MIT-Wissenschaftler haben eine Methode entwickelt, die Satellitenbilder der Zukunft erstellt, um zu beschreiben, wie eine Region nach einer möglichen Überschwemmung aussehen würde. Die Methode kombiniert ein generatives künstliches Intelligenzmodell mit einem physikbasierten Überschwemmungsmodell, um realistische Bilder einer Region aus der Vogelperspektive zu erstellen, die zeigen, wo es angesichts der Stärke des bevorstehenden Sturms wahrscheinlich zu Überschwemmungen kommen wird.
Die Arbeit wurde in der Zeitschrift IEEE Transactions on Geoscience and Remote Sensing veröffentlicht.
Als Test wandte das Team die Methode auf Houston an und erstellte Satellitenbilder, die zeigten, wie bestimmte Orte in der Stadt nach einem Sturm aussehen würden, der mit dem Hurrikan Harvey vergleichbar war, der die Region im Jahr 2017 heimsuchte. Das Team verglich diese generierten Bilder mit echten Satellitenbildern in denselben Regionen nach Harvey aufgenommen. Sie verglichen auch KI-generierte Bilder, die kein physikbasiertes Hochwassermodell enthielten.
Die durch Physik verbesserte Methode des Teams generierte realistischere und genauere Satellitenbilder künftiger Überschwemmungen. Die reine KI-Methode hingegen erzeugte Bilder von Überschwemmungen an Orten, an denen eine Überschwemmung physikalisch nicht möglich ist.
Bei der Methode des Teams handelt es sich um einen Proof of Concept, der einen Fall demonstrieren soll, in dem generative KI-Modelle in Kombination mit einem physikbasierten Modell realistische und zuverlässige Inhalte generieren können. Um die Methode auf andere Regionen anzuwenden, um Überschwemmungen durch zukünftige Stürme darzustellen, muss sie auf vielen weiteren Satellitenbildern trainiert werden, um zu erfahren, wie Überschwemmungen in anderen Regionen aussehen würden.
„Die Idee ist: Eines Tages könnten wir es vor einem Hurrikan einsetzen, wo es der Öffentlichkeit eine zusätzliche Ebene der Visualisierung bieten würde“, sagt Björn Lütjens, Postdoktorand am Department of Earth, Atmospheric and Environmental Sciences of Planets am MIT , der die Forschung während seiner Doktorandenzeit am MIT Department of Aeronautics and Astronautics (AeroAstro) leitete. Eine der größten Herausforderungen besteht darin, Menschen zur Evakuierung zu ermutigen, wenn sie in Gefahr sind. Vielleicht könnte dies eine weitere Visualisierung sein, die dazu beiträgt, diese Bereitschaft zu erhöhen.
Um das Potenzial der neuen Methode zu veranschaulichen, die sie „Earth Intelligence Engine“ nannten, stellte das Team sie anderen als Online-Ressource zum Ausprobieren zur Verfügung.
Co-Autoren der Studie am MIT sind Brandon Leshchinskiy; Aruna Sankaranarayanan; und Dava Newman, AeroAstro-Professorin und Direktorin des MIT Media Lab; sowie Mitarbeiter mehrerer Institutionen.
Die neue Studie ist eine Erweiterung der Bemühungen des Teams, generative KI-Tools zur Visualisierung zukünftiger Klimaszenarien einzusetzen.
„Die Bereitstellung einer hyperlokalen Perspektive auf das Klima scheint der effektivste Weg zu sein, unsere wissenschaftlichen Ergebnisse zu kommunizieren“, sagt Newman, Hauptautor der Studie. „Menschen beziehen sich auf ihre eigene Postleitzahl, auf ihre lokale Umgebung, in der ihre Familie und Freunde leben. Die Bereitstellung lokaler Klimasimulationen wird intuitiv, persönlich und relevant.
Für diese Studie verwendeten die Autoren ein Conditional Generative Adversarial Network (GAN), eine Art maschinelles Lernverfahren, das mithilfe zweier konkurrierender neuronaler Netze („Adversarial“) realistische Bilder erzeugen kann. Das erste „Generator“-Netzwerk wird auf Paaren realer Daten trainiert, beispielsweise Satellitenbildern vor und nach einem Hurrikan. Das zweite „Diskriminator“-Netzwerk wird dann darauf trainiert, echte Satellitenbilder von denen zu unterscheiden, die vom ersten Netzwerk synthetisiert wurden.
Jedes Netzwerk verbessert seine Leistung automatisch basierend auf dem Feedback des anderen Netzwerks. Die Idee ist also, dass ein solches widersprüchliches Hin und Her letztendlich synthetische Bilder hervorbringen sollte, die nicht von der Realität zu unterscheiden sind. Allerdings können GANs immer noch „Halluzinationen“ oder sachlich falsche Merkmale in einem ansonsten realistischen Bild hervorrufen, die nicht vorhanden sein sollten.
„Halluzinationen können den Betrachter in die Irre führen“, sagt Lütjens, der sich fragte, ob solche Halluzinationen vermieden werden könnten, damit generative KI-Tools darauf vertrauen könnten, Menschen zu informieren, insbesondere in risikosensiblen Szenarien. „Wir haben uns gefragt, wie wir diese generativen KI-Modelle im Kontext der Klimaauswirkungen nutzen könnten, wo es so wichtig ist, zuverlässige Datenquellen zu haben? »
