नया एआई उपकरण भविष्य में आने वाली बाढ़ की यथार्थवादी उपग्रह छवियां उत्पन्न करता है

यह विधि समुदायों को आने वाले तूफानों की कल्पना करने और उनके लिए तैयारी करने में मदद कर सकती है।

तूफान आने से पहले लोगों के घरों पर इसके संभावित प्रभावों की कल्पना करने से निवासियों को तैयार होने और घर खाली करने का निर्णय लेने में मदद मिल सकती है।

एमआईटी के वैज्ञानिकों ने एक ऐसी विधि विकसित की है जो भविष्य की उपग्रह तस्वीरें तैयार कर यह दर्शाती है कि संभावित बाढ़ की घटना के बाद कोई क्षेत्र कैसा दिखेगा। यह विधि एक क्षेत्र की यथार्थवादी, विहंगम-दृश्य छवियां बनाने के लिए भौतिकी-आधारित बाढ़ मॉडल के साथ एक जनरेटिव कृत्रिम बुद्धिमत्ता मॉडल को जोड़ती है, जो दिखाती है कि आने वाले तूफान की ताकत को देखते हुए बाढ़ कहां होने की संभावना है।

एक परीक्षण मामले के रूप में, टीम ने इस पद्धति को ह्यूस्टन में लागू किया और उपग्रह चित्र तैयार किए, जिसमें दिखाया गया कि 2017 में इस क्षेत्र में आए तूफान हार्वे की तुलना में तूफान के बाद शहर के आसपास के कुछ स्थान कैसे दिखेंगे। टीम ने इन उत्पन्न चित्रों की तुलना वास्तविक उपग्रह से की हार्वे के हिट होने के बाद उन्हीं क्षेत्रों की ली गई तस्वीरें। उन्होंने एआई-जनरेटेड छवियों की तुलना भी की जिसमें भौतिकी-आधारित बाढ़ मॉडल शामिल नहीं था।

टीम की भौतिकी-प्रबलित पद्धति ने भविष्य में आने वाली बाढ़ की उपग्रह छवियां तैयार कीं जो अधिक यथार्थवादी और सटीक थीं। इसके विपरीत, एआई-ओनली पद्धति उन स्थानों पर बाढ़ की छवियां उत्पन्न करती है जहां बाढ़ आना भौतिक रूप से संभव नहीं है।

टीम की विधि अवधारणा का प्रमाण है, जिसका उद्देश्य ऐसे मामले को प्रदर्शित करना है जिसमें जेनरेटिव एआई मॉडल भौतिकी-आधारित मॉडल के साथ जोड़े जाने पर यथार्थवादी, भरोसेमंद सामग्री उत्पन्न कर सकते हैं। भविष्य के तूफानों से बाढ़ को दर्शाने के लिए इस पद्धति को अन्य क्षेत्रों में लागू करने के लिए, यह जानने के लिए कि अन्य क्षेत्रों में बाढ़ कैसी दिखेगी, कई और उपग्रह चित्रों पर प्रशिक्षण की आवश्यकता होगी।

“विचार यह है: एक दिन, हम तूफान से पहले इसका उपयोग कर सकते हैं, जहां यह जनता के लिए एक अतिरिक्त दृश्य परत प्रदान करता है,” एमआईटी के पृथ्वी, वायुमंडलीय और ग्रह विज्ञान विभाग में पोस्टडॉक ब्योर्न लुटजेन्स कहते हैं, जिन्होंने अनुसंधान का नेतृत्व किया था। वह एमआईटी के एयरोनॉटिक्स और एस्ट्रोनॉटिक्स विभाग (एयरोएस्ट्रो) में डॉक्टरेट के उम्मीदवार थे। “सबसे बड़ी चुनौतियों में से एक लोगों को जोखिम में होने पर खाली करने के लिए प्रोत्साहित करना है। शायद यह उस तत्परता को बढ़ाने में मदद करने के लिए एक और दृश्य हो सकता है।”

नई पद्धति की क्षमता को दर्शाने के लिए, जिसे उन्होंने “अर्थ इंटेलिजेंस इंजन” नाम दिया है, टीम ने इसे दूसरों के लिए आज़माने के लिए एक ऑनलाइन संसाधन के रूप में उपलब्ध कराया है।

