افزایش آمادگی برابر سیل با تصاویر ماهواره‌ای هوش مصنوعی

تصویرسازی از تأثیرات احتمالی یک طوفان بر منازل مردم، پیش از وقوع آن، می‌تواند به ساکنان کمک کند تا برای مقابله آماده شوند یا تصمیم بگیرند که آیا باید تخلیه شوند یا خیر؟

دانشمندان MIT (مؤسسه فناوری ماساچوست) روشی را توسعه داده‌اند که با استفاده از آن می‌توان تصاویری ماهواره‌ای از آینده تولید کرد و نشان داد که یک منطقه پس از وقوع سیلاب چگونه به نظر خواهد رسید. این روش، مدل هوش مصنوعی تولیدکننده را با یک مدل مبتنی بر فیزیک برای شبیه‌سازی سیلاب ترکیب می‌کند و تصاویری واقعی و از زاویه بالا ارائه می‌دهد که نشان می‌دهند با توجه به شدت طوفان پیش‌رو، سیلاب در کدام مناطق احتمالاً رخ خواهد داد.

این تیم روش خود را در هیوستون آزمایش کرده و تصاویر ماهواره‌ای شبیه‌سازی‌شده‌ای تولید کرده است که نشان می‌دهد برخی مناطق این شهر پس از طوفانی مشابه طوفان هاروی در سال ۲۰۱۷ چگونه خواهند بود. این تصاویر شبیه‌سازی‌شده با تصاویر واقعی ماهواره‌ای از همان مناطق پس از طوفان هاروی و همچنین با تصاویری که تنها توسط مدل هوش مصنوعی (بدون استفاده از مدل فیزیکی) تولید شده بود، مقایسه شده است.

نتایج نشان داد که روش تقویت‌شده با مدل فیزیکی، تصاویر واقعی‌تر و دقیق‌تری از سیلاب‌های آینده تولید کرده است. در مقابل، روش مبتنی بر هوش مصنوعی خالص، تصاویری از سیلاب تولید کرده بود که در برخی مناطق جغرافیایی، وقوع سیلاب در آنها از نظر فیزیکی غیرممکن بود.

این روش، تنها یک اثبات مفهوم است که نشان می‌دهد چگونه مدل‌های هوش مصنوعی تولیدکننده می‌توانند در صورت ترکیب با مدل‌های فیزیکی، محتوای واقعی و قابل اعتماد تولید کنند. برای استفاده از این روش در مناطق دیگر و شبیه‌سازی سیلاب‌های ناشی از طوفان‌های آینده، لازم است این مدل روی تعداد بیشتری از تصاویر ماهواره‌ای آموزش داده شود تا نحوه وقوع سیلاب در مناطق مختلف را یاد بگیرد.

کمک به آمادگی در برابر طوفان‌ها

بیورن لوئتیِنز؛ پژوهشگر فوق‌دکتری در دپارتمان علوم زمین، جو و سیاره‌شناسی MIT که رهبری این پژوهش را در دوران دانشجویی در دپارتمان هوافضا بر عهده داشت، می‌گوید: «ایده این است که روزی بتوانیم این روش را پیش از وقوع طوفان‌ها به کار بگیریم و لایه‌ای اضافی از اطلاعات تصویری برای عموم ارائه دهیم. یکی از بزرگ‌ترین چالش‌ها، تشویق مردم به تخلیه مناطق در معرض خطر است. شاید این تصاویر بتوانند سطح آمادگی را افزایش دهند.»

این تیم روش جدید خود، که “موتور هوش زمین” نام دارد، به صورت یک منبع آنلاین در دسترس عموم قرار داده است.

این مطالعه بخشی از تلاش‌های این گروه برای استفاده از ابزارهای هوش مصنوعی تولیدکننده در تصویرسازی سناریوهای آینده اقلیمی است.

دوا نیومن؛ استاد هوافضا و مدیر آزمایشگاه رسانه‌ای MIT، و نویسنده ارشد این مطالعه می‌گوید: «ارائه دیدگاهی محلی از تغییرات اقلیمی مؤثرترین روش برای انتقال نتایج علمی ماست. مردم با منطقه کدپستی خود، جایی که خانواده و دوستانشان زندگی می‌کنند، ارتباط بیشتری برقرار می‌کنند. شبیه‌سازی‌های محلی اقلیم باعث می‌شود نتایج شهودی‌تر، شخصی‌تر و قابل‌درک‌تر شوند.»

برای این مطالعه، پژوهشگران از یک شبکه تولیدکننده تقابلی شرطی (GAN) استفاده کردند. این روش یادگیری ماشینی، با استفاده از دو شبکه عصبی که به صورت رقابتی کار می‌کنند، می‌تواند تصاویر واقعی تولید کند. یکی از این شبکه‌ها به نام “تولیدکننده” با داده‌های واقعی، مانند تصاویر ماهواره‌ای قبل و بعد از طوفان، آموزش داده می‌شود. شبکه دیگر به نام “تفکیک‌کننده” نیز برای تشخیص بین تصاویر واقعی و شبیه‌سازی‌شده آموزش داده می‌شود.

این روش نشان‌دهنده راهی ملموس برای ترکیب یادگیری ماشینی با علم فیزیک است و می‌تواند نقشی مؤثر در تصمیم‌گیری‌های محلی و نجات جان افراد ایفا کند.

این پژوهش در مجله IEEE Transactions on Geoscience and Remote Sensing منتشر شده است.