Visualizar os efeitos potenciais de um furacão nas casas das pessoas antes que ele atinja pode ajudar os residentes a se prepararem e a decidirem se devem evacuar.
Cientistas do MIT desenvolveram um método que gera imagens de satélite do futuro para mostrar como a região pode lidar com um potencial evento de inundação. O método combina um modelo generativo de inteligência artificial com um modelo de inundação baseado na física para criar visões panorâmicas realistas da região, mostrando onde é provável que ocorram inundações, dada a força da tempestade que se aproxima.
Como caso de teste, a equipe usou o método em Houston e produziu imagens de satélite que mostram como ficariam certas áreas da cidade após uma tempestade comparável ao furacão Harvey, que atingiu a região em 2017. A equipe comparou essas imagens produzidas com o satélite real. fotos tiradas nos mesmos condados após o ataque de Harvey. Eles também compararam imagens geradas por IA que não incluíam um modelo de inundação baseado na física.
A abordagem baseada na física da equipe produziu imagens de satélite de inundações futuras que eram realistas e precisas. A abordagem baseada apenas na IA, por outro lado, produziu imagens de inundações em áreas onde as inundações são fisicamente impossíveis.
A abordagem da equipe é uma prova de conceito, destinada a demonstrar um cenário onde modelos generativos de IA podem produzir conteúdo realista e confiável quando combinados com um modelo baseado em física. Para utilizar o método noutras regiões para prever inundações causadas por tempestades futuras, será necessário treinar com múltiplas imagens de satélite para saber como poderão ser as inundações noutras regiões.
“A ideia é: um dia, poderemos usar isto antes de uma tempestade, onde forneceremos uma camada adicional de observação pública”, disse Björn Lütjens, pós-doutorado no Departamento de Ciências da Terra, Espaço e Planetárias do MIT, que liderou a pesquisa no tempo. foi estudante de doutorado no Departamento de Aeronáutica e Astronáutica (AeroAstro) do MIT. “Um dos maiores desafios é motivar as pessoas a sair do perigo. Talvez esta possa ser mais uma demonstração para ajudar a aumentar essa prontidão. “
Para demonstrar o poder do novo método, que eles chamam de “Global Intelligence Engine”, a equipe o disponibilizou como um recurso online para que outros possam experimentá-lo.
Os pesquisadores relatam seus resultados hoje na revista Transações IEEE sobre Geociências e Sensoriamento Remoto. Os co-autores do estudo no MIT incluem Brandon Leshchinskiy; Aruna Sankaranarayanan; e Dava Newman, professora da AeroAstro e diretora do MIT Media Lab; e colaboradores multiinstitucionais.
Imagens que produzem imagens conflitantes
A nova pesquisa é uma extensão dos esforços da equipe para usar ferramentas generativas de IA para visualizar climas futuros.
“Apresentar uma visão negativa do clima parece ser a forma mais eficaz de comunicar os nossos resultados científicos”, disse Newman, autor sénior do estudo. “As pessoas se identificam com seu CEP, a área local onde moram seus familiares e amigos. Fornecer simulações meteorológicas locais torna-se preciso, pessoal e relevante. “
Neste estudo, os autores usaram uma rede adversária condicional condicional, ou GAN, um tipo de método de aprendizado de máquina que pode gerar imagens realistas usando duas redes neurais concorrentes ou “adversárias”. A primeira rede “geradora” é treinada com pares de dados reais, como imagens de satélite antes e depois de uma tempestade. Uma segunda rede de “discriminação” é então treinada para distinguir entre a imagem real do satélite e aquela compilada pela primeira rede.
Cada rede melhora automaticamente seu desempenho com base no feedback da outra rede. Portanto, a ideia é que tal empurrão e puxão do oponente acabe produzindo imagens artificiais que são indistinguíveis da coisa real. Mesmo assim, os GANs ainda podem produzir “alucinações” ou características falsas sobre uma imagem irreal que não deveria existir.
“As alucinações podem enganar os telespectadores”, disse Lütjens, que começou a questionar-se se tais alucinações poderiam ser evitadas, para que se pudesse confiar em ferramentas artificiais de IA para ajudar a informar as pessoas, especialmente nas situações mais críticas. “Estávamos pensando: como podemos usar esses modelos generativos de IA no contexto do impacto climático, onde é muito importante ter fontes de dados confiáveis?”
Ideias para inundações
No seu novo trabalho, os investigadores consideraram uma situação crítica em que uma IA generativa é encarregada de criar imagens de satélite de futuras inundações que sejam suficientemente fiáveis para informar decisões sobre como se preparar e tirar as pessoas de perigo.
Freqüentemente, os formuladores de políticas podem ter uma ideia de onde é provável que ocorram inundações com base na visualização na forma de mapas codificados por cores. Esses mapas são o produto final de um conjunto de modelos físicos que normalmente começam com um modelo de trajetória de tempestade, que então alimenta um modelo de vento que simula o padrão e a força do vento na área local. Isso é combinado com um modelo de inundação ou tempestade que prevê como o vento empurrará qualquer corpo de água próximo para a superfície. O modelo hidráulico mapeia onde ocorrerão inundações com base na infra-estrutura local de inundação e produz um mapa visual, codificado por cores, da elevação da inundação numa determinada área.
“A questão é: as imagens de satélite podem adicionar outro nível a isso, mais tangível e emocional do que um mapa de cores vermelho, amarelo e azul, e ainda assim serem confiáveis?” Lütjens diz.
A equipe primeiro testou como a IA de produção por si só produziria imagens de satélite de inundações futuras. Eles treinaram o GAN em imagens reais de satélite tiradas por satélites enquanto passavam por Houston antes e depois do furacão Harvey. Quando encarregaram o gerador de gerar novas imagens de inundações das mesmas regiões, descobriram que as imagens se assemelhavam a uma imagem de satélite padrão, mas um olhar mais atento revelou falsos positivos em algumas imagens, na forma de inundações onde não deveria haver inundações ( por exemplo, nas terras altas).
Para reduzir ilusões e aumentar a confiabilidade das imagens geradas por IA, a equipe combinou o GAN com um modelo de inundação baseado na física que incorpora objetos e condições físicas reais, como o caminho de uma tempestade que se aproxima, tempestades e padrões de inundação. Com esta abordagem baseada na física, a equipe criou imagens de satélite ao redor de Houston que mostraram o mesmo nível de inundação, pixel por pixel, conforme previsto pelo modelo de inundação.
“Demonstramos uma maneira prática de combinar aprendizado de máquina e física em um caso de uso altamente sensível ao risco, que exige que analisemos a complexidade dos sistemas terrestres e projetemos ações e cenários futuros para manter as pessoas fora de perigo”, disse Newman. “Mal podemos esperar para colocar nossas ferramentas de IA nas mãos dos tomadores de decisão em nível comunitário local, o que pode fazer uma grande diferença e possivelmente salvar vidas”.
A investigação foi apoiada, em parte, pelo Programa MIT Portugal, pelo DAF-MIT Artificial Intelligence Accelerator, pela NASA e pelo Google Cloud.
