Новый инструмент ИИ создает реалистичные спутниковые изображения будущих наводнений

Ученые MIT разработали метод, который генерирует спутниковые изображения из будущего, чтобы показать, как регион будет выглядеть после потенциального затопления. Метод сочетает генеративную модель искусственного интеллекта с физической моделью наводнений для создания реалистичных изображений региона с высоты птичьего полета, демонстрирующих вероятные зоны затопления в зависимости от силы надвигающегося шторма.

Работа опубликована в журнале IEEE Transactions on Geoscience and Remote Sensing. В качестве тестового случая команда применила метод к Хьюстону и создала спутниковые изображения, показывающие, как определенные места вокруг города будут выглядеть после шторма, сопоставимого с ураганом «Харви», обрушившимся на регион в 2017 году. Сравнение с реальными снимками после урагана и с изображениями, сгенерированными только ИИ, показало, что физически подкрепленный метод команды создает более реалистичные и точные изображения будущих наводнений. Метод, основанный только на ИИ, в свою очередь, генерировал изображения затоплений в местах, где это физически невозможно.

Это исследование — доказательство концепции, демонстрирующее случай, когда генеративные модели ИИ могут создавать реалистичный и достоверный контент в паре с физической моделью. Для применения метода к другим регионам потребуется обучение на большем количестве спутниковых изображений. «Идея в том, что однажды мы сможем использовать это перед ураганом, где это обеспечит дополнительный визуальный слой для общественности», — говорит ведущий автор исследования Бьорн Лютженс. «Возможно, это станет еще одной визуализацией, которая поможет повысить готовность [к эвакуации]».

В исследовании использовалась условная генеративно-состязательная сеть (GAN). Чтобы повысить достоверность создаваемых ИИ изображений, команда объединила GAN с физической моделью наводнений, учитывающей реальные параметры, такие как траектория урагана, штормовой нагон и схемы затопления. «Мы показываем конкретный способ объединения машинного обучения с физикой для риск-чувствительного сценария, который требует анализа сложности земных систем и прогнозирования будущих действий», — отмечает старший автор исследования Дава Ньюман.