محققان یک سیستم یادگیری ماشین توسعه داده‌اند که با استفاده از تصاویر رادار تک دیافراگم ترکیبی یا «سار» (SAR) نقشه‌های سه‌بعدی تولید می‌کند.
یک سیستم یادگیری ماشین جدید می‌تواند نقشه‌های سه‌بعدی و ارتفاعی محیط‌های شهری را با استفاده از تصاویر رادار تک دیافراگم ترکیبی (SAR) ایجاد کند، که به طور بالقوه برنامه‌ریزی و واکنش در بلایا را تسریع می‌کند.
مهندسان هوافضا در دانشگاه بوندس‌ور مونیخ ادعا می‌کنند که روش آنها نخستین نقشه‌های سه‌بعدی شهر را از یک ماهواره «سار» (SAR) ارائه می‌کند.
هنگامی که زلزله شهری را ویران می‌کند، ممکن است با چالش کمبود اطلاعات درخصوص میزان خسارات اولیه و نیاز‌های بشردوستانه مواجه می‌شود.
بررسی‌های هوایی با استفاده از سیستم‌های لیدار استاندارد طلایی را برای نقشه‌برداری سه‌بعدی فراهم می‌کند، اما خرید و بهره‌برداری از چنین سیستم‌های برد لیزری حتی بدون مشکلات لجستیکی اضافی ناشی از یک فاجعه بزرگ، گران است.
استفاده از ماهواره‌های سنجش از دور گزینه دیگری است، اما اگر منطقه توسط ابر‌ها یا دود پوشیده شود، تصاویر ماهواره‌ای نوری بی فایده هستند.
از سوی دیگر، رادار دیافراگم ترکیبی، در هر شرایط آب و هوایی، روز یا شب کار می‌کند. «سار» یک حسگر فعال است که از بازتاب سیگنال‌های پرتودهی شده از یک ماهواره به سطح زمین استفاده می‌کند بخش دیافراگم ترکیبی رادار از حرکت خود ماهواره برای تقلید یک آنتن بزرگتر، برای گرفتن سیگنال‌های منعکس شده با طول موج‌های نسبتاً طولانی استفاده می‌کند. ده‌ها ماهواره «سار» دولتی و تجاری در مدار زمین در گردش هستند و بسیاری از آنها می‌توانند در عرض چند ساعت از مکان‌های جدید تصویربرداری کنند.
به گفته ی آناپرس ، تصاویر «سار» همچنان ذاتاً دو بعدی هستند و تفسیر آنها حتی از عکس‌های معمولی نیز دشوارتر است. این تا حدی به دلیل اثری است که رادار «لای اور» (layover) نامیده می‌شود که در آن به نظر می‌رسد ساختمان‌های آسیب ندیده به سمت حسگر واژگون شده‌اند.
مایکل اشمیت، استاد دانشگاه بوندس‌ور مونیخ می‌گوید: ارتفاع به خودی خود یک موضوع بسیار پیچیده است. میلیون‌ها تعریف از ارتفاع وجود دارد و تبدیل یک تصویر ماهواره‌ای به ارتفاعی معنادار در هندسه جهانی، یک تلاش بسیار پیچیده است.
اشمیت و همکارش مایکل مجدداً با تهیه تصاویر «سار» برای ۵۱ شهر از ماهواره «تراسار-ایکس» (TerraSAR-X) شروع به کار کردند.
سپس محققان نقشه‌های ارتفاعی با کیفیت بالا را برای همان شهر‌ها به دست آوردند که عمدتاً توسط بررسی‌های لیدار تهیه شده بود، اما برخی توسط هواپیما‌ها یا پهپاد‌هایی که دوربین‌های استریو حمل می‌کردند ثبت شده بود. گام بعدی این بود که یک نقشه برداری یک به یک، پیکسل به پیکسل بین نقشه‌های ارتفاع و تصاویر «سار» ایجاد شود که بتوانند یک شبکه عصبی عمیق را روی آن آموزش دهند.
اشمیت می‌گوید که نتایج شگفت‌انگیز بود. ما مدل خود را صرفاً بر روی تصاویر ماهواره «تراسار-ایکس» آموزش دادیم، اما روی تصاویر ماهواره‌های تجاری دیگر نیز به‌خوبی کار می‌کند. او می‌گوید این مدل که اجرای آن تنها چند دقیقه طول می‌کشد، می‌تواند ارتفاع ساختمان‌ها را در تصاویر «سار» با دقتی در حدود ۳ متر (ارتفاع یک طبقه در ساختمان معمولی) پیش‌بینی کند.
این بدان معناست که سیستم باید بتواند تقریباً هر ساختمانی را که در سطح شهر آسیب دیده است، شناسایی کند.
پیترو میلیلو، استاد مهندسی سیستم‌های حسگر زمین در دانشگاه هیوستون، امیدوار است که از مدل اشمیت و رکلا در پروژه‌ای که ناسا برای بازیابی زلزله در حال انجام است، استفاده کند. او می‌گوید: می‌توانیم از نقشه ارتفاع ساختمان‌ها به نقشه احتمال ریزش ساختمان‌ها برسیم.
