Jak IBM a NASA předefinovávají geospatialní AI pro řešení problémů souvisejících s klimatem

Vzhledem k tomu, že změna klimatu podněcuje stále více závažné povětrnostní události, jako jsou povodně, hurikány, sucha a lesní požáry, tradiční metody reakce na katastrofy mají problémy s udržením kroků. Zatímco pokroky ve satelitní technologie, drony a vzdálené senzory umožňují lepší monitorování, přístup k těmto životně důležitým údajům zůstává omezen na několik organizací, což mnoho výzkumníků a inovátorů zbavuje nástrojů, které potřebují. Příliv geospatialních dat generovaných denně se stal výzvou – zahlcuje organizace a činí těžším získat smysluplné poznatky. Aby se tyto problémy řešily, jsou zapotřebí škálovatelné, přístupné a inteligentní nástroje, které mohou proměnit rozsáhlé datové sady v akční klimatické poznatky. Právě zde se geospatialní AI stává životně důležitou – vznikající technologií, která má potenciál analyzovat velké objemy dat a poskytovat přesnější, proaktivní a včasnější předpovědi. Tento článek zkoumá průlomovou spolupráci mezi IBM a NASA na vývoji pokročilé, přístupnější geospatialní AI, která umožní širšímu publiku využívat nástroje nezbytné pro pohánění inovativních environmentálních a klimatických řešení.

Proč IBM a NASA jsou průkopníky v oblasti geospatialní AI

Základní modely (FMs) reprezentují novou hranici v oblasti AI, navrženou pro učení z velkých objemů nelabelovaných dat a aplikaci svých poznatků napříč několika doménami. Tento přístup nabízí několik klíčových výhod. Na rozdíl od tradičních modelů AI nezávisí FMs na masivních, pečlivě kurátorovaných datech. Místo toho mohou být jemně upraveny na menších vzorcích dat, čímž se šetří čas i zdroje. To z nich činí mocný nástroj pro urychlení klimatického výzkumu, kde shromažďování velkých datových sad může být nákladné a časově náročné.

Kromě toho FMs zjednodušují vývoj specializovaných aplikací, snižují nadbytečné úsilí. Například jednou, co je FM vyškolena, může být adaptována na několik downstream aplikací, jako je monitorování přírodních katastrof nebo sledování využití půdy, bez nutnosti rozsáhlého opětovného školení. I když počáteční proces školení může vyžadovat značnou výpočetní sílu, vyžadující desítky tisíc hodin GPU. Nicméně jednou, co jsou vyškolena, běží během inference pouze několik minut nebo dokonce sekund.

Kromě toho by FMs mohly učinit pokročilé meteorologické modely přístupnější širšímu publiku. Předtím mohli tyto modely spouštět pouze dobře vybavené instituce s prostředky na podporu složitých infrastruktur. Nicméně s rostoucími předškolními FMs je nyní klimatické modelování dostupné pro širší skupinu výzkumníků a inovátorů, což otevírá nové cesty pro rychlejší objevy a inovativní environmentální řešení.

Původ geospatialní AI

Ohromný potenciál FMs vedl IBM a NASA k spolupráci na vybudování komplexního FM zemského prostředí. Hlavním cílem tohoto partnerství je umožnit výzkumníkům získat poznatky z rozsáhlých zemských dat NASA způsobem, který je účinný a přístupný.

Při tomto úsilí dosáhli významného průlomu v srpnu 2023 s odhalením průkopnického FM pro geospatialní data. Tento model byl vyškolena na rozsáhlé satelitní datové sadě NASA, která zahrnuje 40letý archiv obrazů z programu Harmonized Landsat Sentinel-2 (HLS). Používá pokročilé AI techniky, včetně transformer architektur, pro efektivní zpracování velkých objemů geospatialních dat. Vyvinutý pomocí IBM Cloud Vela superpočítače a watsonx FM stack, HLS model může analyzovat data až čtyřikrát rychleji než tradiční hluboké učení modely, zatímco vyžaduje podstatně méně labelovaných datových sad pro školení.

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

Pokroky v geospatialní AI

Na základě tohoto impulsu IBM a NASA nedávno představily další průlomový open-source model FM: Prithvi WxC. Tento model je navržen pro řešení krátkodobých povětrnostních výzev a dlouhodobých klimatických předpovědí. Předškolena 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, což umožňuje kódovat prostorová data v čase. Integrací časové attention mechanismu může FM analyzovat MERRA-2 reanalytická data, která integrují různé pozorovací proudy. Model může fungovat na sférickém povrchu, jako tradiční klimatické modely, a na rovině, obdélníkovém gridu, což mu umožňuje přepínat 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 počítači během několika sekund. Tento FM model může být použit pro řadu aplikací, včetně předpovědi lokálního počasí, předpovědi extrémních povětrnostních událostí, vylepšení prostorového rozlišení globálních klimatických simulací a zdokonalení reprezentace 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 volně dostupný na hugging face.

Závěrečné shrnutí

Partnerství IBM a NASA předefinovává geospatialní AI, činí ji přístupnější pro výzkumníky a inovátory, aby řešili naléhavé klimatické problémy. Rozvojem základních modelů, které mohou účinně analyzovat velké datové sady, tato spolupráce zlepšuje naši schopnost předpovídat a řídit závažné povětrnostní události. Důleživé je, že otevírá dveře širšímu publiku, aby mělo přístup k těmto mocným nástrojům, které byly dříve omezeny na dobře vybavené 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.