Nieuwe AI-tool creëert realistische satellietbeelden van toekomstige overstromingen

Een generatief AI-model visualiseert hoe overstromingen in Texas eruit zouden zien op satellietbeelden. De originele foto staat links en het door AI gegenereerde beeld staat rechts. Dit onderzoek helpt bewoners zich voor te bereiden op mogelijke evacuaties bij aankomende orkanen.

Wetenschappers van MIT hebben een methode ontwikkeld die satellietbeelden van de toekomst genereert om te tonen hoe een regio eruit zou zien na een mogelijke overstroming. Deze methode combineert een generatief kunstmatig intelligentiemodel met een fysisch gebaseerd overstromingsmodel om realistische luchtfoto’s van een regio te creëren, die laat zien waar overstromingen waarschijnlijk zullen optreden, afhankelijk van de kracht van een naderende storm.

Als testcase heeft het team de methode toegepast op Houston en satellietbeelden gegenereerd die tonen hoe bepaalde locaties rondom de stad eruit zouden zien na een storm die vergelijkbaar is met orkaan Harvey, die de regio in 2017 trof. De gegenereerde beelden werden vergeleken met werkelijke satellietbeelden die na de passage van Harvey zijn genomen. Ook werden AI-gegenereerde beelden vergeleken die geen fysisch gebaseerd overstromingsmodel bevatten.

De fysica-versterkte methode van het team genereerde satellietbeelden van toekomstige overstromingen die realistischer en nauwkeuriger waren. De alleen door AI gegenereerde methode produceerde daarentegen beelden van overstromingen op plaatsen waar overstromingen fysiek niet mogelijk zijn.

Deze methode is een bewijs van het concept, bedoeld om aan te tonen dat generatieve AI-modellen realistische en betrouwbare inhoud kunnen genereren wanneer ze worden gekoppeld aan een fysisch model. Om de methode toe te passen op andere regio’s en overstromingen van toekomstige stormen te tonen, moet deze worden getraind op veel meer satellietbeelden om te leren hoe overstromingen eruit zouden zien in andere gebieden.

“Het idee is: Op een dag kunnen we dit gebruiken vóór een orkaan, waar het een extra visualisatielaag biedt voor het publiek,” zegt Björn Lütjens, een postdoc in de afdeling Aarde-, Atmosfeer- en Planetairwetenschappen van MIT, die het onderzoek leidde als doctoraalstudent in de afdeling Luchtvaart- en Ruimtevaarttechniek (AeroAstro). “Een van de grootste uitdagingen is om mensen aan te moedigen te evacueren wanneer ze in gevaar zijn. Misschien kan dit een andere visualisatie zijn om die bereidheid te vergroten.”

Om het potentieel van de nieuwe methode, die ze de “Earth Intelligence Engine” hebben genoemd, te illustreren, hebben ze deze beschikbaar gesteld als een online bron voor anderen om uit te proberen.

Generatieve tegenstrijdige beelden

De nieuwe studie is een uitbreiding van de inspanningen van het team om generatieve AI-tools toe te passen om toekomstige klimaatscenario’s te visualiseren. “Het bieden van een hyper-lokale perspectief van het klimaat lijkt de meest effectieve manier om onze wetenschappelijke resultaten te communiceren,” zegt Newman, de senior auteur van de studie. “Mensen identificeren zich met hun eigen postcode, hun lokale omgeving waar hun familie en vrienden wonen. Het bieden van lokale klimaatsimulaties wordt intuïtief, persoonlijk en herkenbaar.”

Voor deze studie gebruikten de auteurs een conditioneel generatief tegenstrijdig netwerk, of GAN, een soort machine learning-methode die realistische beelden kan genereren met behulp van twee concurrerende neurale netwerken. Het eerste “generator”-netwerk is getraind op paren van echte gegevens, zoals satellietbeelden vóór en na een orkaan. Het tweede “discriminator”-netwerk is vervolgens getraind om het onderscheid te maken tussen de echte satellietbeelden en de beelden die door het eerste netwerk zijn gesynthetiseerd.

Elk netwerk verbetert automatisch zijn prestaties op basis van feedback van het andere netwerk. Het idee is dat zo’n tegenstrijdige duw en trek uiteindelijk synthetische beelden zou moeten opleveren die niet van de echte dingen te onderscheiden zijn. Toch kunnen GAN’s nog steeds “hallucinaties” produceren, of feitelijk onjuiste kenmerken in een anders realistisch beeld die daar niet zouden moeten zijn.

Overstromingshallucinaties

In hun nieuwe werk beschouwden de onderzoekers een risico-gevoelig scenario waarin generatieve AI de taak krijgt om satellietbeelden van toekomstige overstromingen te creëren die betrouwbaar genoeg kunnen zijn om beslissingen te informeren over hoe mensen zich voor te bereiden en mogelijk te evacueren.

Typisch kunnen beleidsmakers een idee krijgen van waar overstromingen kunnen optreden op basis van visualisaties in de vorm van kleurgecodeerde kaarten. Deze kaarten zijn het eindproduct van een keten van fysieke modellen die meestal begint met een orkaansporingsmodel, dat vervolgens voeding geeft aan een windmodel dat het patroon en de sterkte van de winden over een lokale regio simuleert.

Dit wordt gecombineerd met een overstromings- of stormvloedmodel dat voorspelt hoe de wind een nabijgelegen waterlichaam op het land kan duwen. Een hydraulisch model brengt vervolgens in kaart waar overstromingen zullen optreden op basis van de lokale overstromingsinfrastructuur en genereert een visuele, kleurgecodeerde kaart van overstromingshoogtes over een bepaalde regio.

“De vraag is: Kunnen visualisaties van satellietbeelden een extra niveau toevoegen dat tastbaarder en emotioneel betrokken is dan een kleurgecodeerde kaart van rood, geel en blauw, terwijl het nog steeds betrouwbaar is?” zegt Lütjens.

Het team testte eerst hoe generatieve AI alleen satellietbeelden van toekomstige overstromingen zou produceren. Ze trainden een GAN op werkelijke satellietbeelden die door satellieten zijn genomen terwijl ze over Houston vlogen vóór en na orkaan Harvey. Toen ze de generator opdroegen om nieuwe overstromingsbeelden van dezelfde regio’s te produceren, ontdekten ze dat de beelden leken op typische satellietbeelden, maar een nadere blik onthulde hallucinaties in sommige beelden, in de vorm van overstromingen waar geen overstromingen mogelijk zouden moeten zijn (bijvoorbeeld op locaties op hogere hoogte).

Om hallucinaties te verminderen en de betrouwbaarheid van de AI-gegenereerde beelden te vergroten, koppelde het team de GAN aan een fysisch gebaseerd overstromingsmodel dat echte, fysieke parameters en fenomenen omvat, zoals de traject van een naderende orkaan, stormvloed en overstromingspatronen. Met deze fysica-versterkte methode genereerde het team satellietbeelden rond Houston die dezelfde overstromingsuitbreiding, pixel voor pixel, vertoonden als voorspeld door het overstromingsmodel.

“We tonen een tastbare manier om machine learning te combineren met fysica voor een use case die risico-gevoelig is, en die vereist dat we de complexiteit van de systemen van de aarde analyseren en toekomstige acties en mogelijke scenario’s projecteren om mensen uit gevaar te houden,” zegt Newman. “We kunnen niet wachten om onze generatieve AI-tools in handen van besluitvormers op lokaal niveau te krijgen, wat een significant verschil kan maken en misschien levens kan redden.”