یک یوتیوبر متوجه شد که چگونه تقریبا هر کسی را با استفاده از صداهای هواپیما پیدا کند

کولستو، YouTuber، با یافتن راه‌های جدید برای ردیابی مکان‌های مخفی، نامی برای خود دست و پا کرده است: عکس‌های جلد آلبوم، فناوری اولیه، و اندرو تیت. (خوشبختانه، همه ما اکنون می توانیم آخرین مورد را انجام دهیم.) با این حال، کولستو در آخرین ویدیوی خود از خودش پیشی گرفته است. این ویدئو تکنیکی را توصیف می‌کند که می‌تواند با تجزیه و تحلیل صدای آن برای صداهای ضعیف هواپیماهای عبوری، مکان ضبط غیرقابل شناسایی را نشان دهد. این تکنیک هم جذاب و هم ترسناک است.

این با نگاه کردن به منحنی‌های داپلر کار می‌کند، که نحوه تغییر صدای هواپیما را هنگام عبور از بالای سر به دلیل اثر داپلر ترسیم می‌کند. این همان اثر آشنای داپلر است که باعث می‌شود فرکانس آژیر با نزدیک شدن به آن بالا برود و با عبور و دور شدن از آن پایین بیاید. به طور کلی، این پدیده ای است که به موجب آن فرکانس یک موج درک شده توسط یک ناظر زمانی که ناظر و منبع موج نسبت به یکدیگر در حال حرکت هستند تغییر می کند.

(به هر حال، برای انواع امواج دیگر، از جمله امواج الکترومغناطیسی، که اخیرا در زمینه چیزهای عجیبی که با نزدیک شدن به سرعت نور اتفاق می‌افتند، صحبت کردیم، کاربرد دارد.)

با این حال، صدایی است که در اینجا مرتبط است، و به طور خاص صدای هواپیماها. کولستو در اوایل ویدیوی خود نقشه ای از پروازهایی را که در زمان ضبط ویدیویی که در حال ردیابی است در هوا بودند، ارائه می دهد. بسیاری از این اطلاعات در دسترس عموم است. هواپیماهای مجهز به پخش خودکار نظارت وابسته (ADS-B) داده‌های مربوط به موقعیت، سرعت و ارتفاع خود را ارسال می‌کنند که خدمات ردیابی پرواز جمع‌آوری و در دسترس عموم قرار می‌دهد. در حالی که همه هواپیماها ردیابی نمی شوند، این سیستم اطلاعات بسیار زیادی در مورد حرکت هواپیما ارائه می دهد.

(ما همچنین در این مورد نه چندان دور در زمینه موقعیت جغرافیایی هواپیماهای بدون سرنشین نوشتیم.)

در اینجا یک اسکرین شات از شبکه OpenSky، که داده های ADS-B را ردیابی می کند، از هواپیماهای بالای شهر نیویورک در زمانی که من این قطعه را می نوشتم، می بینید:

پس واضح است که در هر لحظه تعداد زیادی هواپیما در آسمان ایالات متحده وجود دارد. این فقط ایالات متحده نیست، همچنین:

نکته این است که اگر در کشوری زندگی می‌کنید که تعداد زیادی هواپیما بر فراز آن پرواز می‌کنند، در هر لحظه، احتمالا یک هواپیما در جایی بالاتر از شما وجود دارد. مسئله این است که شما حتی نیازی به شنیدن صدای هواپیماها ندارید. هواپیماهای ملخی صداهایی با فرکانس پایین متمایز تولید می کنند که می توانند مسافت های طولانی را طی کنند و روی میکروفون ها ثبت شوند، حتی زمانی که آنها خیلی ضعیف هستند که توسط شنوندگان انسانی متوجه آنها نمی شوند.

همانطور که ممکن است حدس زده باشید، ایده اصلی این است که از داده های ADS-B برای تطبیق هواپیماهای شنیده شده در ضبط با هواپیماهای موجود در آسمان استفاده کنید و سپس از آن اطلاعات برای تعیین مکان ویدیو استفاده کنید. البته، در حالی که این در اصل ساده به نظر می رسد، در عمل دشوار است اما به طرز شگفت انگیزی موثر است.

