ยูทูบเบอร์ค้นหาเกือบทุกคนได้ด้วยเสียงเครื่องบิน

เสียงเครื่องบินที่ผ่านอยู่ไกล ๆ อาจดูเหมือนเป็นเพียงเสียงรบกวนธรรมดาในคลิปวิดีโอ แต่ความจริงแล้วเสียงเหล่านี้อาจซ่อนข้อมูลสำคัญเกี่ยวกับสถานที่ถ่ายทำเอาไว้ได้ ยูทูบเบอร์ชื่อ Colsto แสดงให้เห็นว่า การวิเคราะห์เสียงเครื่องบินร่วมกับข้อมูลเที่ยวบินสาธารณะ สามารถช่วยระบุตำแหน่งของวิดีโอที่แทบไม่มีข้อมูลบอกใบ้ได้อย่างน่าทึ่ง เทคนิคนี้ทำให้แนวคิดเรื่องการค้นหาสถานที่จากเสียงก้าวไปไกลกว่าการฟังสำเนียง ภาษา หรือเสียงสภาพแวดล้อมทั่วไป

แนวทางดังกล่าวน่าสนใจในเชิงเทคโนโลยี แต่ก็ชวนให้รู้สึกกังวลเรื่องความเป็นส่วนตัวเช่นกัน เพราะผู้สร้างวิดีโออาจไม่รู้เลยว่าเสียงพื้นหลังเล็ก ๆ กำลังเปิดเผยตำแหน่งของตนเอง แม้ในคลิปจะมีเพียงภาพต้นไม้ ภาพถนน หรือภาพนิ่งความละเอียดต่ำก็ตาม

ยูทูบเบอร์ค้นหาเกือบทุกคนได้ด้วยเสียงเครื่องบิน

หลักการสำคัญของเรื่องนี้เกี่ยวข้องกับปรากฏการณ์ดอปเพลอร์ ซึ่งเป็นการเปลี่ยนแปลงความถี่ของคลื่นที่ผู้ฟังรับรู้ เมื่อแหล่งกำเนิดเสียงและผู้ฟังเคลื่อนที่สัมพันธ์กัน ตัวอย่างที่คุ้นเคยคือเสียงไซเรนรถพยาบาล เมื่อรถกำลังวิ่งเข้าหาเรา เสียงจะมีความถี่สูงขึ้น และเมื่อรถเคลื่อนผ่านไป เสียงจะลดต่ำลง เครื่องบินก็ทำให้เกิดรูปแบบการเปลี่ยนแปลงลักษณะเดียวกัน เพียงแต่รายละเอียดของเสียงอาจจางและซับซ้อนกว่า

Colsto นำเสียงในวิดีโอมาสร้างเป็นสเปกโตรแกรม ซึ่งเป็นภาพแสดงความถี่ของเสียงตามเวลา สำหรับผู้ชมทั่วไป เสียงที่ได้ยินอาจมีเพียงเสียงนก เสียงลม หรือบรรยากาศเงียบ ๆ แต่เมื่อขยายดูข้อมูลเสียงอย่างละเอียด จะพบเส้นโค้งบางอย่างที่เกิดจากเครื่องบินกำลังบินผ่าน เส้นโค้งเหล่านี้เรียกว่า Doppler curve และสามารถบอกข้อมูลเกี่ยวกับการเคลื่อนที่ของเครื่องบินได้มากกว่าที่คาด

ยูทูบเบอร์ค้นหาเกือบทุกคนได้ด้วยเสียงเครื่องบินอย่างไร

ขั้นตอนแรกคือการดูว่าในช่วงเวลาที่บันทึกวิดีโอ มีเที่ยวบินใดอยู่บนท้องฟ้าบ้าง ข้อมูลส่วนหนึ่งมาจากระบบ Automatic Dependent Surveillance–Broadcast หรือ ADS-B ซึ่งเครื่องบินจำนวนมากใช้ส่งข้อมูลตำแหน่ง ความเร็ว และระดับความสูง ข้อมูลเหล่านี้ถูกนำไปจัดเก็บโดยบริการติดตามเที่ยวบิน เช่น OpenSky Network และเปิดให้ผู้สนใจนำไปวิเคราะห์ได้

