借助人工智能的帮助,研究人员创造了一种技术,能够生成卫星图像,预测洪水事件后区域的可能样貌。
预测飓风对住宅可能造成的影响可以帮助居民提前做好准备,并决定是否撤离。
麻省理工学院的科学家们引入了一种新方法,以生成未来的卫星图像,展示洪水发生后某一地区可能的样貌。这种方法将生成对抗性人工智能模型与物理驱动的洪水模型结合在一起,以生成现实的区域航拍图像,突出可能被洪水淹没的地点,基于即将来临的风暴强度。
在他们的初步测试中,团队专注于休斯顿,生成卫星图像,展示在类似于2017年影响该地区的哈维飓风之后,城市不同地点可能的样貌。他们将生成的图像与哈维之后拍摄的同一地区的真实卫星照片进行了比较,并评估了不采用基于物理的洪水模型的人工智能生成的图像。
增强了物理模型的方法提供了比仅依赖人工智能的方法更准确和真实的未来洪水图像,后者生成的图像显示洪水出现在物理上不可能发生的地区。
该方法作为概念证明,展示了当生成对抗性人工智能模型与基于物理的框架结合时,可以信任其生成可靠内容。为了将此方法拓展到未来风暴影响的其他地区,该模型需要用更广泛的卫星图像数据集进行训练,以了解洪水在不同地方的表现。
麻省理工学院地球、气氛和行星科学系的博士后研究员比约恩·卢特金斯表示:“目标是有一天,在飓风来临之前,我们可以使用这个技术提供公众额外的可视化。”他在航空和宇航系攻读博士期间主导了这项研究。“一个重大挑战是在危险中鼓励人们撤离。也许这可以作为一个额外的可视化工具,增强这种准备。”
为了展示他们的新方法“地球智能引擎”的能力,团队已将其在线提供给他人探索。
研究人员今日在期刊《IEEE地球科学与遥感汇刊》上发表了他们的研究结果。来自麻省理工学院的共同作者包括布兰登·雷施金斯基;阿鲁纳·桑卡拉纳亚南;以及航空宇航系的教授和麻省理工学院媒体实验室主任达瓦·纽曼,以及来自不同机构的合作伙伴。
生成对抗图像
这项新研究扩展了团队利用生成性人工智能工具可视化潜在气候条件的努力。
研究的主要作者纽曼表示:“提供超本地的气候视图似乎是传达我们科学发现的最有效方式。人们与自己的邮政编码、周围环境、亲友所居住的地方产生联系。本地气候模拟变得直观、个人化和相关。”
在这项研究中,作者使用了条件生成对抗网络,或称GAN,这是一种机器学习方法,通过两个相互竞争的神经网络生成真实的图像。第一个网络被称为“生成器”,在实际数据对(例如飓风前后的卫星图像)上进行训练。第二个网络称为“鉴别器”,训练其区分真实卫星图像和生成器生成的图像。
每个网络在获得来自另一个网络的反馈时都会改进。因此,这种对抗互动的目标是生成与真实图像非常相似的合成图像。然而,GAN仍然可能产生“幻觉”,导致不应出现的细节出现在本应现实的图像中。
卢特金斯解释道:“幻觉可能会误导观众”,他开始考虑是否可以避免这些不准确,以使生成性人工智能工具在帮助告知个人的过程中可靠,特别是在高风险 сценариях中。“我们在考虑如何在与气候影响相关的背景下利用这些生成性人工智能模型,其中可靠数据至关重要。”
洪水幻觉
在他们最新的研究中,团队考察了一个具有风险敏感性的情况,即生成性人工智能生成的卫星图像可能足够可靠,以指导潜在受威胁个体的准备和撤离过程。
政策制定者通常依赖视觉辅助工具,如彩色编码地图,以获取潜在洪水位置的概念。这些地图代表了一系列物理模型的成果,从飓风轨迹模型开始,再与模拟某一地区风力模式和强度的风模型结合。这些信息与预测风如何将水冲到陆地的洪水或风暴潮模型相结合。最终,水力模型根据当地洪水管理系统确定可能的洪水区域,并生成该区域洪水高度的可视化彩色编码地图。
卢特金斯表示:“问题是:卫星图像可视化能否提供一个额外的层面,感觉比仅仅是彩色编码地图更具体、更具情感冲击,同时仍然可靠?”
团队最初评估了仅依赖生成性人工智能能否产生描述未来洪水的卫星图像。他们在飓风哈维前后捕获的真实卫星图像上训练了一个GAN。当被要求生成同一区域的新洪水图像时,生成器创造的图像类似于常规卫星图像,但经仔细检查后发现出现了幻觉,洪水出现在本不应被淹没的区域(如高海拔地区)。
为了减轻这些不准确并提高人工智能生成图像的可靠性,团队将GAN与考虑实际物理参数和现象的基于物理的洪水模型相结合,包括飓风的路径、风暴潮和洪水趋势。这种通过物理模型增强的方法使团队能够生成围绕休斯顿的卫星图像,准确描绘出与洪水模型预测的洪水范围一一对应的像素。
纽曼补充道:“我们展示了一种实用的方法,将机器学习与物理相结合,在需要风险敏感的情况下,分析地球复杂系统以预测未来行为和潜在场景,从而确保人们的安全。”他表示:“我们热衷于为本地社区决策者提供我们的生成性人工智能工具,这可能会显著影响甚至挽救生命。”
这项研究得到了麻省理工学院葡萄牙计划、DAF-MIT人工智能加速器、NASA和Google Cloud的部分支持。