تُعتبر عملية تقييم الأضرار الناتجة عن الكوارث من خلال صور الأقمار الصناعية من الأمور الحيوية التي تساهم بشكل كبير في تحسين استجابة الطوارئ والعمليات التعافي. في هذا الإطار، تقدم دراسة جديدة تحليلًا مثيرًا يسلط الضوء على كيفية استغلال كل من الميزات المكانية (Spatial) والتردد (Frequency) لتوفير تقييم أكثر دقة.

على الرغم من أن معظم طرق التعلم العميق تعتمد على تحليل الميزات المكانية، فإن التمثيلات في مجالات التردد تعكس تفاصيل معمارية حيوية، مثل أنماط الحطام والقوام الناتج عن الانهيارات. وقد أُجري مقارنة محكومة بين الأساليب التي تركز على المجال المكاني، وتلك التي تركز على مجال التردد، بالإضافة إلى الأساليب الهجينة التي تستخدم كلا المجالين، وذلك لتصنيف أضرار المباني باستخدام بيانات ما بعد الكارثة من مجموعة بيانات xView2 (xBD).

جميع النماذج تم تطويرها على إطار (EfficientNet-B0) وتم تدريبها تحت ظروف موحدة، مع اختلافات بسيطة في تمثيل المدخلات واستراتيجيات الدمج. تم تقييم الأداء من حيث الدقة، ومعدل F1 العاكس، والمعايير الخاصة بالفئات، وكذلك مصفوفات الارتباك.

أظهرت النتائج أن النماذج الهجينة قدّمت تحسينات ملحوظة مقارنة بالنماذج ذات المجال الواحد. حيث حققت النماذج الهجينة أعلى دقة اختبار (0.4688) وأقل خسارة، بينما كان الأداء الأفضل في معدل F1 العاكس (0.4254) للنموذج المكاني فقط، مما يشير إلى توازن أفضل في أداء الفئات. في المقابل، أظهرت النماذج التي تعتمد فقط على مجال التردد أداءً ضعيفًا، مما يثير القلق بشأن القدرة على التعميم.

رغم هذه المكاسب، تظل التحديات قائمة، خاصةً في اكتشاف الأضرار الطفيفة، نظرًا لعدم التوازن بين الفئات والغموض البصري الدقيق. وعلى الرغم من أن الأساليب الهجينة قد حسنت من اكتشاف الأضرار الجسيمة، إلا أن هناك حاجة ملحة لمزيد من الأبحاث في مجال التوازن البياني، وتقنيات الدمج المتقدمة، وتنظيم البيانات.

إن هذه النتائج تعكس الفوائد والقيود المرتبطة بالتمثيلات الهجينة وتحفز على المزيد من العمل لتحسين النماذج المستخدمة في تقييم الأضرار.