新人工智慧工具生成未來洪水的真實衛星影像 | 麻省理工學院新聞

颶風對人們家園的潛在影響

在颶風來襲之前，能夠想像它對人們家園的影響，可以幫助居民做好準備，並決定是否撤離。

麻省理工學院的研究

麻省理工學院 (MIT) 的科學家們開發了一種方法，可以生成未來的衛星影像，顯示某個地區在可能的洪水事件後會是什麼樣子。這種方法結合了生成式人工智慧模型和基於物理的洪水模型，創造出逼真的鳥瞰圖，顯示在即將來臨的風暴強度下，洪水可能發生的地點。

測試案例：休士頓

作為測試案例，研究團隊將這種方法應用於休士頓，生成了衛星影像，顯示在2017年颶風哈維 (Hurricane Harvey) 來襲後，城市周圍某些地點的樣子。團隊將這些生成的影像與哈維來襲後拍攝的實際衛星影像進行比較。他們還比較了不包含基於物理的洪水模型的人工智慧生成影像。

更真實的影像

團隊的基於物理的方法生成的未來洪水衛星影像更真實、更準確。相比之下，僅使用人工智慧的方法生成了在物理上不可能發生洪水的地方的影像。

未來的應用

這種方法是一個概念驗證，旨在展示生成式人工智慧模型在與基於物理的模型結合時，可以生成真實可信的內容。為了將這種方法應用於其他地區，描繪未來風暴的洪水，還需要在更多的衛星影像上進行訓練，以了解其他地區的洪水樣貌。

幫助居民撤離

麻省理工學院地球、氣候和行星科學系的博士後研究員比約恩·盧特延斯 (Björn Lütjens) 說：“這個想法是：有一天，我們可以在颶風來臨之前使用這個方法，為公眾提供額外的視覺化層。”他在麻省理工學院航空航天系 (AeroAstro) 擔任博士生時主導了這項研究。“最大的挑戰之一是鼓勵人們在面臨風險時撤離。也許這可以成為另一種視覺化，幫助提升人們的準備。”

地球智慧引擎

為了展示這種新方法的潛力，團隊將其稱為“地球智慧引擎”，並將其作為在線資源提供給其他人嘗試。

研究結果發表

研究人員今天在《IEEE地球科學與遙感期刊》上報告了他們的結果。麻省理工學院的共同作者包括布蘭登·列什金斯基 (Brandon Leshchinskiy)、阿魯納·桑卡拉納亞南 (Aruna Sankaranarayanan) 和達瓦·紐曼 (Dava Newman)，她是航空航天系的教授，也是麻省理工學院媒體實驗室的主任，還有來自多個機構的合作者。

生成對抗影像

這項新研究是團隊將生成式人工智慧工具應用於可視化未來氣候情境的延伸。

提供本地氣候視角

紐曼教授說：“提供超本地的氣候視角似乎是傳達我們科學結果的最有效方式。人們與自己的郵遞區號、與家人和朋友生活的當地環境有關聯。提供本地氣候模擬變得直觀、個人且易於理解。”

使用生成對抗網絡

在這項研究中，作者使用了一種條件生成對抗網絡（GAN），這是一種可以使用兩個競爭的神經網絡生成真實影像的機器學習方法。第一個“生成器”網絡基於真實數據的配對進行訓練，例如颶風前後的衛星影像。第二個“判別器”網絡則訓練來區分真實的衛星影像和第一個網絡合成的影像。

自動改進性能

每個網絡根據另一個網絡的反饋自動改進其性能。因此，這種對抗的推拉應該最終產生與真實影像無法區分的合成影像。然而，GAN仍然可能產生“幻覺”，即在其他方面真實的影像中出現不應該存在的事物。

避免幻覺

盧特延斯開始思考是否可以避免這種幻覺，讓生成式人工智慧工具在風險敏感的情境中能夠被信任，幫助告知人們。“我們在想：如何在氣候影響的情境中使用這些生成式人工智慧模型，因為擁有可信的數據來源是如此重要？”

洪水幻覺

在他們的新工作中，研究人員考慮了一個風險敏感的情境，其中生成式人工智慧被要求創建未來洪水的衛星影像，這些影像足夠可信，可以幫助決策如何準備和可能撤離人們以避開危險。

政策制定者的視覺化工具

通常，政策制定者可以根據彩色編碼地圖的視覺化來了解洪水可能發生的地點。這些地圖是基於物理模型的管道的最終產品，通常從颶風軌跡模型開始，然後進入模擬當地風的模式和強度的風模型。這與預測風如何將附近水體推向陸地的洪水或風暴潮模型相結合。然後，水力模型根據當地的洪水基礎設施繪製出洪水將發生的地點，並生成特定地區的洪水高度彩色編碼地圖。

增加視覺化的可信度

盧特延斯說：“問題是：衛星影像的視覺化能否增加另一個層次，比起紅色、黃色和藍色的彩色編碼地圖更具觸感和情感吸引力，同時仍然可信？”

生成洪水影像的測試

團隊首先測試了僅使用生成式人工智慧如何生成未來洪水的衛星影像。他們在颶風哈維來襲前後拍攝的實際衛星影像上訓練了GAN。當他們要求生成器生成相同地區的新洪水影像時，他們發現這些影像類似於典型的衛星影像，但仔細觀察後發現某些影像中出現了幻覺，例如在不應該發生洪水的地方出現洪水（例如，在較高的地勢上）。

結合物理模型

為了減少幻覺並提高人工智慧生成影像的可信度，團隊將GAN與基於物理的洪水模型結合，該模型考慮了真實的物理參數和現象，例如即將來臨的颶風的軌跡、風暴潮和洪水模式。使用這種基於物理的方法，團隊生成的衛星影像與洪水模型預測的洪水範圍逐像素一致。

未來的展望

紐曼說：“我們展示了一種將機器學習與物理結合的具體方法，這是一個風險敏感的用例，需要我們分析地球系統的複雜性並預測未來的行動和可能的情境，以保護人們免受傷害。我們迫不及待想將我們的生成式人工智慧工具交到地方社區決策者手中，這可能會帶來重大改變，甚至拯救生命。”

研究支持

這項研究部分得到了麻省理工學院葡萄牙計劃、DAF-MIT人工智慧加速器、NASA和Google Cloud的支持。