NASA、Copernicus 和 Microsoft 如何绘制委内瑞拉地震后的破坏情况

当地震发生时，时间开始计时。对于地震发生后的城市环境中的急救人员来说，最初的几分钟和几个小时对于找到幸存者和评估损害至关重要。

在委内瑞拉北部发生 7.2 和 7.5 级地震后，高空的紧急技术在尘埃落定之前就启动了，为地面官员提供了拯救生命所需的信息。联合国生态系统下的 NASA、欧洲 Copernicus 计划和 Microsoft 的 AI for Good Lab 的地理空间数据协调，将数字_triage 系统投入使用，以帮助优化救援队在极端条件下做出的关键决策。

尘埃中的雷达：Copernicus 的响应

在委内瑞拉的北部海岸，拉瓜伊拉和加拉加斯部分地区由于倒塌的建筑物引起的尘埃云，使正常的卫星图像几乎无用。

作为回应，欧盟立即激活了其 Copernicus 紧急映射机制，利用 Sentinel-1 卫星的力量。

其技术基于合成孔径雷达（SAR）。与传统的拍照不同，SAR 发出能量脉冲，反弹回地球表面，然后返回传感器。

由于这些无线电波可以穿过大气层，无论是云层、尘埃还是夜晚的黑暗，科学家都可以获得地形的连续快照。

通过比较地震前和地震后几小时内收集的电磁波反弹信号，各种机器学习模型可以自动识别地面质地的变化。

这使得救援人员能够检测到由山体滑坡引起的公路堵塞和破裂的桥梁，并引导他们前往可通行的路线。

从太空测量裂缝

在宏观尺度上，NASA 部署了其雷达干涉测量（InSAR）工具，这是一种毫米级精度的技术，比较了不同时间的雷达波相位。

来自 NISAR 任务（与印度空间研究组织 ISRO 合作开发）的初步 数据 确认了地壳严重位移，记录了高达 40 厘米的水平地面运动。

拥有这些形变图后，俄勒冈州立大学（OSU）的冲突生态实验室处理了读数，以预测对城市基础设施的影响。

研究人员的评估 表明，超过 58,870 栋建筑遭受了严重损害或完全倒塌。

这种概率热图使联合国和紧急响应团队能够专注于最密集和最脆弱的住宅区，避免了在稳定区域浪费宝贵的时间。

在微软旗帜下的结构分类

在更小的分析中， 微软的 AI for Good Lab 将其资源集中在使用其 Planetary Computer 平台 处理超高分辨率光学图像。

计算机视觉模型经过图像分割训练，绘制了超过 210 平方公里的中央海岸和委内瑞拉首都。

该方法基于概率模型。与其做出决定性的判断（这仍然需要地面上的民用工程师），AI 为每个城市街区分配了结构风险水平。

该算法评估对于现场工作至关重要；根据 国际移民组织的官方损害报告，这些数据的交叉引用使得人们能够确定拉瓜伊拉州最严重受损的城市之一 Catia La Mar 中 31.5% 的建筑遭受了严重损害。

如今，救援任务已经完成，这同样的概率图现在作为分析基础，供民用工程师规划受控拆除和城市隔离区。

在混乱中实现互操作性

这次紧急事件中最大的教训之一是孤立的技术几乎无用。为了使 NASA、欧盟和微软的努力转化为真正的救援，统一信息至关重要。通过将这些地理空间分析集成到联合国的开放存储库中，第一响应团队能够在单个交互式地图下工作。

委内瑞拉地震后的这种技术协调表明，应用于地球观测的人工智能不再是一种实验室实验；今天，它是一种不可或缺的运营资源。

联合努力不仅优化了危机期间的响应操作，还为城市在面临气候变化和地质风险时的韧性时代建立了方法论先例。