शोधकर्ता आज जर्नल में अपने परिणामों की रिपोर्ट करते हैं जिओसाइंस और सुदूर संवेदनशीलता पर आईईई लेनदेन . अध्ययन के एमआईटी सह-लेखकों में ब्रैंडन लेशचिंस्की शामिल हैं; अरुणा शंकरनारायणन; और दावा न्यूमैन, एयरोएस्ट्रो के प्रोफेसर और एमआईटी मीडिया लैब के निदेशक; कई संस्थानों के सहयोगियों के साथ।

जनरेटिव प्रतिकूल छवियाँ

नया अध्ययन भविष्य के जलवायु परिदृश्यों की कल्पना करने के लिए जेनेरिक एआई टूल लागू करने के टीम के प्रयासों का विस्तार है।

अध्ययन के वरिष्ठ लेखक न्यूमैन कहते हैं, “जलवायु का अति-स्थानीय परिप्रेक्ष्य प्रदान करना हमारे वैज्ञानिक परिणामों को संप्रेषित करने का सबसे प्रभावी तरीका प्रतीत होता है।” “लोग अपने स्वयं के ज़िप कोड, अपने स्थानीय वातावरण से संबंधित होते हैं जहां उनके परिवार और दोस्त रहते हैं। स्थानीय जलवायु सिमुलेशन प्रदान करना सहज, व्यक्तिगत और भरोसेमंद हो जाता है।”

इस अध्ययन के लिए, लेखक एक सशर्त जनरेटिव प्रतिकूल नेटवर्क या जीएएन का उपयोग करते हैं, जो एक प्रकार की मशीन सीखने की विधि है जो दो प्रतिस्पर्धी, या “प्रतिकूल” तंत्रिका नेटवर्क का उपयोग करके यथार्थवादी छवियां उत्पन्न कर सकती है। पहले “जनरेटर” नेटवर्क को वास्तविक डेटा के जोड़े पर प्रशिक्षित किया जाता है, जैसे तूफान से पहले और बाद की उपग्रह छवियां। फिर दूसरे “विभेदक” नेटवर्क को वास्तविक उपग्रह इमेजरी और पहले नेटवर्क द्वारा संश्लेषित इमेजरी के बीच अंतर करने के लिए प्रशिक्षित किया जाता है।

प्रत्येक नेटवर्क दूसरे नेटवर्क से मिले फीडबैक के आधार पर स्वचालित रूप से अपने प्रदर्शन में सुधार करता है। तो, विचार यह है कि इस तरह के प्रतिकूल धक्का और खिंचाव से अंततः सिंथेटिक छवियां उत्पन्न होनी चाहिए जो वास्तविक चीज़ से अप्रभेद्य हों। फिर भी, GAN अभी भी अन्यथा यथार्थवादी छवि में “मतिभ्रम” या तथ्यात्मक रूप से गलत विशेषताएं उत्पन्न कर सकते हैं जो वहां नहीं होनी चाहिए।

लुत्जेंस कहते हैं, “मतिभ्रम दर्शकों को गुमराह कर सकता है, जो सोचने लगे कि क्या इस तरह के मतिभ्रम से बचा जा सकता है, जैसे कि लोगों को सूचित करने में मदद करने के लिए जेनेरिक एआई टूल पर भरोसा किया जा सकता है, खासकर जोखिम-संवेदनशील परिदृश्यों में। “हम सोच रहे थे: हम जलवायु-प्रभाव सेटिंग में इन जेनरेटिव एआई मॉडल का उपयोग कैसे कर सकते हैं, जहां विश्वसनीय डेटा स्रोत होना बहुत महत्वपूर्ण है'”

बाढ़ मतिभ्रम

अपने नए काम में, शोधकर्ताओं ने एक जोखिम-संवेदनशील परिदृश्य पर विचार किया जिसमें जेनरेटर एआई को भविष्य में बाढ़ की उपग्रह छवियां बनाने का काम सौंपा गया है जो लोगों को नुकसान के रास्ते से बाहर निकालने और तैयार करने के निर्णयों को सूचित करने के लिए पर्याप्त भरोसेमंद हो सकता है।

