Visualização antecipada para preparação
Visualizar os impactos potenciais de um furacão nas residências antes de sua chegada pode ajudar os moradores a se prepararem e decidirem se devem evacuar.eds
Inovação do MIT na previsão de desastres
Cientistas do MIT desenvolveram um método que gera imagens de satélite do futuro para mostrar como uma região ficaria após um possível evento de inundação. O método combina um modelo de inteligência artificial generativa com um modelo de inundação baseado em física para criar imagens realistas de uma região, indicando onde é provável que ocorra inundação, dada a força de uma tempestade iminente.
Como caso de teste, a equipe aplicou o método em Houston e gerou imagens de satélite mostrando como certos locais da cidade ficariam após uma tempestade comparável ao furacão Harvey, que atingiu a região em 2017. As imagens geradas foram comparadas com imagens reais de satélite tiradas das mesmas regiões após o Harvey. Também foram comparadas imagens geradas por IA que não incluíam um modelo de inundação baseado em física.
Precisão aprimorada com reforço físico
O método reforçado com física gerou imagens de satélite de inundações futuras mais realistas e precisas. O método que utilizava apenas IA, em contraste, gerou imagens de inundações em locais onde isso não seria fisicamente possível.
O método é uma prova de conceito, demonstrando que modelos de IA generativa podem gerar conteúdo realista e confiável quando combinados com um modelo baseado em física. Para aplicá-lo a outras regiões e prever inundações de tempestades futuras, será necessário treinar o método com mais imagens de satélite para aprender como a inundação ocorreria em outras áreas.
Perspectivas futuras e aplicação prática
“A ideia é: um dia, poderíamos usar isso antes de um furacão, fornecendo uma camada adicional de visualização para o público,” afirma Björn Lütjens, pós-doutorando no Departamento de Ciências da Terra, Atmosféricas e Planetárias do MIT, que liderou a pesquisa enquanto era doutorando no Departamento de Aeronáutica e Astronáutica do MIT (AeroAstro). “Um dos maiores desafios é encorajar as pessoas a evacuarem quando estão em risco. Talvez isso pudesse ser outra forma de visualização para ajudar a aumentar essa prontidão.”
Para ilustrar o potencial do novo método, apelidado de “Earth Intelligence Engine”, a equipe disponibilizou-o como um recurso online para que outros possam experimentá-lo.
Detalhes técnicos e aprimoramento da IA
Os pesquisadores relatam seus resultados no jornal IEEE Transactions on Geoscience and Remote Sensing. Os co-autores do MIT incluem Brandon Leshchinskiy, Aruna Sankaranarayanan e Dava Newman, professor de AeroAstro e diretor do MIT Media Lab, juntamente com colaboradores de várias instituições.
Imagens adversariais generativas
O novo estudo é uma extensão dos esforços da equipe para aplicar ferramentas de IA generativa na visualização de cenários climáticos futuros.
“Fornecer uma perspectiva hiperlocal do clima parece ser a maneira mais eficaz de comunicar nossos resultados científicos,” diz Newman, o autor sênior do estudo. “As pessoas se relacionam com seu próprio CEP, com o ambiente local onde vivem suas famílias e amigos. Fornecer simulações climáticas locais torna-se intuitivo, pessoal e relacionável.”
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 reais de satélite e as sintetizadas pela primeira rede.
Cada rede melhora automaticamente seu desempenho com base no feedback da outra rede, visando produzir imagens sintéticas indistinguíveis das reais. No entanto, GANs ainda podem produzir “alucinações”, ou características factualmente incorretas em uma imagem que, de outra forma, pareceria realista.
Reduzindo alucinações em previsões de inundação
Para reduzir essas alucinações e aumentar a confiabilidade das imagens geradas pela IA, a equipe combinou o GAN com um modelo de inundação baseado em física que incorpora parâmetros físicos reais, como a trajetória de um furacão, a maré de tempestade e os padrões de inundação. Com este método reforçado por física, a equipe gerou imagens de satélite em Houston que mostram 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 ao risco, o que nos obriga a analisar a complexidade dos sistemas terrestres e projetar ações futuras e possíveis cenários para manter as pessoas fora de perigo,” diz Newman. “Estamos ansiosos para colocar nossas ferramentas de IA generativa nas mãos dos tomadores de decisão em nível comunitário local, o que pode fazer uma diferença significativa e, talvez, salvar vidas.”
A pesquisa foi apoiada, em parte, pelo Programa MIT Portugal, o DAF-MIT Artificial Intelligence Accelerator, a NASA e o Google Cloud.
