С помощью ИИ можно будет получить предсказывать будущее наводнения
![С помощью ИИ можно будет получить предсказывать будущее наводнения]()
Новый инструмент на основе искусственного интеллекта (ИИ) может создавать реалистичные спутниковые карты будущих наводнений. Таковы результатыт исследования, проведенного Университетом Гранады (UGR) и 21 января опубликованного в журнале IEEE Transactions on Geoscience and Remote Sensing.
Исследовательская группа использовала генеративную сеть (pix2pixHD) для создания синтетических спутниковых изображений последствий будущих наводнений, а также последствий мер по преодолению последствий, таких как восстановление лесов.
Инструмент сочетает в себе глубокое обучение с картами сегментации, созданными на основе моделей наводнений, основанных на физике.
Этот улучшенный подход превосходит не только чистую модель глубокого обучения, но и ручные решения, значительно уменьшая ошибки прогнозирования и повышая надежность прогноза.
Исследовательская группа оценила возможность обобщения своего метода, используя многочисленные наборы данных дистанционного зондирования и событий, связанных с климатом. Кроме того, исследователи предоставили научному сообществу свой код, новые метрики и большой набор данных, в том числе более 30 000 помеченных триплетов HD-изображений для перевода изображений в изображения на основе сегментации, что соответствует 5,5 миллионам изображений с разрешением 128×128. пикселей.

Новый инструмент на основе искусственного интеллекта (ИИ) может создавать реалистичные спутниковые карты будущих наводнений. Таковы результатыт исследования, проведенного Университетом Гранады (UGR) и 21 января опубликованного в журнале IEEE Transactions on Geoscience and Remote Sensing.
Исследовательская группа использовала генеративную сеть (pix2pixHD) для создания синтетических спутниковых изображений последствий будущих наводнений, а также последствий мер по преодолению последствий, таких как восстановление лесов.
Инструмент сочетает в себе глубокое обучение с картами сегментации, созданными на основе моделей наводнений, основанных на физике.
Этот улучшенный подход превосходит не только чистую модель глубокого обучения, но и ручные решения, значительно уменьшая ошибки прогнозирования и повышая надежность прогноза.
Исследовательская группа оценила возможность обобщения своего метода, используя многочисленные наборы данных дистанционного зондирования и событий, связанных с климатом. Кроме того, исследователи предоставили научному сообществу свой код, новые метрики и большой набор данных, в том числе более 30 000 помеченных триплетов HD-изображений для перевода изображений в изображения на основе сегментации, что соответствует 5,5 миллионам изображений с разрешением 128×128. пикселей.