تُعتبر تقديرات الأضرار بشكل سريع ودقيق نتيجة للزلازل والفيضانات وغيرها من الكوارث الطبيعية أمراً حيوياً لضمان استجابة طارئة فعالة وتوزيع الموارد بشكل مناسب. في الوقت الذي تعتمد فيه الطرق التقليدية على العمليات اليدوية أو البيانات المتقطعة، تقدم دراسة جديدة حلاً مبتكراً يستفيد من تقنيات الذكاء الاصطناعي وصور الاستشعار عن بعد.

في هذه الدراسة، تم تقديم إطار عمل يعتمد على صور الأقمار الصناعية قبل وبعد الكوارث لتصنيف الأضرار في المباني. وقد قامت الخوارزمية بتصنيف المباني إلى أربع فئات من الأضرار: لا ضرر، أضرار طفيفة، أضرار كبيرة، ومدمرة. ما يميز هذا العمل هو آلية الانتباه المتعدد النماذج (Multi-Modal Attention) التي تدمج الميزات الزمنية لاستكشاف التغييرات الهيكلية بدقة.

تم تضمين نموذج خفيف الوزن من نوع ConvNeXT-Tiny لضمان معالجة البيانات بشكل فعال دون المساس بالأداء. كما يقدم البحث مجموعة من الابتكارات الرئيسية، تشمل:
1. وحدة الانتباه المتبادل (Cross-Attention) لدمج البيانات متعددة النماذج.
2. نظام معالجة مسبقة محسن للبيانات الكبيرة.
3. تقنيات قوية لتكبير البيانات.

أظهرت التجارب التي أجريت على مجموعة بيانات ضخمة من الكوارث أن النموذج حقق دقة تصنيف عامة تصل إلى 94.90%. حيث يمكنه التمييز بفاعلية بين فئات الأضرار ويظل resilient مع البيانات غير الكاملة. هذا النظام يعد بتحسين سرعة ودقة التقييم، مما يساعد فرق الاستجابة في تحديد الأولويات بشكل أفضل.

هذا العمل يمثل خطوة كبيرة نحو تطوير أنظمة الكشف الآلي عن أضرار الكوارث من خلال دمج التصوير المتعدد الزمن مع تقنيات التعلم العميق، مقدماً حلاً قابلاً للتوسع لاستجابة فورية.