麻省理工学院的科学家们已经开发出一种方法，可以生成未来的卫星图像，来描绘一个地区在潜在的洪水事件发生后的样子。该方法将生成式人工智能模型与基于物理的洪水模型相结合，可以创建一个地区的真实鸟瞰图，显示在即将到来的风暴强度下可能发生洪水的地方。

作为测试案例，该团队将该方法应用于休斯顿，并生成了卫星图像，描绘了与2017年袭击该地区的飓风哈维相当的风暴之后，城市周围某些地点的样子。该团队将这些生成的图像与哈维袭击后同一地区的实际卫星图像进行了比较。他们还比较了人工智能生成的图像，这些图像不包括基于物理的洪水模型。

该团队的物理强化方法生成了未来洪水的卫星图像，更加真实和准确。相比之下，仅使用人工智能的方法可以在物理上不可能发生洪水的地方生成洪水图像。

该团队的方法是一种概念验证，旨在展示一个案例，在这个案例中，生成式人工智能模型与基于物理的模型相结合，可以生成真实、可信的内容。为了将该方法应用到其他地区来描绘未来风暴造成的洪水，它需要在更多的卫星图像上进行训练，以了解其他地区的洪水情况。

“我们的想法是：有一天，我们可以在飓风之前使用它，为公众提供额外的可视化层，”麻省理工学院地球、大气和行星科学系博士后Björn l<s:2> tjens说，他在麻省理工学院航空航天系（AeroAstro）攻读博士学位时领导了这项研究。“最大的挑战之一是鼓励人们在有危险时撤离。也许这可能是另一种有助于提高准备程度的可视化方法。”

为了说明这种被他们称为“地球智能引擎”的新方法的潜力，该团队已经将其作为在线资源提供给其他人尝试。

研究人员今天在《IEEE地球科学与遥感学报》上发表了他们的研究结果。该研究的麻省理工学院合著者包括布兰登·莱什钦斯基；一边抚摸Sankaranarayanan领导;航空航天学教授、麻省理工学院媒体实验室主任达瓦·纽曼；还有来自多个机构的合作者。

生成对抗图像

这项新研究是团队的努力的扩展应用生成人工智能工具来可视化未来气候情景。

该研究的资深作者纽曼说：“提供一个超局部的气候视角似乎是传达我们的科学结果的最有效方式。”“人们与自己的邮政编码、家人和朋友居住的当地环境联系在一起。提供当地气候模拟变得直观、个性化和相关。”

在这项研究中，作者使用了条件生成对抗网络（GAN），这是一种机器学习方法，可以使用两个竞争的或“对抗”的神经网络生成逼真的图像。第一个“生成器”网络是根据成对的真实数据进行训练的，比如飓风前后的卫星图像。然后训练第二个“鉴别器”网络来区分真实的卫星图像和由第一个网络合成的图像。

每个网络都会根据其他网络的反馈自动改进其性能。因此，这个想法是，这种对抗性的推拉最终应该产生与真实事物无法区分的合成图像。尽管如此，gan仍然可以产生“幻觉”，或者在原本不应该存在的真实图像中出现事实错误的特征。

“幻觉会误导观众，”l<s:2>特延斯说，他开始怀疑这种幻觉是否可以避免，这样一来，生成人工智能工具就可以被信任，帮助人们了解情况，尤其是在风险敏感的情况下。“我们在想：在拥有可信数据源如此重要的气候影响环境中，我们如何使用这些生成式人工智能模型？”

在他们的新工作中，研究人员考虑了一种风险敏感的场景，在这种场景中，生成式人工智能的任务是创建未来洪水的卫星图像，这些图像可能足够值得信赖，可以为如何准备和潜在地将人们撤离危险的决策提供信息。

通常，政策制定者可以根据彩色编码地图的可视化形式来了解洪水可能发生的地方。这些地图是一系列物理模型的最终产物，这些模型通常从飓风轨迹模型开始，然后输入到模拟当地地区风的模式和强度的风模型中。这与洪水或风暴潮模型相结合，预测风如何将附近的水体推向陆地。然后，一个水力模型根据当地的防洪基础设施绘制出洪水发生的位置，并生成一幅特定地区洪水高度的彩色可视化地图。

“问题是：卫星图像的可视化能否在此基础上再加一个层次，使其比红色、黄色和蓝色的彩色编码地图更切实、更有情感吸引力，同时仍然值得信赖？”Lutjens说。

该团队首先测试了人工智能如何单独生成未来洪水的卫星图像。他们用卫星在哈维飓风前后经过休斯顿时拍摄的实际卫星图像来训练GAN。当他们让生成器生成同一地区的新洪水图像时，他们发现这些图像与典型的卫星图像相似，但仔细观察会发现一些图像中有幻觉，以洪水的形式出现在不可能发生洪水的地方（例如，在海拔较高的地方）。

为了减少幻觉并提高人工智能生成图像的可信度，该团队将GAN与基于物理的洪水模型配对，该模型结合了真实的物理参数和现象，例如接近的飓风轨迹，风暴潮和洪水模式。通过这种物理强化的方法，研究小组生成了休斯顿周围的卫星图像，这些图像逐像素地描绘了洪水模型预测的相同洪水范围。

纽曼说：“我们展示了一种切实可行的方法，将机器学习与物理结合起来，用于风险敏感的用例，这需要我们分析地球系统的复杂性，并预测未来的行动和可能的场景，以使人们远离伤害。”“我们迫不及待地想把我们的生成式人工智能工具交到当地社区决策者手中，这可能会产生重大影响，甚至可能挽救生命。”

作者：Jennifer Chu b| MIT新闻

链接：https://news.mit.edu/2024/new-ai-tool-generates-realistic-satellite-images-future-flooding-1125

著作权归作者所有。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：152 6451 3609，邮箱：1027830374@qq.com

操作编辑信息