麻省理工學院（MIT）的研究人員開發出一款結合生成式AI和物理模型的洪水預測工具，能夠產生逼真的衛星影像，直觀地展現潛在洪水場景。該工具不僅能更精準地識別高風險區域，還能為決策者提供更可靠的可視化支持，從而更好地進行洪水預警和災害應對。這項技術創新地融合了生成式對抗網路（GAN）和實體模型，有效降低了GAN模型「幻覺」的可能性，提高了影像的準確性，為更有效的洪水預警和災害管理提供了新的途徑。
麻省理工學院（MIT）的科學家正在開發一種人工智慧(AI)工具，該工具能夠產生逼真的衛星圖像，以展示潛在的洪水情景。這項技術結合了生成式AI模型和基於物理學的洪水模型，旨在更準確地識別高風險區域，並為決策者提供可靠的可視化支援。
AI+實體模型:產生更精準的洪水影像
根據Space.com報導，該工具首先透過物理學模型來識別有洪水風險的區域。然後，它會根據即將到來的風暴強度，產生該區域在洪水過後可能呈現的詳細鳥瞰圖。該工具採用了一種創新的方法，將生成式對抗網路（GAN）與物理模型結合，以減少GAN可能產生的「幻覺」(即影像中看起來真實但不準確的特徵)。
麻省理工學院地球、大氣和行星科學系的博士後研究員比約恩·呂特延斯表示:“'幻覺'可能會誤導觀眾。我們正在考慮如何在氣候影響背景下使用這些生成式AI模型，在在這種情況下，擁有可靠的數據源至關重要。
更直觀的預警:協助提升疏散意願
呂特延斯說:「我們的想法是，有一天我們可以在颶風來臨之前使用這項技術，為公眾提供一個額外的可視化層。」他還強調了疏散的重要性，他說:「鼓勵人們在面臨風險時撤離是一項巨大的挑戰。
實測對比:AI+物理模型優勢明顯
為了演示該模型，研究人員將其應用於休士頓的一個情景，產生了該市在類似颶風哈維強度風暴後發生洪水的衛星圖像。他們將AI生成的圖像與真實的衛星圖像以及沒有物理模型輔助生成的圖像進行了比較。結果顯示，沒有實體模型輔助產生的AI影像非常不準確，出現了許多“幻覺”，主要是顯示在不可能發生洪水的區域出現洪水。相反，使用物理強化方法產生的圖像與真實情景非常吻合。
應用前景:輔助決策，保護生命安全
科學家預計，這項技術將有助於預測未來的洪水情景，並提供可靠的視覺化數據，幫助決策者為洪水規劃、疏散和緩解工作做出明智的決策。呂特延斯表示，決策者通常使用視覺化（如顏色編碼的地圖）來評估潛在的洪水區域，但衛星影像視覺化可以提供更直觀、更具吸引力的訊息，同時保持可信度。
目前，該團隊的方法仍處於概念驗證階段，需要更多的時間來分析其他區域，以更準確地預測各種風暴的結果。
MIT航空航天學教授、MIT媒體實驗室主任達瓦紐曼表示:「我們展示了一種將機器學習與物理學相結合的切實可行的方法，用於風險敏感的用例，這需要我們分析地球系統的複雜性，並預測未來的行動和可能的情景，以確保人們遠離危險。生命。
這項基於AI和物理模型的洪水預測技術，為未來更精準的洪水預警和災害管理提供了強大的技術支持，其應用前景廣闊，有望在全球範圍內拯救更多生命，減少洪災帶來的損失。未來，隨著技術的不斷改進和應用範圍的擴大，這項技術將發揮更大的作用。