یک سیستم یادگیری ماشین جدید می‌تواند نقشه‌های سه‌بعدی و ارتفاعی محیط‌های شهری را با استفاده از تصاویر رادار تک دیافراگم ترکیبی (SAR) ایجاد کند، که به طور بالقوه برنامه‌ریزی و واکنش در بلایا را تسریع می‌کند.
مهندسان هوافضا در دانشگاه بوندس‌ور مونیخ ادعا می‌کنند که روش آنها نخستین نقشه‌های سه‌بعدی شهر را از یک ماهواره «سار» (SAR) ارائه می‌کند.
هنگامی که زلزله شهری را ویران می‌کند، ممکن است با چالش کمبود اطلاعات درخصوص میزان خسارات اولیه و نیاز‌های بشردوستانه مواجه می‌شود.
بررسی‌های هوایی با استفاده از سیستم‌های لیدار استاندارد طلایی را برای نقشه‌برداری سه‌بعدی فراهم می‌کند، اما خرید و بهره‌برداری از چنین سیستم‌های برد لیزری حتی بدون مشکلات لجستیکی اضافی ناشی از یک فاجعه بزرگ، گران است.
استفاده از ماهواره‌های سنجش از دور گزینه دیگری است، اما اگر منطقه توسط ابر‌ها یا دود پوشیده شود، تصاویر ماهواره‌ای نوری بی فایده هستند.
از سوی دیگر، رادار دیافراگم ترکیبی، در هر شرایط آب و هوایی، روز یا شب کار می‌کند. «سار» یک حسگر فعال است که از بازتاب سیگنال‌های پرتودهی شده از یک ماهواره به سطح زمین استفاده می‌کند بخش دیافراگم ترکیبی رادار از حرکت خود ماهواره برای تقلید یک آنتن بزرگتر، برای گرفتن سیگنال‌های منعکس شده با طول موج‌های نسبتاً طولانی استفاده می‌کند. ده‌ها ماهواره «سار» دولتی و تجاری در مدار زمین در گردش هستند و بسیاری از آنها می‌توانند در عرض چند ساعت از مکان‌های جدید تصویربرداری کنند.
به گفته ی آناپرس ، تصاویر «سار» همچنان ذاتاً دو بعدی هستند و تفسیر آنها حتی از عکس‌های معمولی نیز دشوارتر است. این تا حدی به دلیل اثری است که رادار «لای اور» (layover) نامیده می‌شود که در آن به نظر می‌رسد ساختمان‌های آسیب ندیده به سمت حسگر واژگون شده‌اند.
مایکل اشمیت، استاد دانشگاه بوندس‌ور مونیخ می‌گوید: ارتفاع به خودی خود یک موضوع بسیار پیچیده است. میلیون‌ها تعریف از ارتفاع وجود دارد و تبدیل یک تصویر ماهواره‌ای به ارتفاعی معنادار در هندسه جهانی، یک تلاش بسیار پیچیده است.
اشمیت و همکارش مایکل مجدداً با تهیه تصاویر «سار» برای ۵۱ شهر از ماهواره «تراسار-ایکس» (TerraSAR-X) شروع به کار کردند.
سپس محققان نقشه‌های ارتفاعی با کیفیت بالا را برای همان شهر‌ها به دست آوردند که عمدتاً توسط بررسی‌های لیدار تهیه شده بود، اما برخی توسط هواپیما‌ها یا پهپاد‌هایی که دوربین‌های استریو حمل می‌کردند ثبت شده بود. گام بعدی این بود که یک نقشه برداری یک به یک، پیکسل به پیکسل بین نقشه‌های ارتفاع و تصاویر «سار» ایجاد شود که بتوانند یک شبکه عصبی عمیق را روی آن آموزش دهند.
اشمیت می‌گوید که نتایج شگفت‌انگیز بود. ما مدل خود را صرفاً بر روی تصاویر ماهواره «تراسار-ایکس» آموزش دادیم، اما روی تصاویر ماهواره‌های تجاری دیگر نیز به‌خوبی کار می‌کند. او می‌گوید این مدل که اجرای آن تنها چند دقیقه طول می‌کشد، می‌تواند ارتفاع ساختمان‌ها را در تصاویر «سار» با دقتی در حدود ۳ متر (ارتفاع یک طبقه در ساختمان معمولی) پیش‌بینی کند.
این بدان معناست که سیستم باید بتواند تقریباً هر ساختمانی را که در سطح شهر آسیب دیده است، شناسایی کند.
پیترو میلیلو، استاد مهندسی سیستم‌های حسگر زمین در دانشگاه هیوستون، امیدوار است که از مدل اشمیت و رکلا در پروژه‌ای که ناسا برای بازیابی زلزله در حال انجام است، استفاده کند. او می‌گوید: می‌توانیم از نقشه ارتفاع ساختمان‌ها به نقشه احتمال ریزش ساختمان‌ها برسیم.
کد خبر ۲۱۵۰۳۰۱۱۹.۵۷۱