برای نشان دادن این ایده، کولستو با ویدیویی شروع می‌کند که جزء بصری آن یک تصویر ساکن ساده و با وضوح پایین از برخی درختان است. تنها چیزی که می دانیم این است که این ویدیو در 8 سپتامبر در جایی در قاره آمریکا فیلمبرداری شده است. همانطور که ما تماشا می کنیم، او طیفی از صدای همراه را می کشد و آن را اسکن می کند تا ببیند آیا می تواند آنچه را که به دنبالش است پیدا کند. به عنوان شنونده، تنها چیزی که می شنویم صداهای محیط و آواز پرندگان است.

اما کولستو با بزرگ‌نمایی در طیف‌نگار (که طرفداران Aphex Twin ممکن است آن را به‌عنوان همان طرحی تشخیص دهند که در آن قهرمان ما چهره‌اش را در همان روز پنهان کرده بود)، کولستو دو رگه بی‌خطر را پیدا می‌کند: منحنی‌های داپلر از هواپیمای عبوری، اولی 920 ثانیه قبل از دومی.

این یک شروع است، اما فقط یک شروع، زیرا معلوم می شود که بسیاری از نقاط ایالات متحده در تاریخ مورد بحث دو هواپیما را با فاصله 920 ثانیه از هم شنیده اند. کلید صفر کردن مکان صحیح، خود منحنی های داپلر است که مقدار قابل توجهی از اطلاعات را در مورد هواپیماهایی که آنها را ایجاد کرده اند رمزگذاری می کند.

برای شروع، شکل اصلی آنها تخمین های مناسبی از سرعت و فاصله هواپیما از میکروفون ارائه می دهد. ارجاع متقابل منحنی ها با داده های ADS-B در ابتدا حدود 70000 مکان نامزد ایجاد می کند. سپس کولستو با جست‌وجوی مکان‌هایی که دو هواپیما با فاصله 920 ثانیه از هم عبور می‌کنند، این عدد را به تقریبا 15000 کاهش می‌دهد، در حالی که مناطقی را که باید هواپیماهای اضافی در آن‌ها شناسایی می‌شد را رد کرد.

رسیدن از 15000 به 1 مستلزم نگاه کردن به جزئیات ظریف دو منحنی است، و به طور خاص به جنبه های کوچک شکل آنها که نشان می دهد هواپیما در حین عبور چه کرده است: شتاب یا کاهش سرعت، بالا رفتن یا پایین آمدن، تغییر مسیر و غیره.

کولستو به‌جای تلاش برای استخراج این اطلاعات از جزئیات دقیق منحنی‌ها، برعکس عمل می‌کند: او مجموعه کاملی از منحنی‌های بالقوه را مدل‌سازی می‌کند، سپس آنها را با داده‌های واقعی مقایسه می‌کند و آنها را بر اساس میزان تناسب آنها امتیاز می‌دهد. هنگامی که او یک نامزد قوی پیدا می کند، پروازهای مورد نظر را شناسایی می کند، مکان را محدود می کند و بام: بعدا یک گردش سریع در نمای خیابان گوگل انجام می دهد و دوربین امنیتی دقیقی را در اختیار دارد که فیلم را گرفته است.

این هم یک شاهکار فنی واقعا چشمگیر و هم یک اثبات مفهومی وحشتناک است. سلب مسئولیت‌های آشکاری وجود دارد: این واقعیت که داده‌های پروازی بسیار زیادی در مورد ایالات متحده وجود دارد به این معنی است که برای شروع باید روشی برای محدود کردن مجموعه داده‌ها داشته باشید، زیرا فقط شروع با یک صدا و بدون اطلاعات بیشتر به معنای جستجوی سوزن ضرب المثل در انبار کاه مسیرهای پرواز است. اما با ضبطی که حاوی صداهای مناسب هواپیما، و برخی اطلاعات در مورد زمان یا مکان ساخت آن است، این تکنیک روش شگفت‌آوری قدرتمندی برای محدود کردن مکان آن ارائه می‌دهد.

این یادآوری دیگری است که حتی نویز پس‌زمینه یک ویدیو می‌تواند اطلاعاتی را که سازنده آن هرگز قصد اشتراک‌گذاری آن را نداشته است، آشکار کند. فیلمبرداری مبارک!