في عالم يتعرض لتحديات طبيعية متزايدة، تصبح قدرة المدن على التعافي بعد الكوارث أمرًا حيويًا لفهم كيفية استعادة الأنظمة الحضرية لوظائفها تدريجيًا. ولكن، تبقى مهمة تتبع عملية إعادة الإعمار مليئة بالتعقيدات، خصوصًا في ظل قلة المعلومات الدقيقة المتاحة حول تلك العمليات.

البحث الجديد الذي يطرح إطار عمل غير مُراقَب (Unsupervised Framework) لمراقبة إعادة الإعمار يعتمد على ملاحظات زمنية متعددة لمصادر رادار الاصطناعي (Synthetic Aperture Radar - SAR) وتقنيات الكشف عن الشذوذ باستخدام تعلم عميق (Deep Learning). وقد تم استخدام بيانات زمنية من نظام COSMO-SkyMed للكشف عن الشذوذ الزمني المرتبط بأنشطة إعادة الإعمار، مما أدى إلى إنشاء خرائط استعادة مكانية واضحة.

هذا الإطار تم تطبيقه على أربع مدن تأثرت بشكل كبير بالزلازل التي ضربت تركيا وسوريا في عام 2023، مما كشف عن ديناميات متباينة لإعادة الإعمار تتفاوت حسب السياقات الحضرية المختلفة. وكانت النتائج مذهلة؛ إذ أظهرت أنماطًا هيكلية مكانية للشذوذات المستمرة المرتبطة بعمليات إعادة الإعمار في المناطق المتضررة، ومواقع الإقامة المؤقتة، ومناطق سكنية جديدة.

عند مقارنة هذه النتائج بمؤشرات التعافي المستمدة من بيانات SDGSAT-1، يظهر التعاون بين هاتين الطريقتين: Lights الليلية تعكس استعادة الإمدادات الكهربائية والنشاط الاجتماعي، في حين أن شذوذات الرادار تكشف عن التغيرات الهيكلية في البيئات المبنية وقد تكشف عن عمليات إعادة الإعمار في مراحلها المبكرة.

تؤكد النتائج أن دمج البيانات متعددة الأوقات من رادار الاصطناعي مع التعلم غير المُراقَب يقدم نهجًا فعالًا وقابلًا للتوسع لمراقبة عمليات إعادة الإعمار بعد الكوارث عندما تكون بيانات التعافي المعلّمة غير متاحة.