تُعد الزلازل من بين الكوارث الطبيعية التي تتسبب في خسائر اقتصادية فادحة، عانت العديد من الدول منها في السنوات الأخيرة. ومع تزايد الحاجة لتقييم الأضرار التي تنجم عنها، أصبح من الضروري استخدام تقنيات متقدمة مثل اكتشاف التغيير (Change Detection) المستند إلى الصور الملتقطة عبر الزمن.

لكن تواجه الأساليب الحالية المبنية على الشبكات العصبية العميقة عدة تحديات، أهمها نقص مجموعات البيانات التي تتمتع بفترات تصوير قصيرة، مما يعيق جهود الإنقاذ الفوري بعد حدوث الزلازل.

لذا، قمنا بإنشاء مجموعة بيانات جديدة تُعرف باسم مجموعة بيانات اكتشاف التغيير لزلازل تركيا (Turkey earthquake CD dataset - TUE-CD) بهدف تقييم الأضرار الناتجة عن الزلازل على المدى القصير.

تواجه العملية تحديات عدة، مثل اختلاف زوايا التصوير للصور الملتقطة في فترات زمنية مختلفة، مما يؤدي إلى مشكلات في التصوير الجانبي. للتغلب على هذه الصعوبات، نقدم نموذجاً مبتكراً يُعرف بشبكة تفاعل الميزات متعددة المقاييس (Multi-Scale Feature Interaction Network - MSI-Net).

يتكون نموذج MSI-Net من وحدات انتباه مشتركة (Joint Cross-Attention - JCA) ووحدات معايرة الإزاحة متعددة المقاييس (Multi-Scale Offset Calibration - MOC) ووحدات دمج الميزات (Feature Integration - FeI).

تعمل وحدة JCA على توحيد الانتباه عبر القنوات والانتباه المكاني لضمان تفاعل كافٍ بين الميزات، بينما تقوم وحدة MOC بتقدير الإزاحات اللازمة لمواءمة الصور الملتقطة عبر الزمن. أخيراً، يتم دمج الميزات المعايرة والميزات متعددة المقاييس بواسطة وحدات FeI لتوقع المناطق المتغيرة بدقة.

تظهر نتائج التجارب على مجموعة بيانات WHU-CD، وCLCD، ومجموعة TUE-CD التي تم إنشاؤها أن نموذج MSI-Net يقدم نتائج أفضل مقارنة مع أحدث أساليب اكتشاف التغيير المتاحة اليوم.

إن هذا الابتكار يفتح آفاق جديدة للاستخدام الفعال للتكنولوجيا في مجال الإغاثة من الكوارث، وهو مثال حي على كيف يمكن للذكاء الاصطناعي أن يحدث فرقاً كبيراً في حياتنا.
ما هو رأيكم في استخدام الذكاء الاصطناعي لمواجهة الكوارث الطبيعية؟ شاركونا تجاربكم وآرائكم في التعليقات!