Hvordan IBM og NASA gendefinerer geospatial AI til at tackle klimaudfordringer

Da klimaforandringer fremkalder stadig mere alvorlige vejrrelaterede begivenheder som oversvømmelser, orkaner, tørke og skovbrande, kæmper traditionelle metoder til katastrofehjælp med at følge med. Mens fremskridt i satellitteknologi, droner og fjernsensorer giver mulighed for bedre overvågning, er adgangen til disse livsvigtige data stadig begrænset til få organisationer, hvilket efterlader mange forskere og innovatører uden de værktøjer, de har brug for. Floden af geospatial data, der genereres dagligt, er også blevet en udfordring – overvældende organisationer og gøre det sværere at udtrække meningsfulde indsigt. For at løse disse problemer er der behov for skalerbare, tilgængelige og intelligente værktøjer, der kan omdanne enorme datamængder til håndterbare klima-indsigt. Her er, hvor geospatial AI bliver afgørende – en opkomende teknologi, der har potentialet til at analysere store mængder data og give mere præcise, proaktive og rettidige forudsigelser. Denne artikel udforsker den banebrydende samarbejdsaftale mellem IBM og NASA om at udvikle avanceret, mere tilgængelig geospatial AI, der giver en bredere publikum adgang til de værktøjer, der er nødvendige for at drive innovative miljø- og klimaløsninger.

Hvorfor IBM og NASA er pionerer inden for Foundation Geospatial AI

Foundation-modeller (FMs) repræsenterer en ny front i AI, designet til at lære fra enorme mængder ulabelled data og anvende deres indsigt på tværs af multiple domæner. Denne tilgang tilbyder flere nøglefordele. I modsætning til traditionelle AI-modeller afhænger FMs ikke af massive, omhyggeligt kurerede datasæt. I stedet kan de finjustere på mindre datasæt, hvilket sparer både tid og ressourcer. Dette gør dem til et kraftfuldt værktøj til at accelerere klimaforskning, hvor indsamling af store datasæt kan være kostbar og tidskrævende.

Desuden strømliner FMs udviklingen af specialiserede applikationer, reducerer redundant arbejde. For eksempel kan en FM, når den først er trænet, tilpasses til flere downstream-applikationer, såsom overvågning af naturkatastrofer eller sporing af jordbrugsaktiviteter, uden at kræve omfattende gen-træning. Selvom den initielle træningsproces kan kræve betydelig beregningskraft, krævende titusinder af GPU-timer, kan den køres under inference på få minutter eller endda sekunder.

Desuden kan FMs gøre avancerede vejrmodeller tilgængelige for en bredere publikum. Tidligere kunne kun velbetalte institutioner med ressourcerne til at støtte kompleks infrastruktur køre disse modeller. Men med opkomsten af præ-trænede FMs er klimamodellering nu inden for rækkevidde for en bredere gruppe af forskere og innovatører, åbner nye veje for hurtigere opdagelser og innovative miljøløsninger.

Opkomsten af Foundation Geospatial AI

Det enorme potentiale i FMs har ført til, at IBM og NASA samarbejder om at opbygge en komprehensiv FM af jordens miljø. Det centrale mål for dette samarbejde er at give forskere mulighed for at udtrække indsigt fra NASAs omfattende jorddatasæt på en måde, der er både effektiv og tilgængelig.

I denne stræben opnåede de et betydeligt gennembrud i august 2023 med præsentationen af en banebrydende FM for geospatial data. Denne model blev trænet på NASAs enorme satellitdatasæt, der består af en 40-årig arkiv af billeder fra Harmonized Landsat Sentinel-2 (HLS)-programmet. Den anvender avancerede AI-teknikker, herunder transformer-arkitekturer, til at effektivt behandle store mængder geospatial data. Udviklet ved hjælp af IBMs Cloud Vela-supercomputer og Watsonx FM-stack, kan HLS-modellen analysere data op til fire gange hurtigere end traditionelle dybe læringmodeller, samtidig med at den kræver betydeligt færre labeled datasæt til træning.

De potentielle anvendelser af denne model er omfattende, fra overvågning af jordbrugsaktiviteter og naturkatastrofer til forudsigelse af afgrødeudbytte. Vigtigt er, at dette kraftfulde værktøj er frit tilgængeligt på Hugging Face, hvilket giver forskere og innovatører verden over mulighed for at udnytte dets kapaciteter og bidrage til fremskridt i klima- og miljøvidenskab.

Fremgang i Foundation Geospatial AI

Bygget på denne fremdrift har IBM og NASA nyligt introduceret en ny banebrydende open-source-model FM: Prithvi WxC. Denne model er designet til at tackle både kortfristede vejrudfordringer og langfristede klimaforudsigelser. Forudtrænet på 40 års NASAs jordobservationsdata fra Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), tilbyder FM betydelige forbedringer i forhold til traditionelle forudsigelsesmodeller.

Modellen er bygget ved hjælp af en vision transformer og en maskeret autoencoder, hvilket giver mulighed for at kode spatial data over tid. Ved at inkorporere en temporal attention-mekanisme kan FM analysere MERRA-2 reanalysedata, der integrerer forskellige observationsstrømme. Modellen kan køre på både en sfærisk overflade, som traditionelle klimamodeller, og en flad, rektangulær grid, hvilket giver mulighed for at skifte mellem globale og regionale visninger uden at tabe opløsning.

Denne unikke arkitektur giver Prithvi mulighed for at justeres på global, regional og lokal skala, samtidig med at den kan køre på en standard desktop-computer på få sekunder. Denne FM-model kan anvendes i en række applikationer, herunder lokal vejrforudsigelse, forudsigelse af ekstreme vejrrelaterede begivenheder, forbedring af den rumlige opløsning af globale klimasimulationer og forbedring af repræsentationen af fysiske processer i konventionelle modeller. Desuden kommer Prithvi med to forudtrænede versioner designet til specifikke videnskabelige og industrielle formål, hvilket giver endnu større præcision for miljøanalyse. Modellen er frit tilgængeligt på Hugging Face.

Sammenfatning

IBMs og NASAs samarbejde gendefinerer geospatial AI, gør det lettere for forskere og innovatører at tackle presserende klimaudfordringer. Ved at udvikle foundation-modeller, der kan analysere store datasæt effektivt, forbedrer dette samarbejde vores evne til at forudse og håndtere alvorlige vejrrelaterede begivenheder. Mest vigtigt åbner det døren for en bredere publikum til at få adgang til disse kraftfulde værktøjer, der tidligere var begrænset til velbetalte institutioner. Da disse avancerede AI-modeller bliver tilgængelige for flere mennesker, baner de vejen for innovative løsninger, der kan hjælpe os med at reagere på klimaforandringer mere effektivt og ansvarligt.