Die Visualisierung der potenziellen Auswirkungen eines Hurrikans auf die Häuser der Menschen, bevor er zuschlägt, kann den Bewohnern helfen, sich auf eine Evakuierung vorzubereiten und zu entscheiden.
MIT-Wissenschaftler haben eine Methode entwickelt, die Satellitenbilder aus der Zukunft erstellt, um darzustellen, wie eine Area nach einem möglichen Überschwemmungsereignis aussehen würde. Die Methode kombiniert ein generatives Modell der künstlichen Intelligenz mit einem physikbasierten Überschwemmungsmodell, um realistische Bilder einer Area aus der Vogelperspektive zu erstellen, die zeigen, wo es angesichts der Stärke eines herannahenden Sturms wahrscheinlich zu Überschwemmungen kommen wird.
Als Testfall wandte das Staff 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 struggle, der die Area im Jahr 2017 heimsuchte. Das Staff verglich diese generierten Bilder mit tatsächlichen Satellitenbildern Bilder, die von denselben Regionen nach dem Treffer von Harvey aufgenommen wurden. Sie verglichen auch KI-generierte Bilder, die kein physikbasiertes Hochwassermodell enthielten.
Die physikgestützte Methode des Groups erzeugte realistischere und genauere Satellitenbilder zukünftiger Überschwemmungen. Die reine KI-Methode hingegen erzeugte Bilder von Überschwemmungen an Orten, an denen eine Überschwemmung physikalisch nicht möglich ist.
Bei der Methode des Groups handelt es sich um einen Proof-of-Idea, der einen Fall demonstrieren soll, in dem generative KI-Modelle in Kombination mit einem physikbasierten Modell realistische, vertrauenswürdige 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 dies vor einem Hurrikan nutzen, wo es der Öffentlichkeit eine zusätzliche Visualisierungsebene bietet“, sagt Björn Lütjens, Postdoc am Division of Earth, Atmospheric and Planetary Sciences des MIT, der die Forschung während dieser Zeit leitete Er struggle Doktorand in der Abteilung für Luft- und Raumfahrttechnik (AeroAstro) des MIT. „Eine der größten Herausforderungen besteht darin, Menschen zur Evakuierung zu ermutigen, wenn sie in Gefahr sind. Vielleicht könnte dies eine weitere Visualisierung sein, um diese Bereitschaft zu erhöhen.“
Um das Potenzial der neuen Methode zu veranschaulichen, die sie „Earth Intelligence Engine“ getauft haben, hat das Staff sie entwickelt verfügbar als On-line-Ressource für andere zum Ausprobieren.
Die Forscher berichten heute im Journal über ihre Ergebnisse IEEE-Transaktionen zu Geowissenschaften und Fernerkundung. Zu den MIT-Co-Autoren der Studie gehören Brandon Leshchinskiy; Aruna Sankaranarayanan; und Dava Newman, Professorin für AeroAstro und Direktorin des MIT Media Lab; zusammen mit Mitarbeitern mehrerer Institutionen.
Generative kontradiktorische Bilder
Die neue Studie ist eine Erweiterung der Bemühungen des Groups, generative KI-Instruments zur Visualisierung zukünftiger Klimaszenarien einzusetzen.
„Die Bereitstellung einer hyperlokalen Perspektive des Klimas scheint der effektivste Weg zu sein, unsere wissenschaftlichen Ergebnisse zu kommunizieren“, sagt Newman, der leitende Autor der Studie. „Die Menschen beziehen sich auf ihre eigene Postleitzahl, ihre lokale Umgebung, in der ihre Familie und Freunde leben. Die Bereitstellung lokaler Klimasimulationen wird intuitiv, persönlich und nachvollziehbar.“
Für diese Studie verwenden die Autoren ein bedingtes generatives gegnerisches Netzwerk (GAN), eine Artwork maschinelles Lernverfahren, das mithilfe zweier konkurrierender oder „gegnerischer“ neuronaler Netze 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, zwischen den echten Satellitenbildern und den vom ersten Netzwerk synthetisierten Bildern zu unterscheiden.
Jedes Netzwerk verbessert seine Leistung automatisch basierend auf dem Suggestions des anderen Netzwerks. Die Idee ist additionally, dass ein solches kontradiktorisches Hin und Her letztendlich synthetische Bilder hervorbringen sollte, die von der Realität nicht zu unterscheiden sind. Dennoch können GANs immer noch „Halluzinationen“ oder sachlich falsche Merkmale in einem ansonsten realistischen Bild erzeugen, die nicht vorhanden sein sollten.
