بالنسبة لمشكلة التغيير المكاني المتنوعة في الصور الفضائية من مصادر متعددة في أوقات مختلفة، قمنا في هذه الدراسة بتحسين نموذج شبكة FTN (Fully Transformer Network) وتقديم نموذج شبكة اكتشاف تغييرات المباني المنهارة SWSACNet (Sliding-Window-Shift Attention Convolution mix Network) الذي يعتمد على النهاية إلى النهاية ويعتمد على تعزيز الميزات بنمط النافذة المتزلجة وآلية خلط الانتباه والتحول. يعتمد SWSACNet على إطار نموذج FTN، ويستخدم ACmix (Attention Convolution mix) لتعريف الميزات الفعالة للصور المتعددة في معالم المباني المنهارة، ويخفف من تأثير الانحراف المكاني في الصور المتعددة من خلال تطابق ميزات الشباك المتزلج. باستخدام زلزال قوته 7.8 درجة في تركيا في 6 فبراير 2023 كمثال، من خلال الحصول على صورة جوية متقدمة قبل الزلزال، وصور جوجل وصور بينجيان بعد الزلزال لبناء مجموعة بيانات اكتشاف تغييرات المباني المنهارة، تم تدريب نموذج SWSACNet، FTN و 5 نماذج أخرى لاكتشاف التغيرات واستخراج المباني المنهارة في منطقة الزلزال. تشير نتائج التجربة إلى أن دقة التعرف على SWSACNet تبلغ 80.8%، و mIoU تبلغ 67.8%، وهو أفضل من 4 نماذج أخرى. على SWSACNet يتم تطبيقه في السيناريوهات 3Fevaipasa و Nurdagi و Islahiye، وكان متوسط دقة التعرف على النموذج F1 60.84%، مما يشير إلى أن النموذج يحتاج إلى تحسين في الأداء العام.

الاستشعار عن بعد; الصور المتعددة; التعلم العميق; اكتشاف التغيرات; استخراج المباني المنهارة