Nova ferramenta de IA gera imagens de satélite realistas de inundações futuras | Notícias do MIT

Visualizar os impactos 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 retratar como seria uma região após um potencial evento de inundação. O método combina um modelo generativo de inteligência synthetic com um modelo de inundação baseado na física para criar imagens realistas e panorâmicas de uma região, mostrando onde é provável que ocorram inundações, dada a força de uma tempestade que se aproxima.

Como caso de teste, a equipe aplicou o método a Houston e gerou imagens de satélite representando como seriam determinados locais da cidade após uma tempestade comparável ao furacão Harvey, que atingiu a região em 2017. A equipe comparou essas imagens geradas com imagens reais de satélite. imagens tiradas das mesmas regiões após o ataque de Harvey. Eles também compararam imagens geradas por IA que não incluíam um modelo de inundação baseado na física.

O método reforçado pela física da equipe gerou imagens de satélite de inundações futuras que eram mais realistas e precisas. O método apenas de IA, por outro lado, gerou imagens de inundações em locais onde as inundações não são fisicamente possíveis.

O método da equipe é uma prova de conceito, destinada a demonstrar um caso em que modelos generativos de IA podem gerar conteúdo realista e confiável quando combinados com um modelo baseado em física. Para aplicar o método a outras regiões para representar inundações causadas por tempestades futuras, será necessário treiná-lo em muito mais imagens de satélite para saber como seriam as inundações em outras regiões.

“A ideia é: um dia, poderemos usar isto antes de um furacão, onde fornecerá uma camada adicional de visualização para o público”, diz Björn Lütjens, pós-doutorado no Departamento de Ciências da Terra, Atmosféricas e Planetárias do MIT, que liderou a pesquisa enquanto ele period estudante de doutorado no Departamento de Aeronáutica e Astronáutica (AeroAstro) do MIT. “Um dos maiores desafios é encorajar as pessoas a evacuarem quando estão em risco. Talvez esta possa ser outra visualização para ajudar a aumentar essa prontidão.”

Para ilustrar o potencial do novo método, que eles apelidaram de “Earth Intelligence Engine”, a equipe o criou disponível como um recurso on-line para outros experimentarem.

Os pesquisadores relatar seus resultados hoje no jornal Transações IEEE sobre Geociências e Sensoriamento Remoto. Os coautores do estudo no MIT incluem Brandon Leshchinskiy; Aruna Sankaranarayanan; e Dava Newman, professora do AeroAstro e diretora do MIT Media Lab; junto com colaboradores de múltiplas instituições.

Imagens adversárias generativas

O novo estudo é uma extensão dos esforços da equipe para aplicar ferramentas generativas de IA para visualizar cenários climáticos futuros.

“Fornecer uma perspectiva hiperlocal do clima parece ser a forma mais eficaz de comunicar os nossos resultados científicos”, afirma Newman, autor sénior do estudo. “As pessoas se identificam com seu próprio CEP, com o ambiente native onde moram seus familiares e amigos. Fornecer simulações climáticas locais torna-se intuitivo, pessoal e identificável.”

Para este estudo, os autores usam uma rede adversária geradora 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 em pares de dados reais, como imagens de satélite antes e depois de um furacão. A segunda rede “discriminadora” é então treinada para distinguir entre as imagens reais de satélite e aquelas sintetizadas pela primeira rede.

Cada rede melhora automaticamente seu desempenho com base no suggestions da outra rede. A ideia, então, é que esse empurrão e puxão adversário produza, em última instância, imagens sintéticas que sejam indistinguíveis da realidade. No entanto, os GANs ainda podem produzir “alucinações” ou características factualmente incorretas em uma imagem que de outra forma seria realista e que não deveria estar ali.

“As alucinações podem enganar os espectadores”, afirma Lütjens, que começou a questionar-se se tais alucinações poderiam ser evitadas, de modo a que se pudesse confiar nas ferramentas generativas de IA para ajudar a informar as pessoas, especialmente em cenários sensíveis ao risco. “Estávamos pensando: como podemos usar esses modelos generativos de IA em um cenário de impacto climático, onde ter fontes de dados confiáveis ​​é tão importante?”

Alucinações de inundação

No seu novo trabalho, os investigadores consideraram um cenário sensível ao risco em que a IA generativa tem a tarefa de criar imagens de satélite de futuras inundações que possam ser suficientemente fiáveis ​​para informar decisões sobre como preparar e potencialmente evacuar as pessoas para fora de perigo.

Normalmente, os decisores políticos podem ter uma ideia de onde as inundações podem ocorrer com base em visualizações na forma de mapas codificados por cores. Esses mapas são o produto closing de um pipeline de modelos físicos que geralmente começa com um modelo de trajetória de furacão, que então alimenta um modelo de vento que simula o padrão e a força dos ventos em uma região native. Isto é combinado com um modelo de inundação ou tempestade que prevê como o vento pode empurrar qualquer corpo de água próximo para a terra. Um modelo hidráulico mapeia então onde as inundações ocorrerão com base na infraestrutura native de inundação e gera um mapa visible codificado por cores das elevações das inundações em uma determinada região.

“A questão é: as visualizações de imagens de satélite podem adicionar outro nível a isso, que seja um pouco mais tangível e emocionalmente envolvente do que um mapa codificado por cores de vermelhos, amarelos e azuis, embora ainda seja confiável?” Lütjens diz.

A equipe primeiro testou como a IA generativa por si só produziria imagens de satélite de inundações futuras. Eles treinaram um GAN em imagens reais tiradas por satélites enquanto passavam por Houston antes e depois do furacão Harvey. Quando encarregaram o gerador de produzir novas imagens de inundações das mesmas regiões, descobriram que as imagens se assemelhavam a imagens típicas de satélite, mas um olhar mais atento revelou alucinações em algumas imagens, na forma de inundações onde as inundações não deveriam ser possíveis (por exemplo, em locais em altitudes mais elevadas).

Para reduzir as alucinações e aumentar a confiabilidade das imagens geradas por IA, a equipe combinou o GAN com um modelo de inundação baseado na física que incorpora parâmetros e fenômenos físicos reais, como a trajetória de um furacão que se aproxima, tempestades e padrões de inundação. Com este método reforçado pela física, a equipe gerou imagens de satélite ao redor de Houston que retratam a mesma extensão da inundação, pixel por pixel, conforme previsto pelo modelo de inundação.

“Mostramos uma maneira tangível de combinar o aprendizado de máquina com a física para um caso de uso sensível ao risco, que exige que analisemos a complexidade dos sistemas da Terra e projetemos ações futuras e possíveis cenários para manter as pessoas fora de perigo”, diz Newman. “Mal podemos esperar para colocar as nossas ferramentas generativas de IA nas mãos dos decisores a nível da comunidade native, o que poderá fazer uma diferença significativa e talvez salvar vidas.”

A investigação foi apoiada, em parte, pelo Programa MIT Portugal, pelo DAF-MIT Synthetic Intelligence Accelerator, pela NASA e pelo Google Cloud.