„Halluzinationen können den Betrachter in die Irre führen“, sagt Lütjens, der sich zu fragen begann, ob solche Halluzinationen vermieden werden könnten, sodass generative KI-Instruments darauf vertrauen können, Menschen zu informieren, insbesondere in risikosensiblen Szenarien. „Wir haben uns überlegt: Wie können wir diese generativen KI-Modelle in einem Umfeld mit Klimaauswirkungen einsetzen, wo es so wichtig ist, vertrauenswürdige Datenquellen zu haben?“
Überschwemmungshalluzinationen
In ihrer neuen Arbeit betrachteten die Forscher ein risikosensitives Szenario, in dem generative KI die Aufgabe hat, Satellitenbilder zukünftiger Überschwemmungen zu erstellen, die vertrauenswürdig genug sein könnten, um Entscheidungen darüber zu treffen, wie Menschen vorbereitet und möglicherweise aus der Gefahrenzone evakuiert werden.
In der Regel können sich politische Entscheidungsträger anhand von Visualisierungen in Kind von farbcodierten Karten ein Bild davon machen, wo es zu Überschwemmungen kommen könnte. Diese Karten sind das Endprodukt einer Pipeline physikalischer Modelle, die normalerweise mit einem Hurrikanbahnmodell beginnt, das dann in ein Windmodell einfließt, das das Muster und die Stärke der Winde über einer lokalen Area simuliert. Dies wird mit einem Hochwasser- oder Sturmflutmodell kombiniert, das vorhersagt, wie der Wind ein nahegelegenes Gewässer an Land drücken könnte. Ein hydraulisches Modell kartiert dann anhand der lokalen Hochwasserinfrastruktur, wo es zu Überschwemmungen kommen wird, und erstellt eine visuelle, farbcodierte Karte der Überschwemmungshöhen über einer bestimmten Area.
„Die Frage ist: Können Visualisierungen von Satellitenbildern eine weitere Ebene hinzufügen, die etwas greifbarer und emotional ansprechender ist als eine farbcodierte Karte mit Rot-, Gelb- und Blautönen und dennoch vertrauenswürdig ist?“ Sagt Lütjens.
Das Staff testete zunächst, wie generative KI allein Satellitenbilder zukünftiger Überschwemmungen erstellen würde. Sie trainierten ein GAN auf tatsächlichen Satellitenbildern, die von Satelliten aufgenommen wurden, als sie vor und nach Hurrikan Harvey über Houston flogen. Als sie den Generator beauftragten, neue Überschwemmungsbilder derselben Regionen zu erstellen, stellten sie fest, dass die Bilder typischen Satellitenbildern ähnelten. Bei näherer Betrachtung entdeckten sie jedoch Halluzinationen in einigen Bildern in Kind von Überschwemmungen, wo Überschwemmungen eigentlich nicht möglich sein sollten (z. B. an Orten in höheren Lagen).
Um Halluzinationen zu reduzieren und die Vertrauenswürdigkeit der KI-generierten Bilder zu erhöhen, kombinierte das Staff das GAN mit einem physikbasierten Überschwemmungsmodell, das reale, physikalische Parameter und Phänomene wie die Flugbahn eines herannahenden Hurrikans, Sturmfluten und Überschwemmungsmuster berücksichtigt. Mit dieser physikgestützten Methode erstellte das Staff Satellitenbilder rund um Houston, die Pixel für Pixel das gleiche Ausmaß der Überschwemmung darstellen, wie es das Überschwemmungsmodell vorhersagt.
„Wir zeigen einen konkreten Weg, maschinelles Lernen mit Physik für einen risikosensitiven Anwendungsfall zu kombinieren, der von uns verlangt, die Komplexität der Erdsysteme zu analysieren und zukünftige Aktionen und mögliche Szenarien zu projizieren, um Menschen vor Gefahren zu bewahren“, sagt Newman. „Wir können es kaum erwarten, unsere generativen KI-Instruments in die Hände von Entscheidungsträgern auf lokaler Gemeindeebene zu bringen, was einen erheblichen Unterschied machen und vielleicht Leben retten könnte.“
Die Forschung wurde teilweise vom MIT Portugal-Programm, dem DAF-MIT Synthetic Intelligence Accelerator, der NASA und Google Cloud unterstützt.