आमतौर पर, नीति-निर्माता रंग-कोडित मानचित्रों के रूप में विज़ुअलाइज़ेशन के आधार पर यह अंदाज़ा लगा सकते हैं कि बाढ़ कहाँ आ सकती है। ये मानचित्र भौतिक मॉडलों की एक पाइपलाइन का अंतिम उत्पाद हैं जो आमतौर पर एक तूफान ट्रैक मॉडल से शुरू होता है, जो फिर एक पवन मॉडल में फीड होता है जो स्थानीय क्षेत्र में हवाओं के पैटर्न और ताकत का अनुकरण करता है। इसे बाढ़ या तूफान वृद्धि मॉडल के साथ जोड़ा गया है जो भविष्यवाणी करता है कि हवा किसी भी नजदीकी जल निकाय को जमीन पर कैसे धकेल सकती है। एक हाइड्रोलिक मॉडल स्थानीय बाढ़ बुनियादी ढांचे के आधार पर यह पता लगाता है कि बाढ़ कहां आएगी और एक विशेष क्षेत्र में बाढ़ की ऊंचाई का एक दृश्य, रंग-कोडित नक्शा तैयार करता है।

“सवाल यह है: क्या सैटेलाइट इमेजरी के विज़ुअलाइज़ेशन इसमें एक और स्तर जोड़ सकते हैं, जो लाल, पीले और नीले रंग के रंग-कोडित मानचित्र की तुलना में थोड़ा अधिक मूर्त और भावनात्मक रूप से आकर्षक है, जबकि अभी भी भरोसेमंद है'' लुत्जेंस कहते हैं।

टीम ने सबसे पहले परीक्षण किया कि अकेले जेनेरिक एआई भविष्य में आने वाली बाढ़ की सैटेलाइट तस्वीरें कैसे तैयार करेगा। उन्होंने तूफान हार्वे के पहले और बाद में ह्यूस्टन के ऊपर से गुजरते समय उपग्रहों द्वारा ली गई वास्तविक उपग्रह छवियों पर एक GAN को प्रशिक्षित किया। जब उन्होंने जनरेटर को उन्हीं क्षेत्रों की नई बाढ़ छवियां बनाने का काम सौंपा, तो उन्होंने पाया कि छवियां विशिष्ट उपग्रह इमेजरी से मिलती जुलती थीं, लेकिन करीब से देखने पर कुछ छवियों में बाढ़ के रूप में मतिभ्रम का पता चला, जहां बाढ़ संभव नहीं होनी चाहिए (उदाहरण के लिए, अधिक ऊंचाई वाले स्थानों में)।

मतिभ्रम को कम करने और एआई-जनित छवियों की विश्वसनीयता बढ़ाने के लिए, टीम ने GAN को भौतिकी-आधारित बाढ़ मॉडल के साथ जोड़ा, जिसमें वास्तविक, भौतिक मापदंडों और घटनाओं को शामिल किया गया है, जैसे कि आने वाले तूफान के प्रक्षेपवक्र, तूफान की वृद्धि और बाढ़ के पैटर्न। इस भौतिकी-प्रबलित पद्धति के साथ, टीम ने ह्यूस्टन के चारों ओर उपग्रह चित्र तैयार किए जो बाढ़ मॉडल द्वारा पूर्वानुमानित, पिक्सेल दर पिक्सेल बाढ़ की समान सीमा को दर्शाते हैं।

“हम जोखिम-संवेदनशील उपयोग के मामले के लिए मशीन लर्निंग को भौतिकी के साथ संयोजित करने का एक ठोस तरीका दिखाते हैं, जिसके लिए हमें पृथ्वी के सिस्टम की जटिलता का विश्लेषण करने की आवश्यकता होती है और” हम अपने जेनेरिक एआई टूल को निर्णय के हाथों में लेने के लिए इंतजार नहीं कर सकते- स्थानीय समुदाय स्तर पर निर्माता, जो एक महत्वपूर्ण अंतर ला सकते हैं और शायद जीवन बचा सकते हैं।”