在飓风袭击之前直观地了解飓风对人们房屋的潜在影响可以帮助居民做好准备并决定是否撤离。
麻省理工学院的科学家开发了一种方法，可以生成未来的卫星图像，以描绘一个地区如何应对潜在的洪水事件。该方法将生成人工智能模型与基于物理的洪水模型相结合，创建一个区域的逼真的鸟瞰图像，显示考虑到即将到来的风暴的强度，哪里可能发生洪水。
作为一个测试案例，该团队将该方法应用于休斯敦，并生成了卫星图像，描绘了在一场与 2017 年袭击该地区的飓风哈维相当的风暴之后该城市周围某些地点的样子。该团队将这些生成的图像与实际的卫星图像进行了比较哈维袭击后同一地区拍摄的图像。他们还比较了人工智能生成的图像，这些图像不包含基于物理的洪水模型。
该团队的物理强化方法生成了更加真实和准确的未来洪水的卫星图像。相比之下，纯人工智能方法可以在物理上不可能发生洪水的地方生成洪水图像。
该团队的方法是一种概念验证，旨在演示生成式 AI 模型与基于物理的模型配合使用时可以生成真实、值得信赖的内容的情况。为了将该方法应用于其他区域，为了描绘未来风暴造成的洪水，它需要接受更多卫星图像的训练，以了解其他地区的洪水情况。
“这个想法是：有一天，我们可以在飓风来临之前使用它，它为公众提供了一个额外的可视化层，”麻省理工学院地球、大气系的博士后 Björn Lütjens 说道。他在麻省理工学院航空航天系 (AeroAstro) 攻读博士生期间领导了这项研究。– 最大的挑战之一是鼓励人们在面临危险时撤离。也许这可能是另一种有助于提高准备程度的可视化。”
为了说明这种新方法的潜力，他们将其称为“地球智能引擎”，该团队已经将其称为“地球智能引擎” 可用的作为供其他人尝试的在线资源。
研究人员今天在期刊上报告他们的结果IEEE 地球科学与遥感学报该研究的麻省理工学院合著者包括 Brandon Leshchinskiy；阿鲁纳·桑卡拉纳拉亚南；以及 AeroAstro 教授兼麻省理工学院媒体实验室主任达瓦·纽曼 (Dava Newman)；以及来自多个机构的合作者。
生成对抗性图像
这项新研究是该团队应用生成式人工智能工具来可视化未来气候情景的努力的延伸。
“提供超本地化的气候视角似乎是传播我们的科学成果的最有效方式，”该研究的资深作者纽曼说。– 人们与自己的邮政编码、家人和朋友居住的当地环境相关。提供当地气候模拟变得直观、个性化且具有相关性。 –
在这项研究中，作者使用了条件生成对抗网络（GAN），这是一种机器学习方法，可以使用两个竞争或“对抗”神经网络生成逼真的图像。第一个“生成器”网络根据成对的真实数据进行训练，例如飓风前后的卫星图像。然后训练第二个“鉴别器”网络来区分真实的卫星图像和第一个网络合成的图像。
每个网络都会根据其他网络的反馈自动提高其性能。那么，我们的想法是，这种对抗性的推拉最终应该产生与真实图像无法区分的合成图像。尽管如此，GAN 仍然会在原本不应该出现的真实图像中产生“幻觉”或事实上不正确的特征。
“幻觉可能会误导观众，”吕特金斯说，他开始怀疑是否可以避免这种幻觉，这样可以信任生成式人工智能工具来帮助人们了解情况，特别是在风险敏感的场景中。“我们在想：在气候影响的环境中，拥有可信的数据源如此重要，我们如何才能使用这些生成式人工智能模型？”
洪水幻觉
在他们的新工作中，研究人员考虑了一种风险敏感的场景，其中生成式人工智能的任务是创建未来洪水的卫星图像，这些图像足够可靠，可以为如何做好准备以及如何将人员疏散出危险的决策提供信息。
通常，政策制定者可以根据颜色编码地图形式的可视化了解可能发生洪水的位置。这些地图是物理模型管道的最终产品，通常从飓风路径模型开始，然后输入到风模型中，模拟当地地区的风的模式和强度。这与洪水或风暴相结合浪涌模型预测风如何将附近的水体推到陆地上。然后，水力模型根据当地的洪水基础设施绘制出洪水发生的位置，并生成特定区域洪水高度的可视化、颜色编码的地图。
– 问题是：卫星图像的可视化是否可以为此增加另一个层次，即比红色、黄色和蓝色的颜色编码地图更具体、更具情感吸引力，同时仍然值得信赖？ – Lütjens说。
该团队首先测试了生成式人工智能如何单独生成未来洪水的卫星图像。他们利用卫星在飓风“哈维”前后经过休斯顿时拍摄的实际卫星图像来训练 GAN。当他们要求生成器生成同一地区的新洪水图像时，他们发现这些图像类似于典型的卫星图像，但仔细观察会发现某些图像中存在幻觉，以洪水的形式出现，而洪水是不可能发生的（例如，在海拔较高的地方）。
为了减少幻觉并提高人工智能生成图像的可信度，该团队将 GAN 与基于物理的洪水模型配对，该模型包含真实的物理参数和现象，例如逼近的飓风轨迹、风暴潮和洪水通过这种物理强化的方法，该团队生成了休斯顿周围的卫星图像，这些图像逐像素地描绘了洪水模型预测的相同洪水范围。
– 我们展示了一种将机器学习与物理学结合起来的切实方法，用于风险敏感的用例，这要求我们分析地球系统的复杂性并预测未来的行动和可能的场景，以将人们拒之门外纽曼说。“我们迫不及待地希望将我们的生成式人工智能工具交到当地社区层面的决策者手中，这可能会产生重大影响，甚至可能拯救生命。”
该研究得到了麻省理工学院葡萄牙项目、DAF-MIT 人工智能加速器、NASA 和 Google Cloud 的部分支持。