Des scientifiques du MIT utilisent l’intelligence artificielle pour prédire les inondations
Des scientifiques du Massachusetts Institute of Technology (MIT) développent un outil d’intelligence artificielle (IA) capable de créer des images satellites réalistes de scénarios d’inondations potentielles. L’outil combine un modèle génératif d’IA avec un modèle d’inondation basé sur la physique pour prédire les zones à risque d’inondation, puis génère des images détaillées en vue aérienne de la façon dont la région pourrait se présenter après l’inondation, en fonction de la force d’une tempête imminente.
L’idée est qu’un jour, nous pourrions utiliser cela avant un ouragan, où cela fournirait une couche de visualisation supplémentaire pour le public, a déclaré Björn Lütjens, post-doctorant au Département des Sciences de la Terre, de l’Atmosphère et des Sciences Planétaires du MIT. L’un des plus grands défis est d’encourager les personnes à évacuer lorsqu’elles sont en danger, a ajouté Lütjens, qui a dirigé la recherche alors qu’il était étudiant en doctorat au Département d’Aéronautique et d’Astronautique (AeroAstro) du MIT. Peut-être que cela pourrait être une autre visualisation pour aider à augmenter cette préparation.
Un modèle d’apprentissage automatique et un modèle de physique
L’équipe a formé un modèle d’apprentissage automatique appelé un réseau antagoniste génératif conditionnel, ou GAN en abrégé, qui crée des images réalistes en utilisant deux réseaux neuronaux qui s’opposent l’un à l’autre. Le premier réseau, appelé générateur, apprend en étudiant des exemples réels, tels que des images satellites de zones avant et après un ouragan. Le deuxième réseau, le discriminateur, agit comme un critique, essayant de distinguer les images réelles des fausses créées par le générateur. Ensemble, ils s’améliorent jusqu’à ce que les images générées aient l’air convaincantes et réalistes.
Chaque réseau apprend et s’améliore automatiquement en fonction des commentaires de l’autre. Ce processus de va-et-vient vise à créer des images synthétiques presque identiques aux réelles. Cependant, les GAN produisent parfois des hallucinations – des éléments dans les images qui semblent réels mais qui sont factuellement incorrects ou ne devraient pas être présents.
Les hallucinations peuvent tromper les spectateurs, a déclaré Lütjens. Nous nous sommes demandé : Comment pouvons-nous utiliser ces modèles d’IA génératifs dans un contexte d’impact climatique, où avoir des sources de données fiables est si important ?
C’est là que le modèle de physique intervient.
Des images satellites crédibles pour une planification des inondations améliorée
Pour démontrer la crédibilité de leur modèle, les chercheurs l’ont appliqué à un scénario pour Houston, générant des images satellites d’inondations dans la ville à la suite d’une tempête comparable en intensité à l’ouragan Harvey, qui a réellement frappé en 2017. Ils ont ensuite comparé leurs images générées par IA aux images satellites réelles, ainsi qu’aux images créées sans l’aide du modèle physique.
Sans surprise, sans l’aide du modèle physique, les images générées par l’IA étaient très inexactes, avec de nombreuses hallucinations – notamment des images représentant des inondations dans des régions où cela ne serait pas physiquement possible. Mais les images obtenues avec la méthode renforcée par la physique étaient comparables au scénario réel.
Les chercheurs estiment que cette technologie devrait être principalement applicable à la prédiction des résultats de scénarios futurs d’inondations en produisant des visualisations fiables pour aider les décideurs à mieux se préparer et prendre des décisions éclairées en matière de planification des inondations, d’évacuation et d’atténuation.
La question est la suivante : Les visualisations des images satellites peuvent-elles ajouter un niveau supplémentaire à cela, qui soit un peu plus tangible et émotionnellement engageant qu’une carte codée par couleur de rouge, de jaune et de bleu, tout en restant fiable ? a déclaré Lütjens.
Une technologie pour faire face à la crise climatique
Cet exemple montre comment la technologie spatiale peut contribuer à gérer la crise climatique en cours, qui rend les événements extrêmes comme les inondations et les ouragans plus probables. La méthode de l’équipe en est encore au stade de la démonstration de faisabilité et nécessite plus de temps pour étudier d’autres régions afin de prédire les résultats de différentes tempêtes. Cela nécessitera une formation supplémentaire sur de nombreux autres scénarios réels.
Nous montrons une façon tangible de combiner l’apprentissage automatique avec la physique pour un cas d’utilisation sensible aux risques, ce qui nous oblige à analyser la complexité des systèmes terrestres et à prévoir les actions futures et les scénarios possibles afin de protéger les personnes contre les dangers, a déclaré Dava Newman, professeur à AeroAstro et directeur du Media Lab du MIT. Nous avons hâte de mettre nos outils d’IA générative entre les mains des décideurs au niveau de la communauté locale, ce qui pourrait faire une différence significative et peut-être sauver des vies.
L’équipe a publié son travail le mois dernier dans la revue IEEE Transactions on Geoscience and Remote Sensing.
