felszólító szegmentálási feladatot javasoltak , ahol a cél az, hogy minden szegmentálási felszólítás esetén érvényes maszkokat kapjunk, amint az az alábbi ábrán látható.
Modell
A modellnek valós időben kell kiszámítania a maszkokat, és tisztában kell lennie a kétértelműséggel a promptoknál. Egyszerű kialakítást használtak képkódolóval, prompt kódolóval és könnyű maszkdekóderrel, amely előrejelzi a szegmentációs maszkokat, amint az az alábbi ábrán látható.
Adat
A SAM nagy és változatos maszkkészlettel való betanításához létrehoztak egy „adatmotort”, a cikluson belüli modell adatkészlet-annotációt, amint az az alábbi ábrán látható. Először is, a SAM segít az annotátoroknak a maszkok interaktív megjegyzéseiben, majd a SAM automatikusan generál maszkokat az objektumok egy részhalmazához, kéréssel. Végül felszólították a SAM-ot, és képenként ~ 100 kiváló minőségű maszkot eredményeztek. Az eredményül kapott SA-1B adatkészlet 1 milliárd maszkot tartalmaz 11 millió képből, amely sokkal több maszkot tartalmaz, mint bármely meglévő adatkészlet. Bár a maszkok 99%-a teljesen automatikusan jött létre, megerősítették, hogy a maszkok minősége meglehetősen magas.
Előrejelzés a műholdfelvételeken
A SAM különféle promptokra képes előre jelezni: élészlelés, mindent szegmentál, példányszegmentálás és objektumok szegmentálása szövegből. Megjósoltuk a képet a teljes szegmentálással. Az alábbi ábrák az előrejelzés eredményeit mutatják.
A parkolók, az utak és a leégett területek kivételével szinte minden tárgyat eltakartak. Megerősítést nyert , hogy a mobilitási infrastruktúrákat nehéz észlelni a szűk jellemzők és más objektumok interferenciája miatt. Ettől eltekintve a SAM-nek sikerült közvetetten kivonnia a sérült területet, mivel nem jósolta meg őket objektumként.
Hasonlóképpen, a strand kivételével szinte az összes tárgyat eltakarták. Néhány törmeléket elfedtek, de sok nem. Változtattunk néhány hiperparaméteren, mert a műholdfelvételek felbontása sokkal nagyobb, mint a képzési képeké. A részletesebb hiperparaméter-hangolás jobban elkülönítheti a sérült területet.
Összegzés
Ishikawa prefektúra szenvedett a katasztrofális földrengéstől, és sok embert még mindig evakuálnak, és segítségre szorulnak. A műholdfelvételek feltárták a károkat, és a részletes megfigyelés elengedhetetlen a katasztrófaelhárításhoz. Reméljük, hogy a mielőbbi helyreállítás és a távérzékelési technológia segít a katasztrófaelhárításban.
.jpg){kind=logo}
Megjegyzések
Megjegyzés küldése