Científicos del Instituto Tecnológico de Massachusetts (MIT) están desarrollando una herramienta de inteligencia artificial (IA) capaz de generar imágenes satelitales realistas que muestran posibles escenarios de inundaciones. Esta tecnología combina modelos de IA generativa con modelos de inundación basados en física, con el objetivo de identificar con mayor precisión las zonas de alto riesgo y proporcionar a los responsables de la toma de decisiones una visualización fiable.
IA + modelos físicos: generación de imágenes de inundaciones más precisas
Según Space.com, la herramienta primero identifica las zonas con riesgo de inundación mediante modelos físicos. Luego, basándose en la intensidad de la tormenta inminente, genera una vista aérea detallada de cómo podría verse esa zona después de una inundación. La herramienta utiliza un método innovador que combina redes generativas adversarias (GAN) con modelos físicos para reducir las "alucinaciones" que pueden producir las GAN (es decir, características que parecen reales en la imagen pero que son inexactas).
Bjorn Lütjens, investigador postdoctoral en el Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias del MIT, afirma: "Las 'alucinaciones' pueden inducir a error al público. Estamos considerando cómo utilizar estos modelos de IA generativa en el contexto de los impactos climáticos, donde contar con fuentes de datos fiables es crucial. Ahí es donde entran en juego los modelos físicos".
Alertas más intuitivas: contribuir a una mayor disposición a la evacuación
Lütjens comenta: "Nuestra idea es que algún día podamos utilizar esta tecnología antes de que llegue un huracán para ofrecer al público una capa de visualización adicional". También destaca la importancia de la evacuación: "Animar a la gente a evacuar cuando se enfrenta a un riesgo es un gran desafío. Quizás esta visualización pueda ayudar a mejorar este nivel de preparación".
Comparación de pruebas: la ventaja de la combinación de IA y modelos físicos es evidente
Para demostrar el modelo, los investigadores lo aplicaron a un escenario en Houston, generando imágenes satelitales de la ciudad inundada después de una tormenta de intensidad similar a la del huracán Harvey. Compararon las imágenes generadas por IA con imágenes satelitales reales y con imágenes generadas sin la ayuda de modelos físicos. Los resultados mostraron que las imágenes de IA generadas sin la ayuda de modelos físicos eran muy imprecisas, con muchas "alucinaciones", principalmente mostrando inundaciones en zonas donde era imposible que ocurrieran. Por el contrario, las imágenes generadas con el método de refuerzo físico coincidían muy bien con la situación real.
Perspectivas de aplicación: apoyo a la toma de decisiones y protección de vidas
Los científicos esperan que esta tecnología ayude a predecir futuros escenarios de inundaciones y proporcione datos visuales fiables para ayudar a los responsables de la toma de decisiones a tomar decisiones informadas sobre la planificación, evacuación y mitigación de inundaciones. Lütjens señala que los responsables de la toma de decisiones suelen utilizar visualizaciones (como mapas con códigos de colores) para evaluar las zonas potencialmente inundables, pero la visualización mediante imágenes satelitales puede proporcionar información más intuitiva y atractiva, manteniendo al mismo tiempo la fiabilidad.
Actualmente, el método del equipo se encuentra en fase de prueba de concepto y se necesita más tiempo para analizar otras zonas y predecir con mayor precisión los resultados de diversas tormentas.
Dava Newman, profesora de aeronáutica y astronáutica del MIT y directora del MIT Media Lab, afirma: "Hemos demostrado un método viable para combinar el aprendizaje automático con la física para casos de uso sensibles al riesgo, lo que requiere que analicemos la complejidad de los sistemas terrestres y predigamos acciones futuras y posibles escenarios para mantener a las personas alejadas del peligro. Estamos deseando poner nuestra herramienta de IA generativa a disposición de los responsables de la toma de decisiones a nivel comunitario local, lo que podría tener un impacto significativo e incluso salvar vidas".