ИИ-оракул против стихии: готовы узнать, что станет с вашим городом после катастрофы?

С новой технологией от MIT наводнения никогда не застанут нас врасплох.


fx9jpkbm8iwa694ypbknmsvyr7w2qlry.jpg


Ученые Массачусетского технологического института ( MIT ) создали уникальную технологию , которая способна заглянуть в будущее и показать, как будут выглядеть районы после разрушительных наводнений. Этот инструмент, объединяющий модели искусственного интеллекта и физические расчеты, будет очень полезен для планирования спасательных операций и подготовки к борьбе со стихией.

Методика, получившая название «Earth Intelligence Engine» , позволяет генерировать реалистичные спутниковые снимки. Картинка создается на основе данных о траектории шторма, уровне штормового нагона и гидравлических расчетов. Такой подход обеспечивает не только визуализацию, но и научную точность, что критически важно для принятия решений в условиях риска.

Главная технология в основе модели - состязательные сети (GAN), которые состоят из двух взаимосвязанных нейронных сетей. Генератор создает изображения на основе данных, а дискриминатор оценивает их достоверность, улучшая итоговый результат. Элемент «соревнования» позволяет минимизировать ошибки.

Команда MIT также включает в список “переменных” физические параметры вроде особенностей рельефа, наличия водоемов и защитных сооружений. Это значительно отличает новую методику от традиционных подходов, которые чаще всего опираются исключительно на цифры и формулы без визуализации.

Разработку протестировали на данных об урагане Харви, обрушившемся на Хьюстон в 2017 году. Спутниковые снимки, созданные ИИ, сопоставили с реальными изображениями последствий наводнения.

Метод, в котором задействована физическая модель, позволяет программе воспроизводить реалистичные спутниковые изображения наводнений, которые полностью совпадают с прогнозами физической. Напротив, ИИ, работающий без учета физических данных, демонстрировал отклонения, например, показывал затопления в районах, где это невозможно из-за особенностей рельефа. По словам исследователей, это одна из главных проблем традиционных GAN — так называемые «галлюцинации», когда нейросеть создает несуществующие детали.

В любом случае, можно сделать вывод, что визуализация на основе физических расчетов - вполне надежный источник информации, позволяющий избежать искажений и повысить доверие к результатам.

Особое внимание команда уделила тому, чтобы изображения были не просто информативными, но и эмоционально воздействовали на зрителя. Визуальные данные помогают лучше понять масштаб угрозы, особенно когда дело касается локальных районов, знакомых людям. По словам ученых, традиционные карты с цветовой кодировкой недостаточно эффективны и не так хорошо мотивируют к оперативной эвакуации, а вот реалистичные изображения хорошо влияют на восприятие угрозы.

Инструмент сделали доступным для других исследователей. Благодаря этому специалисты из разных областей могут адаптировать методику к своим задачам, будь то анализ рисков в других регионах или изучение последствий климатических изменений.

Несмотря на успех тестов, методика пока находится на стадии доказательства концепции. Чтобы применять её к другим областям, требуется обучение на очень больших объемах информации. Но авторы не сомневаются, что расширение базы позволит создать универсальный инструмент для прогнозирования последствий любых природных катастроф.

Долгосрочная цель команды — интеграция системы в локальные службы спасения и управления чрезвычайными ситуациями. Это особенно важно для районов, где наводнения происходят регулярно.