เมื่อทราบช่วงเวลาที่เครื่องบินปรากฏในเสียง นักวิเคราะห์สามารถนำรูปแบบเสียงไปเปรียบเทียบกับเส้นทางบินที่เกิดขึ้นจริงได้ หากมีเครื่องบินสองลำปรากฏในคลิปห่างกันเป็นช่วงเวลาที่แน่นอน จำนวนตำแหน่งที่เป็นไปได้ก็จะเริ่มลดลง อย่างไรก็ตาม การค้นหายังไม่ง่าย เพราะในประเทศที่มีเที่ยวบินจำนวนมาก อาจมีพื้นที่หลายพันแห่งที่ได้ยินเครื่องบินสองลำในช่วงเวลาใกล้เคียงกัน

จุดสำคัญจึงอยู่ที่รายละเอียดของเส้นโค้งดอปเพลอร์ ไม่ใช่เพียงเวลาที่ได้ยินเสียงเท่านั้น รูปร่างของเส้นโค้งสามารถช่วยประเมินระยะห่างจากไมโครโฟน ความเร็วของเครื่องบิน และทิศทางการเคลื่อนที่ได้ นอกจากนี้ยังอาจบอกได้ว่าเครื่องบินกำลังเร่งความเร็ว ลดความเร็ว ไต่ระดับ ลดระดับ หรือเปลี่ยนทิศทางขณะบินผ่าน

จากเสียงเบา ๆ สู่การระบุตำแหน่ง

ในการสาธิต Colsto เริ่มจากวิดีโอที่มีภาพต้นไม้แบบความละเอียดต่ำ ผู้วิเคราะห์รู้เพียงว่าวิดีโอน่าจะถูกบันทึกในวันที่ 8 กันยายน และอยู่ในพื้นที่ภาคพื้นทวีปของสหรัฐอเมริกา เมื่อสำรวจเสียงในสเปกโตรแกรม เขาพบเส้นสัญญาณสองเส้นที่น่าจะมาจากเครื่องบิน โดยเส้นแรกกับเส้นที่สองห่างกันประมาณ 920 วินาที

ข้อมูลเบื้องต้นนี้ทำให้เกิดตำแหน่งผู้สมัครประมาณ 70,000 แห่ง จากนั้นจึงคัดกรองพื้นที่ที่มีเครื่องบินสองลำผ่านในช่วงเวลาห่างกัน 920 วินาที เหลือประมาณ 15,000 แห่ง การคัดกรองยังต้องตัดพื้นที่ที่ควรจะได้ยินเครื่องบินลำอื่นแต่กลับไม่มีสัญญาณในคลิปออกไปด้วย

ขั้นตอนสุดท้ายมีความละเอียดมากขึ้น นักวิเคราะห์ไม่ได้พยายามอ่านรายละเอียดเล็ก ๆ จากเส้นเสียงเพียงอย่างเดียว แต่ใช้วิธีสร้างแบบจำลองเส้นโค้งที่อาจเกิดขึ้นจากเที่ยวบินจำนวนมาก แล้วนำไปเปรียบเทียบกับเสียงจริง จากนั้นให้คะแนนแต่ละแบบจำลองตามระดับความใกล้เคียง วิธีนี้ช่วยลดจำนวนตัวเลือกลงจนเหลือตำแหน่งที่มีความเป็นไปได้สูงที่สุด

• ตรวจสอบช่วงเวลาที่บันทึกเสียงและวันที่ของวิดีโอ
• สร้างสเปกโตรแกรมเพื่อมองหาเสียงเครื่องบินที่มนุษย์อาจไม่ได้ยิน
• เปรียบเทียบเส้นโค้งดอปเพลอร์กับข้อมูล ADS-B
• วิเคราะห์ความเร็ว ระยะทาง ระดับความสูง และทิศทางของเครื่องบิน
• นำตำแหน่งที่ได้ไปตรวจสอบต่อด้วยแผนที่หรือภาพถนน

