Varias personas observando la crecida del río Magro de Valencia, el pasado 29 de octubre
Granada
Granada participa en el desarrollo de una aplicación que visualiza futuras inundaciones
El equipo ha utilizado una red generativa adversarial que crea imágenes de satélite sintéticas que predice el resultado de acciones como la reforestación
la Universidad de Granada ha participado en un nuevo estudio que revela que los modelos de visión generativa profunda pueden sintetizar imágenes de satélite, altamente realistas, muy útiles para ilustrar futuros eventos climáticos como inundaciones, reforestaciones o el retroceso del hielo marino. Esta nueva herramienta de inteligencia artificial podría transformar la gestión de desastres naturales.
En el trabajo ha participado la investigadora del Instituto Andaluz Interuniversitario en Ciencia de Datos e Inteligencia Computacional de la Universidad de Granada, Natalia Díaz, en colaboración con varios centros de investigación y fundaciones de Estados Unidos, Canadá, Alemania y Reino Unido, entre los que se encuentra el Massachusetts Institute of Technology (MIT). El equipo científico ha evaluado la capacidad de generalización de su método utilizando distintos conjuntos de datos de teledetección y eventos climáticos.
Además, ha puesto a disposición de la comunidad científica su código, nueva métrica y un extenso conjunto de datos, entre los que se incluyen más de 30.000 tripletas de imágenes HD etiquetadas para traducción de imagen a imagen guiada por segmentación, equivalente a 5,5 millones de imágenes a resolución 128x128.
Mapas de segmentación
Aunque el modelo es capaz de generar imágenes realistas, tiende a «alucinar» inundaciones en áreas incorrectas. La solución propuesta a este problema combina aprendizaje profundo con mapas de segmentación generados por modelos de inundación basados en la física. Este enfoque mejorado no solo supera al modelo de aprendizaje profundo puro, sino también a soluciones manuales, al reducir significativamente los errores de predicción y mejorar la fiabilidad de las imágenes.
Este trabajo 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.