Des scientifiques du MIT ont mis au point une méthode qui génère des images satellites du futur pour décrire à quoi ressemblerait une région après une inondation potentielle. La méthode combine un modèle d’intelligence artificielle générative avec un modèle d’inondation basé sur la physique pour créer des images réalistes à vol d’oiseau d’une région, montrant où les inondations sont susceptibles de se produire compte tenu de la force d’une tempête imminente.

Les travaux sont publiés dans la revue IEEE Transactions on Geoscience and Remote Sensing.

À titre de test, l’équipe a appliqué la méthode à Houston et a généré des images satellites décrivant à quoi ressembleraient certains endroits de la ville après une tempête comparable à l’ouragan Harvey, qui a frappé la région en 2017. L’équipe a comparé ces images générées avec des images satellites réelles prises dans les mêmes régions après le passage de Harvey. Ils ont également comparé des images générées par l’IA qui n’incluaient pas de modèle d’inondation basé sur la physique.

La méthode de l’équipe, renforcée par la physique, a généré des images satellites des inondations futures qui étaient plus réalistes et plus précises. La méthode basée uniquement sur l’IA, en revanche, a généré des images d’inondation dans des endroits où l’inondation n’est pas physiquement possible.

La méthode de l’équipe est une preuve de concept, destinée à démontrer un cas dans lequel des modèles d’IA génératifs peuvent générer un contenu réaliste et fiable lorsqu’ils sont associés à un modèle basé sur la physique. Afin d’appliquer la méthode à d’autres régions pour représenter les inondations causées par les tempêtes futures, elle devra être entraînée sur de nombreuses autres images satellites pour apprendre à quoi ressembleraient les inondations dans d’autres régions.

« L’idée est la suivante : un jour, nous pourrions l’utiliser avant un ouragan, où il fournirait une couche de visualisation supplémentaire au public », explique Björn Lütjens, postdoctorant au département des sciences de la Terre, de l’atmosphère et des planètes du MIT, qui a dirigé la recherche alors qu’il était doctorant au département d’aéronautique et d’astronautique du MIT (AeroAstro). L’un des plus grands défis est d’encourager les gens à évacuer lorsqu’ils sont à risque. Peut-être que cela pourrait être une autre visualisation pour aider à augmenter cette préparation.

Pour illustrer le potentiel de la nouvelle méthode, qu’ils ont surnommée le « Earth Intelligence Engine », l’équipe l’a mise à disposition en tant que ressource en ligne pour que d’autres puissent l’essayer.

Les co-auteurs de l’étude au MIT sont Brandon Leshchinskiy ; Aruna Sankaranarayanan ; et Dava Newman, professeur d’AeroAstro et directeur du MIT Media Lab ; ainsi que des collaborateurs de plusieurs institutions.

La nouvelle étude est une extension des efforts de l’équipe pour appliquer des outils d’IA générative pour visualiser les scénarios climatiques futurs.

« Fournir une perspective hyper-locale du climat semble être le moyen le plus efficace de communiquer nos résultats scientifiques », déclare Newman, auteur principal de l’étude. « Les gens se rapportent à leur propre code postal, à leur environnement local où vivent leur famille et leurs amis. Fournir des simulations climatiques locales devient intuitif, personnel et pertinent.

Pour cette étude, les auteurs ont utilisé un réseau antagoniste génératif conditionnel, ou GAN, un type de méthode d’apprentissage automatique qui peut générer des images réalistes à l’aide de deux réseaux neuronaux concurrents (« antagonistes »). Le premier réseau « générateur » est entraîné sur des paires de données réelles, telles que des images satellites avant et après un ouragan. Le second réseau « discriminateur » est ensuite entraîné à distinguer l’imagerie satellite réelle de celle synthétisée par le premier réseau.

Chaque réseau améliore automatiquement ses performances en fonction des commentaires de l’autre réseau. L’idée est donc qu’un tel va-et-vient contradictoire devrait finalement produire des images synthétiques qui sont indiscernables de la réalité. Néanmoins, les GAN peuvent toujours produire des « hallucinations » ou des caractéristiques factuellement incorrectes dans une image autrement réaliste qui ne devrait pas être là.

« Les hallucinations peuvent induire les spectateurs en erreur », explique Lütjens, qui a commencé à se demander si de telles hallucinations pouvaient être évitées, de sorte que l’on puisse faire confiance aux outils d’IA générative pour aider à informer les gens, en particulier dans les scénarios sensibles au risque. « Nous nous demandions comment nous pouvions utiliser ces modèles d’IA générative dans un contexte d’impact climatique, où il est si important de disposer de sources de données fiables ? »