เมื่อได้เที่ยวบินและตำแหน่งที่สอดคล้องกันแล้ว ขั้นตอนสุดท้ายอาจเป็นการเปิด Google Street View เพื่อตรวจสอบอาคาร ถนน หรือตำแหน่งกล้องที่น่าจะใช้บันทึกวิดีโอ วิธีนี้ทำให้จากคลิปที่ดูเหมือนไม่มีข้อมูลสำคัญ สามารถนำไปสู่การระบุจุดถ่ายทำได้อย่างแม่นยำ

เทคนิคที่น่าทึ่งและความเสี่ยงด้านความเป็นส่วนตัว

แน่นอนว่าเทคนิคนี้มีข้อจำกัด การเริ่มต้นจากไฟล์เสียงเพียงอย่างเดียวโดยไม่รู้วัน เวลา หรือภูมิภาค จะทำให้มีข้อมูลจำนวนมหาศาลจนการค้นหาแทบเป็นไปไม่ได้ อีกทั้งเครื่องบินทุกลำไม่ได้ส่งข้อมูล ADS-B อย่างเปิดเผย และคุณภาพเสียงในวิดีโอก็อาจได้รับผลกระทบจากลม อาคาร ต้นไม้ หรือเสียงรบกวนอื่น ๆ

ถึงอย่างนั้น หากนักวิเคราะห์มีข้อมูลประกอบเพียงเล็กน้อย เช่น วันที่บันทึก คลิปมีความยาวเท่าไร หรือวิดีโอน่าจะมาจากประเทศใด เสียงเครื่องบินก็สามารถกลายเป็นเบาะแสที่ทรงพลังได้ เทคนิคนี้สะท้อนว่าเสียงพื้นหลังไม่ได้เป็นเพียงองค์ประกอบประกอบฉาก แต่ยังเป็นลายนิ้วมือของสถานที่และช่วงเวลาได้อีกด้วย

ผู้สร้างคอนเทนต์จึงควรระมัดระวังเมื่อเผยแพร่วิดีโอจากสถานที่ส่วนตัว โดยเฉพาะคลิปที่ต้องการปกปิดตำแหน่ง การตัดเสียงพื้นหลัง ลดรายละเอียดของช่วงเวลา หรือเผยแพร่หลังจากเวลาผ่านไปแล้ว อาจช่วยลดความเสี่ยงได้ อย่างไรก็ตาม ไม่มีวิธีใดรับประกันความเป็นส่วนตัวได้ทั้งหมด หากข้อมูลอื่นในภาพและเสียงยังเชื่อมโยงกันได้

เรื่องนี้เป็นตัวอย่างชัดเจนว่าเทคโนโลยีโอเพนซอร์สและข้อมูลสาธารณะสามารถนำมาใช้วิเคราะห์โลกจริงได้อย่างลึกซึ้ง ยูทูบเบอร์ค้นหาเกือบทุกคนได้ด้วยเสียงเครื่องบินอาจฟังดูเกินจริง แต่การทดลองของ Colsto แสดงให้เห็นว่าร่องรอยเล็ก ๆ ที่เราไม่ทันสังเกต อาจเพียงพอสำหรับการค้นหาตำแหน่ง เมื่อหลายแหล่งข้อมูลถูกนำมาประกอบกันอย่างเป็นระบบ

ในมุมมองของผู้เขียน เทคนิคนี้ทั้งน่าประทับใจและเตือนใจไปพร้อมกัน ก่อนเผยแพร่วิดีโอครั้งต่อไป ลองฟังเสียงพื้นหลังให้ละเอียดสักนิด เพราะเสียงที่คิดว่าไม่มีความหมาย อาจกำลังบอกโลกว่าคุณอยู่ที่ไหน

ที่มา – A YouTuber Figured Out How to Find Almost Anyone Using Airplane Sounds