Visualizar os possíveis impactos de um furacão nas casas das pessoas antes que ele chegue pode ajudar os moradores a se prepararem e decidirem se devem evacuar.

Cientistas do MIT desenvolveram um método que gera imagens de satélite do futuro para descrever como uma região ficaria após um potencial evento de inundação. O método combina um modelo de inteligência artificial generativo com um modelo de inundação baseado em física para criar imagens realistas, de visão aérea, de uma região, mostrando onde a inundação provavelmente ocorrerá dada a força de uma tempestade que se aproxima.

Como um caso de teste, a equipe aplicou o método a Houston e gerou imagens de satélite retratando como certos locais ao redor da cidade ficariam após uma tempestade comparável ao furacão Harvey, que atingiu a região em 2017. A equipe comparou essas imagens geradas com imagens de satélite reais tiradas das mesmas regiões após o Harvey atingir. Eles também compararam imagens geradas por IA que não incluíam um modelo de inundação baseado em física.

O método reforçado pela física da equipe gerou imagens de satélite de futuras inundações que eram mais realistas e precisas. O método somente de IA, em contraste, gerou imagens de inundações em lugares onde inundações não são fisicamente possíveis.

O método da equipe é uma prova de conceito, destinada a demonstrar um caso em que modelos de IA generativos podem gerar conteúdo realista e confiável quando pareados com um modelo baseado em física. Para aplicar o método a outras regiões para descrever inundações de tempestades futuras, ele precisará ser treinado em muito mais imagens de satélite para aprender como as inundações seriam em outras regiões.

“A ideia é: um dia, poderíamos usar isso antes de um furacão, onde isso fornece uma camada de visualização adicional para o público”, diz Björn Lütjens, um pós-doutorado no Departamento de Ciências da Terra, Atmosféricas e Planetárias do MIT, que liderou a pesquisa enquanto era um estudante de doutorado no Departamento de Aeronáutica e Astronáutica do MIT (AeroAstro). “Um dos maiores desafios é encorajar as pessoas a evacuar quando estão em risco. Talvez esta possa ser outra visualização para ajudar a aumentar essa prontidão.”

Para ilustrar o potencial do novo método, que eles apelidaram de “Earth Intelligence Engine”, a equipe o disponibilizou  como um recurso online para que outros possam experimentar.

Os pesquisadores relatam seus resultados hoje no periódico IEEE Transactions on Geoscience and Remote Sensing . Os coautores do estudo do MIT incluem Brandon Leshchinskiy; Aruna Sankaranarayanan; e Dava Newman, professor de AeroAstro e diretor do MIT Media Lab; junto com colaboradores de várias instituições.

O novo estudo é uma extensão dos esforços da equipe para aplicar ferramentas de IA generativas para visualizar cenários climáticos futuros.

Para este estudo, os autores usam uma rede adversarial generativa condicional, ou GAN, um tipo de método de aprendizado de máquina que pode gerar imagens realistas usando duas redes neurais concorrentes, ou “adversárias”. A primeira rede “geradora” é treinada em pares de dados reais, como imagens de satélite antes e depois de um furacão. A segunda rede “discriminadora” é então treinada para distinguir entre as imagens de satélite reais e as sintetizadas pela primeira rede.

Cada rede melhora automaticamente seu desempenho com base no feedback da outra rede. A ideia, então, é que tal push and pull adversário deve, em última análise, produzir imagens sintéticas que são indistinguíveis da coisa real. No entanto, GANs ainda podem produzir "alucinações", ou características factualmente incorretas em uma imagem realista que não deveria estar lá.

“Alucinações podem enganar os espectadores”, diz Lütjens, que começou a se perguntar se tais alucinações poderiam ser evitadas, de modo que ferramentas de IA generativas pudessem ser confiáveis para ajudar a informar as pessoas, particularmente em cenários sensíveis a riscos. “Estávamos pensando: como podemos usar esses modelos de IA generativa em um cenário de impacto climático, onde ter fontes de dados confiáveis é tão importante?”

Em seu novo trabalho, os pesquisadores consideraram um cenário sensível a riscos no qual a IA generativa tem a tarefa de criar imagens de satélite de futuras inundações que podem ser confiáveis o suficiente para informar decisões sobre como se preparar e potencialmente evacuar pessoas para longe do perigo.

Normalmente, os formuladores de políticas podem ter uma ideia de onde as inundações podem ocorrer com base em visualizações na forma de mapas codificados por cores. Esses mapas são o produto final de um pipeline de modelos físicos que geralmente começa com um modelo de trajetória de furacão, que então alimenta um modelo de vento que simula o padrão e a força dos ventos sobre uma região local. Isso é combinado com um modelo de inundação ou tempestade que prevê como o vento pode empurrar qualquer corpo de água próximo para a terra. Um modelo hidráulico então mapeia onde as inundações ocorrerão com base na infraestrutura local de inundações e gera um mapa visual codificado por cores das elevações de inundação sobre uma região específica.

“A questão é: as visualizações de imagens de satélite podem adicionar outro nível a isso, que seja um pouco mais tangível e emocionalmente envolvente do que um mapa codificado por cores de vermelhos, amarelos e azuis, e ainda assim seja confiável?”, diz Lütjens.

A equipe primeiro testou como a IA generativa sozinha produziria imagens de satélite de futuras inundações. Eles treinaram uma GAN em imagens de satélite reais tiradas por satélites enquanto passavam por Houston antes e depois do furacão Harvey. Quando eles encarregaram o gerador de produzir novas imagens de inundações das mesmas regiões, eles descobriram que as imagens se assemelhavam a imagens de satélite típicas, mas um olhar mais atento revelou alucinações em algumas imagens, na forma de inundações onde inundações não deveriam ser possíveis (por exemplo, em locais em altitudes mais elevadas).

Para reduzir alucinações e aumentar a confiabilidade das imagens geradas por IA, a equipe emparelhou o GAN com um modelo de inundação baseado em física que incorpora parâmetros e fenômenos físicos reais, como a trajetória de um furacão se aproximando, tempestades e padrões de inundação. Com esse método reforçado pela física, a equipe gerou imagens de satélite ao redor de Houston que retratam a mesma extensão de inundação, pixel por pixel, conforme previsto pelo modelo de inundação.

“Mostramos uma maneira tangível de combinar aprendizado de máquina com física para um caso de uso que é sensível a riscos, o que exige que analisemos a complexidade dos sistemas da Terra e projetemos ações futuras e cenários possíveis para manter as pessoas longe do perigo”, diz Newman. “Mal podemos esperar para colocar nossas ferramentas de IA generativas nas mãos dos tomadores de decisão no nível da comunidade local, o que pode fazer uma diferença significativa e talvez salvar vidas.”

A pesquisa foi apoiada, em parte, pelo Programa MIT Portugal, pelo Acelerador de Inteligência Artificial DAF-MIT, pela NASA e pelo Google Cloud.