Jak IBM a NASA předefinovávají geoprostorové AI pro řešení klimatických výzev

Jak se změna klimatu zvyšuje stále více závažné povětrnostní události, jako jsou povodně, hurikány, sucha a lesní požáry, tradiční metody řešení katastrof mají problémy s udržením kroků. Zatímco pokroky ve satelitní technologii, dronu a vzdálených senzorech umožňují lepší monitoring, přístup k těmto životně důležitým datům zůstává omezený na několik organizací, což mnoho výzkumníků a inovátorů zbavuje nástrojů, které potřebují. Přehršle geoprostorových dat generovaných denně se také stala výzvou – zahlcuje organizace a činí těžším získat smysluplné poznatky. Aby se tyto problémy řešily, jsou zapotřebí škálovatelné, přístupné a inteligentní nástroje, které změní obrovské datové sady na akční klimatické poznatky. Zde se geoprostorové AI stává životně důležitým – vyvíjející se technologie, která má potenciál analyzovat velké objemy dat, poskytující přesnější, proaktivní a včasnější předpovědi. Tento článek zkoumá průlomovou spolupráci mezi IBM a NASA na vývoj pokročilého, přístupnějšího geoprostorového AI, který umožní širšímu publiku využívat nástroje nezbytné pro pohánění inovativních environmentálních a klimatických řešení.

Proč IBM a NASA jsou průkopníky základních geoprostorových AI

Základní modely (FMs) představují novou frontu v AI, navrženou pro učení z obrovských množství nelabelovaných dat a aplikaci jejich poznatků napříč několika doménami. Tento přístup nabízí několik klíčových výhod. Na rozdíl od tradičních AI modelů, FMs nezávisí na obrovských, pečlivě kurátorovaných datech. Místo toho mohou být jemně upraveny na menších vzorcích dat, šetří tak čas a zdroje. To je činí mocným nástrojem pro urychlení klimatického výzkumu, kde shromažďování velkých dat může být nákladné a časově náročné.

Navíc FMs zjednodušují vývoj specializovaných aplikací, snižují tak redundální úsilí. Například, jakmile je FM trénován, může být přizpůsoben několika následným aplikacím, jako je monitorování přírodních katastrof nebo sledování využití půdy, bez nutnosti rozsáhlého opětovného trénování. Ačkoli počáteční proces trénování může vyžadovat značnou výpočetní sílu, vyžadující desítky tisíc GPU hodin. Nicméně, jakmile jsou trénovány, běh během inferencing trvá pouhé minuty nebo dokonce sekundy.

Kromě toho FMs mohou učinit pokročilé počasí modely přístupnější širšímu publiku. Předtím pouze dobře financované instituce s prostředky na podporu komplexní infrastruktury mohly běžet tyto modely. Nicméně, s rostoucími předtrénovanými FMs, klimatické modelování je nyní v dosahu širší skupiny výzkumníků a inovátorů, otevírající nové cesty pro rychlejší objevy a inovativní environmentální řešení.

Původ základních geoprostorových AI

Obrovský potenciál FMs vedl IBM a NASA ke spolupráci na vytvoření komplexního FM zemského prostředí. Klíčovým cílem tohoto partnerství je umožnit výzkumníkům získat poznatky z rozsáhlých zemských dat NASA způsobem, který je účinný a přístupný.

V tomto úsilí dosáhli významného průlomu v srpnu 2023 s odhalením průkopnického FM pro geoprostorová data. Tento model byl trénován na rozsáhlém satelitním datasetu NASA, který zahrnuje 40letý archiv obrazů z Harmonized Landsat Sentinel-2 (HLS) programu. Používá pokročilé AI techniky, včetně transformer architektur, pro efektivní zpracování velkých objemů geoprostorových dat. Vyvinutý pomocí IBM’s Cloud Vela supercomputer a watsonx FM stack, HLS model může analyzovat data až čtyřikrát rychleji než tradiční hluboké učení modely, zatímco vyžaduje podstatně méně labelovaných dat pro trénování.

Potenciální aplikace tohoto modelu jsou rozsáhlé, sahající od monitorování změn využití půdy a přírodních katastrof až po předpověď výnosů plodin. Důležitým způsobem je, že tento mocný nástroj je zdarma dostupný na Hugging Face, umožňující výzkumníkům a inovátorům po celém světě využívat jeho schopností a přispívat k pokroku klimatické a environmentální vědy.

Pokroky v základních geoprostorových AI

Navazujíce na tento impuls, IBM a NASA nedávno představily další průlomový open-source model FM: Prithvi WxC. Tento model je navržen pro řešení jak krátkodobých povětrnostních výzev, tak dlouhodobých klimatických předpovědí. Předtrénován na 40 letech zemských pozorovacích dat NASA z Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), FM nabízí významné pokroky oproti tradičním předpovědním modelům.

Model je postaven pomocí vision transformer a masked autoencoder, umožňující mu kódovat prostorová data přes čas. Integrací temporální pozornosti, FM může analyzovat MERRA-2 reanalýzu dat, která integruje různé pozorovací proudy. Model může fungovat na sférickém povrchu, podobně jako tradiční klimatické modely, a na rovině, umožňující mu měnit mezi globálními a regionálními pohledy bez ztráty rozlišení.

Tato jedinečná architektura umožňuje Prithvi jemně upravit se na globální, regionální a místní škále, zatímco běží na standardním stolním počítači v sekundách. Tento FM model může být použit pro řadu aplikací, včetně předpovědi lokálního počasí až po předpověď extrémních povětrnostních událostí, zlepšení prostorového rozlišení globálních klimatických simulací a jemnější reprezentaci fyzikálních procesů v konvenčních modelech. Kromě toho Prithvi přichází se dvěma jemně upravenými verzemi navržených pro specifické vědecké a průmyslové použití, poskytující ještě větší přesnost pro environmentální analýzu. Model je zdarma dostupný na hugging face.

Závěrečné shrnutí

Partnerství IBM a NASA předefinovává geoprostorové AI, činí tak snazší pro výzkumníky a inovátory řešit naléhavé klimatické výzvy. Rozvíjejíce základní modely, které mohou účinně analyzovat velké datové sady, tato spolupráce zlepšuje naši schopnost předpovídat a spravovat závažné povětrnostní události. Co je ještě důležitější, otevírá dveře širšímu publiku, aby mělo přístup k těmto mocným nástrojům, které byly dříve omezeny na dobře zajištěné instituce. Jakmile se tyto pokročilé AI modely stanou přístupnějšími pro více lidí, vytvářejí cestu pro inovativní řešení, která mohou pomoci nám reagovat na změnu klimatu účinněji a zodpovědněji.