在飓风肆虐前，如果能直观预见其对家园的潜在破坏，居民便能更从容地准备并作出撤离决定。麻省理工学院（MIT）的科学家近期研发出一种革命性方法，通过生成未来的卫星图像，精确描绘某地在可能发生的洪水事件后的景象。这一方法融合了生成式人工智能（AI）模型与基于物理的洪水模型，创造出逼真的地区鸟瞰图，清晰展示在即将来临的风暴强度下，哪些区域可能遭受洪水侵袭。
AI预见未来：洪水预警新篇章
作为测试案例，研究团队以休斯顿为对象，模拟了一场与2017年飓风哈维相似的风暴，并生成了卫星图像，展示了风暴过后该市部分区域的情况。他们将这些生成的图像与哈维袭击后拍摄的实际卫星图像进行了细致对比，同时还对比了仅依靠AI（未结合物理洪水模型）生成的图像。结果显示，结合了物理模型的AI图像更为真实准确，避免了在不可能发生洪水的地方出现错误预测。
物理强化AI：提升预测可信度
该团队的方法不仅是概念验证，更展示了生成式AI与物理模型结合所能产生的逼真、可信内容。为了将这一技术应用于其他地区，以预测未来风暴引发的洪水，还需利用更多卫星图像进行训练，以适应不同地区的洪水特征。
MIT地球、大气和行星科学系博士后Björn Lütjens领导了这项研究，他表示：“我们的目标是，在飓风来临前，为公众提供额外的可视化信息，帮助他们做出更明智的决定。撤离决策的挑战之一是让人们意识到危险，而这种可视化方法或许能提高他们的准备程度。”
地球智能引擎：在线尝试新工具
为了展示这一新方法的潜力，研究团队将其命名为“地球智能引擎”，并作为在线资源供公众尝试。这一工具是团队在利用生成式AI工具可视化未来气候情景方面的持续努力的成果。
研究成果今天发表在《IEEE地球科学和遥感学报》上，合著者包括MIT的Brandon Leschchinskiy、Aruna Sankaranarayanan以及AeroAstro教授兼MIT媒体实验室主任Dava Newman，还有来自多个机构的合作者。
本研究使用了条件生成对抗网络（GAN），这是一种通过两个相互竞争的神经网络生成逼真图像的机器学习方法。然而，GAN有时会产生“幻觉”，即在真实图像中引入不正确的特征。为了减少这些幻觉，提高AI生成图像的可信度，研究团队将GAN与基于物理的洪水模型相结合，生成了更为可靠的洪水预测图像。
决策者的新视角：从地图到卫星图像
传统上，决策者依靠彩色地图了解洪水可能发生的区域。然而，卫星图像提供了更为真实、情感吸引力更强的可视化效果。Lütjens指出：“我们想知道，卫星图像是否能为洪水预警增添新的维度，使其比传统地图更加生动、可信。”
通过物理强化的方法，研究团队成功生成了休斯顿周围的卫星图像，这些图像精确地描绘了洪水模型预测的洪水范围。Newman教授表示：“我们展示了如何将机器学习与物理学结合，用于风险敏感的用例，以保护人们免受伤害。我们期待将这些生成式AI工具交给当地社区的决策者，这可能产生重大影响，甚至挽救生命。”
研究支持
该研究得到了MIT葡萄牙项目、DAF-MIT人工智能加速器、美国国家航空航天局和谷歌云的支持。
