Es posible que pronto pueda ver cómo las futuras inundaciones podrían afectar su ciudad con un modelo de inteligencia artificial recientemente desarrollado. El estudio, de un equipo de investigadores canadienses y estadounidenses, utiliza redes generativas adversarias (GAN) para producir imágenes realistas de las inundaciones inducidas por el cambio climático. Con el nombre de ClimateGAN, el equipo desarrolló el modelo para subrayar la destrucción de los fenómenos meteorológicos extremos e impulsar la acción colectiva para reducir las emisiones.
“Proyectar las posibles consecuencias de los eventos climáticos extremos, como las inundaciones en lugares familiares, puede ayudar a que los impactos abstractos del cambio climático sean más concretos y fomentar la acción”, escriben los investigadores.
Personas de todo el mundo están lidiando con eventos climáticos extremos más frecuentes, como tormentas, huracanes, sequías e incendios forestales provocados por un planeta que se calienta. Las comunidades costeras y del interior también están experimentando inundaciones más intensas debido al aumento del nivel del mar, tormentas más fuertes y un deshielo más rápido.
Los devastadores resultados del calentamiento global pueden afectar a las personas que han vivido estas catástrofes, ya sean las destructivas inundaciones del huracán Ida o los incendios forestales en toda Australia. Sin embargo, muchos todavía ven los impactos del cambio climático como una ocurrencia hipotética, distante o incierta, un fenómeno psicológico llamado distanciamiento.
Según los investigadores, las perspectivas e imágenes en primera persona de los fenómenos meteorológicos extremos pueden reducir el distanciamiento. Hasta este punto, la tecnología digital, como las visualizaciones geográficas y los paneles de datos interactivos, se ha centrado en la creación de representaciones regionales manuales, limitadas a ubicaciones específicas. Con ClimateGAN, el equipo trabajó para crear un framework de inteligencia artificial capaz de ilustrar las inundaciones en lugares familiares, para transformar los impactos abstractos del cambio climático en ejemplos concretos.
Utilizando un pipeline de traducción de imagen a imagen de dos fases, sin supervisión, el framework se basa tanto en imágenes reales como en datos simulados de un mundo virtual. Usando estas dos fuentes de datos, el modelo de Masker predice la ubicación del agua en una imagen, si ocurriera una inundación. Luego, el modelo Painter, que utiliza GauGAN, un modelo de deep learning desarrollado por la Area de Investigación de NVIDIA, renderiza texturas de agua contextualizadas guiadas por el modelo Masker.
Al muestrear una amplia gama de regiones y paisajes, se utilizaron 5540 imágenes no inundadas para entrenar el modelo Masker y 1200 imágenes inundadas para entrenar el modelo Painter.
Juntos, el framework genera imágenes realistas de inundaciones en áreas urbanas, suburbanas y rurales.
Los investigadores afirman que el objetivo a largo plazo de este trabajo es crear un sistema en el que un usuario pueda ingresar cualquier dirección y ver una versión afectada por el cambio climático de la imagen de Google Street View.
El código y los materiales adicionales están disponibles para descargar en GitHub.