Desarrollan una IA que genera imágenes satelitales de futuras inundaciones y puede servir para evitar catástrofes

Madrid

La Inteligencia Artifical (IA) cada vez avanza más. Ahora, gracias a un equipo internacional, en el que ha participado la Universidad de Granada, se ha desarrollado una nueva herramienta de IA con un propósito claro: generar imágenes satelitales realistas de futuras inundaciones. Este invento es un paso fundamental en la generación de herramientas visuales confiables para ilustrar eventos climáticos.

Así se ha desprendido de un estudio, en el que han intervenido, también, centros de investigación y fundaciones de Estados Unidos, Canadá, Alemania y Reino Unido. Entre ellos, se encuentra el Massachusetts Institute of Technology (MIT).

La investigación ha revelado, así, que los modelos de visión generativa profunda pueden sintetizar imágenes de satélite altamente realistas. Estas imágenes podrían ser muy útiles para ilustrar futuros eventos climáticos como inundaciones, además de reforestaciones o incluso el retroceso del hielo marino. En concreto, en este trabajo ha participado la investigadora del instituto DaSCI de la UGR Natalia Díaz.

El proceso de creación

Pero, ¿cómo se ha llevado a cabo este proceso? Pues bien, el equipo ha utilizado una red degenerativa adversarial (llamada pix2pixHD), cuya misión es crear imágenes satélite sintéticas de inundaciones futuras o el resultado de acciones positivas como la reforestación. Esta herramienta es capaz de desarrollar imágenes realistas, si bien suele tender a "alucinar" inundaciones en áreas incorrectas.

Ahora, gracias a esta investigación, los científicos han propuesto una solución idónea a este problema, que consiste en combinar el aprendizaje profundo propio de esta herramienta con diferentes mapas de segmentación generados por modelos de inundación basados en la física.

Una herramienta que predice el futuro de las inundaciones

Ha sido a través de esta unión que se ha conseguido un enfoque que, no solo supera el citado modelo de aprendizaje puro, sino que también está por encima de las soluciones manuales, al reducir significativamente la predicción y mejorar la fiabilidad de las imágenes. Así, se ha conseguido un programa con poco margen de error y que realiza su misión de forma correcta.

Por su parte, el equipo científico ha evaluado la capacidad de generalización de su método utilizando distintos conjuntos de datos de teledetección y eventos climáticos, incluyendo la reforestación y la fusión del hielo marino ártico. Además, se ha puesto a disposición de la comunidad científica el código junto con un extenso conjunto de datos, que incluyen más de 30.000 tripletas de imágenes HD etiquetadas para traducción de imagen a imagen guiada por segmentación.

De esta forma, toda la investigación marca un paso crucial hacia la creación de herramientas visuales confiables y realistas para la comunicación de los impactos del cambio climático, estableciendo nuevas bases para la colaboración entre modelado basado en física y aprendizaje profundo.