Der überschwemmte Kabul-Fluss, aufgenommen von einem Satelliten des in San Francisco ansässigen Unternehmens Planet am 28. August 2022.(Bildnachweis: Planet Labs PBC)
MIT-Wissenschaftler entwickeln ein Werkzeug der künstlichen Intelligenz (KI), das realistische Satellitenbilder von potenziellen Überschwemmungsszenarien erstellt.
Das Tool kombiniert ein generatives KI-Modell mit einem physikalisch basierten Hochwassermodell, um überschwemmungsgefährdete Gebiete vorherzusagen und dann detaillierte Bilder aus der Vogelperspektive zu erstellen, wie die Region nach der Überschwemmung aussehen könnte, basierend auf der Stärke eines herannahenden Sturms.
„Die Idee ist, dass wir dies eines Tages vor einem Hurrikan verwenden könnten, wo es eine zusätzliche Visualisierungsebene für die Öffentlichkeit bietet“, sagte Björn Lütjens, ein Postdoc in der Abteilung für Erd-, Atmosphären- und Planetenwissenschaften am Massachusetts Institute of Technology (MIT), in einer Erklärung.
„Eine der größten Herausforderungen ist es, die Menschen zu ermutigen, zu evakuieren, wenn sie gefährdet sind“, fügte Lütjens hinzu, der die Forschung während seiner Zeit als Doktorand am MIT Department of Aeronautics and Astronautics (AeroAstro) leitete. „Vielleicht könnte dies eine weitere Visualisierung sein, um diese Bereitschaft zu erhöhen.“
Das Team trainierte ein maschinelles Lernmodell mit der Bezeichnung „Conditional Generative Adversarial Network“, kurz GAN, das mit Hilfe von zwei gegeneinander arbeitenden neuronalen Netzen realistische Bilder erzeugt.
Das erste Netz, der „Generator“, lernt durch das Studium realer Beispiele, wie z. B. Satellitenbilder von Gebieten vor und nach einem Wirbelsturm. Das zweite Netzwerk, der „Diskriminator“, fungiert als Kritiker und versucht, die echten Bilder von den vom Generator erzeugten Fälschungen zu unterscheiden. Gemeinsam verbessern sie sich, bis die erzeugten Bilder überzeugend realistisch aussehen.
Jedes Netz lernt und verbessert sich automatisch auf der Grundlage des Feedbacks des anderen. Dieses Hin-und-Her-Verfahren zielt darauf ab, synthetische Bilder zu erstellen, die nahezu identisch mit realen Bildern sind.
Allerdings erzeugen GANs manchmal „Halluzinationen“ – Merkmale in den Bildern, die real aussehen, aber faktisch falsch sind oder nicht vorhanden sein sollten.
„Halluzinationen können den Betrachter in die Irre führen“, so Lütjens. „Wir haben uns überlegt: Wie können wir diese generativen KI-Modelle in einem Umfeld nutzen, in dem Klimaauswirkungen eine Rolle spielen und vertrauenswürdige Datenquellen so wichtig sind?“
Da kommt das Physikmodell ins Spiel.
Um die Glaubwürdigkeit ihres Modells zu demonstrieren, wendeten die Forscher es auf ein Szenario für Houston an und erstellten Satellitenbilder von Überschwemmungen in der Stadt nach einem Sturm, der von der Stärke her mit Hurrikan Harvey vergleichbar ist, der 2017 tatsächlich auftrat. Anschließend verglichen sie ihre KI-generierten Bilder mit tatsächlichen Satellitenbildern sowie mit Bildern, die ohne die Hilfe des physikalischen Flutmodells erstellt wurden.
Es überrascht nicht, dass die KI-Bilder ohne die Hilfe des Physikmodells sehr ungenau waren und zahlreiche „Halluzinationen“ aufwiesen – insbesondere die Bilder, die Überschwemmungen in Regionen zeigten, in denen dies physikalisch nicht möglich wäre. Die Bilder der physikgestützten Methode hingegen waren mit dem realen Szenario vergleichbar.
Die Wissenschaftler gehen davon aus, dass sich diese Technologie am besten für die Vorhersage künftiger Überschwemmungsszenarien eignet, indem sie vertrauenswürdige visuelle Darstellungen erzeugt, die den politischen Entscheidungsträgern helfen, sich besser auf Überschwemmungen vorzubereiten und fundierte Entscheidungen über die Planung, Evakuierung und Schadensbegrenzung zu treffen.
In ihrer Pressemitteilung erklären die Wissenschaftler, dass politische Entscheidungsträger in der Regel anhand von Visualisierungen in Form von farbkodierten Karten abschätzen, wo Überschwemmungen auftreten könnten.
„Die Frage ist: Können Visualisierungen von Satellitenbildern eine weitere Ebene hinzufügen, die etwas greifbarer und emotional ansprechender ist als eine farbcodierte Karte mit roten, gelben und blauen Farbtönen, aber dennoch vertrauenswürdig ist?“ so Lütjens.
Dies ist ein wichtiges Beispiel dafür, wie weltraumgestützte Technologie bei der Bewältigung der sich entwickelnden Klimakrise helfen kann, die extreme Ereignisse wie Überschwemmungen und Wirbelstürme wahrscheinlicher werden lässt.
Die Methode des Teams befindet sich noch im Proof-of-Concept-Stadium und benötigt mehr Zeit, um andere Regionen zu „studieren“, um die Ergebnisse verschiedener Stürme vorhersagen zu können. Dies erfordert weiteres Training an vielen weiteren realen Szenarien.
„Wir zeigen einen greifbaren Weg, maschinelles Lernen mit Physik für einen risikosensitiven Anwendungsfall zu kombinieren, der es erfordert, die Komplexität der Systeme der Erde zu analysieren und zukünftige Aktionen und mögliche Szenarien zu projizieren, um Menschen vor Schaden zu bewahren“, sagte Dava Newman, Professorin für AeroAstro und Direktorin des MIT Media Lab. „Wir können es kaum erwarten, unsere generativen KI-Tools in die Hände von Entscheidungsträgern auf lokaler Ebene zu geben, was einen großen Unterschied machen und vielleicht Leben retten könnte.“
Das Team veröffentlichte seine Arbeit letzten Monat in der Zeitschrift IEEE Transactions on Geoscience and Remote Sensing.
