Búsqueda
Visualizar los posibles impactos que tendría un huracán en los hogares de las personas antes de que llegue puede ayudar a los residentes a prepararse y decidir si deben evacuar.
Científicos del MIT han desarrollado un método que genera imágenes satelitales del futuro para mostrar cómo sería una región después de un posible evento de inundación, cuyos detalles aparecen en el artículo “Generating Physically-Consistent Satellite Imagery for Climate Visualizations”, publicado en “IEEE Transactions on Geoscience and Remote Sensing”.
El método combina un modelo de inteligencia artificial generativa con un modelo físico de inundación para crear imágenes realistas desde una vista aérea de una región, mostrando dónde es probable que ocurra la inundación dada la fuerza de una tormenta inminente.
Como caso de prueba, el equipo aplicó el método a Houston y generó imágenes satelitales que representan cómo se verían ciertos lugares alrededor de la ciudad después de una tormenta comparable al huracán Harvey, que golpeó la región en 2017. El equipo comparó estas imágenes generadas con imágenes satelitales reales tomadas de las mismas regiones después de que Harvey impactara. También compararon imágenes generadas por IA que no incluían un modelo de inundación basado en física.
El método reforzado por física del equipo generó imágenes satelitales de inundaciones futuras que eran más realistas y precisas. En contraste, el método solo con IA generó imágenes de inundaciones en lugares donde no es físicamente posible que ocurra una inundación.
El método del equipo es una prueba de concepto, destinada a demostrar un caso en el que los modelos de IA generativa pueden generar contenido realista y confiable cuando se combinan con un modelo basado en la física. Para aplicar el método a otras regiones y mostrar las inundaciones de tormentas futuras, necesitará ser entrenado en muchas más imágenes satelitales para aprender cómo se verían las inundaciones en otras regiones.
“La idea es: un día, podríamos usar esto antes de un huracán, donde proporciona una capa de visualización adicional para el público”, dice Björn Lütjens, posdoctorado en el Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias del MIT, quien lideró la investigación mientras era estudiante de doctorado en el Departamento de Aeronáutica y Astronáutica del MIT (AeroAstro). “Uno de los mayores desafíos es alentar a las personas a evacuar cuando están en riesgo. Quizás esto podría ser otra visualización para ayudar a aumentar esa preparación”.
Para ilustrar el potencial del nuevo método, que han denominado “Motor de Inteligencia de la Tierra”, el equipo lo ha puesto a disposición como un recurso en línea para que otros puedan probarlo.
Los investigadores informan sus resultados hoy en la revista IEEE Transactions on Geoscience and Remote Sensing. Los co-autores del estudio del MIT incluyen a Brandon Leschchinskiy; Aruna Sankaranarayanan; y Dava Newman, profesora de AeroAstro y directora del MIT Media Lab; junto con colaboradores de varias instituciones.
Imágenes adversariales generativas
El nuevo estudio es una extensión de los esfuerzos del equipo por aplicar herramientas de IA generativa para visualizar futuros escenarios climáticos.
“Proporcionar una perspectiva hiperlocal del clima parece ser la forma más efectiva de comunicar nuestros resultados científicos”, dice Newman, coautor principal del estudio. “Las personas se relacionan con su propio código postal, su entorno local donde viven su familia y amigos. Proporcionar simulaciones climáticas locales se vuelve intuitivo, personal y relacionado”.
Para este estudio, los autores utilizan una red generativa adversarial condicional, o GAN, un tipo de método de aprendizaje automático que puede generar imágenes realistas utilizando dos redes neuronales que compiten entre sí, o “adversariales”. La primera red “generadora” se entrena con pares de datos reales, como imágenes satelitales antes y después de un huracán. La segunda red “discriminadora” se entrena para distinguir entre la imagen satelital real y la síntesis realizada por la primera red.
Cada red mejora automáticamente su rendimiento en función de la retroalimentación de la otra red. La idea, entonces, es que tal empuje y tirón adversarial debería producir, en última instancia, imágenes sintéticas que sean indistinguibles de la realidad. Sin embargo, las GAN aún pueden producir “alucinaciones”, o características factualmente incorrectas en una imagen de otro modo realista que no deberían estar allí.
“Las alucinaciones pueden confundir a los espectadores”, dice Lütjens, quien comenzó a preguntarse si tales alucinaciones podrían evitarse, de modo que las herramientas de IA generativa puedan ser confiables para ayudar a informar a las personas, particularmente en escenarios sensibles al riesgo. “Estábamos pensando: ¿Cómo podemos usar estos modelos de IA generativa en un contexto de impacto climático, donde tener fuentes de datos confiables es tan importante?”
Alucinaciones por inundación
En su nuevo trabajo, los investigadores consideraron un escenario sensible al riesgo en el que se le encarga a la IA generativa crear imágenes satelitales de inundaciones futuras que podrían ser lo suficientemente confiables como para informar decisiones sobre cómo prepararse y potencialmente evacuar a las personas fuera de peligro.
Por lo general, los responsables de las políticas pueden hacerse una idea de dónde pueden producirse inundaciones basándose en visualizaciones en forma de mapas codificados por colores. Estos mapas son el producto final de una serie de modelos físicos que suelen empezar con un modelo de trayectoria de huracanes, que luego alimenta un modelo de viento que simula el patrón y la fuerza de los vientos en una región local. Esto se combina con un modelo de inundaciones o marejadas ciclónicas que pronostica cómo el viento podría empujar cualquier masa de agua cercana hacia la tierra. A continuación, un modelo hidráulico traza un mapa de dónde se producirán inundaciones en función de la infraestructura local contra inundaciones y genera un mapa visual codificado por colores de las elevaciones de las inundaciones en una región en particular.
“La pregunta es: ¿pueden las visualizaciones de imágenes satelitales añadir otro nivel a esto, que sea un poco más tangible y emocionalmente atractivo que un mapa codificado por colores de rojos, amarillos y azules, sin dejar de ser fiable?”, dice Lütjens.