Wie IBM und NASA Geospatial AI neu definieren, um den Herausforderungen des Klimawandels zu begegnen

Da der Klimawandel anheizt immer schwerere Wetterereignisse wie Überschwemmungen, Hurrikans, Dürren und Waldbrände, kämpfen herkömmliche Methoden der Katastrophenbewältigung darum, Schritt zu halten. Während Fortschritte in der Satellitentechnologie, Drohnen und Fernsensoren eine bessere Überwachung ermöglichen, bleibt der Zugang zu diesen wichtigen Daten auf einige Organisationen beschränkt, so dass viele Forscher und Innovatoren ohne die notwendigen Werkzeuge bleiben. Der Strom von Geodaten, der täglich generiert wird, ist ebenfalls zu einer Herausforderung geworden – er überwältigt Organisationen und macht es schwieriger, aussagekräftige Erkenntnisse zu gewinnen. Um diese Probleme anzugehen, sind skalierbare, zugängliche und intelligente Werkzeuge erforderlich, um große Datenmengen in handhabbare Klimaerkenntnisse umzuwandeln. Hier kommt Geospatial AI ins Spiel – eine aufstrebende Technologie, die das Potenzial hat, große Datenmengen zu analysieren und genauere, proaktive und zeitnahe Vorhersagen zu liefern. Dieser Artikel erforscht die bahnbrechende Zusammenarbeit zwischen IBM und NASA, um fortschrittliche, zugänglichere Geospatial AI zu entwickeln und eine breitere Öffentlichkeit mit den notwendigen Werkzeugen auszustatten, um innovative Umwelt- und Klimalösungen voranzutreiben.

Warum IBM und NASA Foundation Geospatial AI vorantreiben

Foundation-Modelle (FMs) stellen eine neue Grenze in der KI dar, die darauf ausgelegt sind, aus großen Mengen unbeschrifteter Daten zu lernen und ihre Erkenntnisse auf mehrere Bereiche anzuwenden. Dieser Ansatz bietet mehrere wichtige Vorteile. Im Gegensatz zu herkömmlichen KI-Modellen verlassen sich FMs nicht auf massive, sorgfältig kuratierte Datensätze. Stattdessen können sie auf kleineren Datenproben fein abgestimmt werden, was sowohl Zeit als auch Ressourcen spart. Dies macht sie zu einem leistungsstarken Werkzeug für die Beschleunigung der Klimaforschung, bei der die Erfassung großer Datensätze teuer und zeitaufwändig sein kann.

Zusätzlich rationalisieren FMs die Entwicklung spezifischer Anwendungen und reduzieren redundante Bemühungen. Zum Beispiel kann ein FM, sobald er trainiert wurde, auf mehrere nachgelagerte Anwendungen wie die Überwachung von Naturkatastrophen oder die Verfolgung von Landnutzungsänderungen ohne umfangreiche Neuschulung angepasst werden. Obwohl der anfängliche Trainingsprozess erhebliche Rechenleistung erfordern kann, was Zehntausende von GPU-Stunden erfordert, benötigt die Ausführung während der Inferenz nur wenige Minuten oder sogar Sekunden.

Darüber hinaus könnten FMs fortschrittliche Wettermodelle einer breiteren Öffentlichkeit zugänglich machen. Zuvor konnten nur gut finanzierte Institutionen mit den Ressourcen, um komplexe Infrastrukturen zu unterstützen, diese Modelle ausführen. Mit dem Aufkommen von vortrainierten FMs ist jedoch die Klimamodellierung nun für eine breitere Gruppe von Forschern und Innovatoren erreichbar, was neue Wege für schnellere Entdeckungen und innovative Umweltlösungen eröffnet.

Die Genesis von Foundation Geospatial AI

Das enorme Potenzial von FMs hat IBM und NASA dazu veranlasst, eine umfassende FM der Erde zu entwickeln. Das Hauptziel dieser Partnerschaft besteht darin, Forschern die Möglichkeit zu geben, Erkenntnisse aus den umfangreichen Erd-Datensätzen von NASA auf effektive und zugängliche Weise zu gewinnen.

Im Rahmen dieser Bemühungen haben sie im August 2023 einen bedeutenden Durchbruch erzielt, indem sie ein bahnbrechendes FM für Geodaten vorgestellt haben. Dieses Modell wurde auf dem umfangreichen Satellitendatensatz von NASA trainiert, der ein 40-jähriges Archiv von Bildern des Harmonized Landsat Sentinel-2 (HLS)-Programms umfasst. Es verwendet fortschrittliche KI-Techniken, einschließlich Transformer-Architekturen, um große Mengen an Geodaten effizient zu verarbeiten. Mit IBMs Cloud Vela-Supercomputer und dem Watsonx-FM-Stack kann das HLS-Modell Daten bis zu viermal schneller als herkömmliche Deep-Learning-Modelle analysieren und benötigt dabei wesentlich weniger beschriftete Datensätze für die Schulung.

Die potenziellen Anwendungen dieses Modells sind umfassend und reichen von der Überwachung von Landnutzungsänderungen und Naturkatastrophen bis hin zur Vorhersage von Ernteerträgen. Wichtig ist, dass dieses leistungsstarke Werkzeug kostenlos auf Hugging Face verfügbar ist, was es Forschern und Innovatoren auf der ganzen Welt ermöglicht, seine Fähigkeiten zu nutzen und zur Weiterentwicklung von Klima- und Umweltwissenschaft beizutragen.

Fortschritte in Foundation Geospatial AI

Aufbauend auf diesem Momentum haben IBM und NASA kürzlich ein weiteres bahnbrechendes Open-Source-Modell FM vorgestellt: Prithvi WxC. Dieses Modell ist darauf ausgelegt, sowohl kurzfristige Wetterherausforderungen als auch langfristige Klimavorhersagen anzugehen. Vortrainiert auf 40 Jahren Erdbeobachtungsdaten von NASA aus der Modern-Era-Retrospective-Analyse für Forschung und Anwendungen, Version 2 (MERRA-2), bietet das FM wesentliche Verbesserungen gegenüber herkömmlichen Vorhersagemodellen.

Das Modell ist mit einem Vision-Transformer und einem maskierten Autoencoder aufgebaut, was es ermöglicht, räumliche Daten im Laufe der Zeit zu kodieren. Durch die Integration eines temporalen Aufmerksamkeitsmechanismus kann das FM MERRA-2-Reanalyse-Daten analysieren, die verschiedene Beobachtungsströme integrieren. Das Modell kann sowohl auf einer sphärischen Oberfläche wie herkömmliche Klimamodelle als auch auf einem flachen, rechteckigen Gitter arbeiten, was es ermöglicht, zwischen globalen und regionalen Ansichten ohne Verlust der Auflösung zu wechseln.

Diese einzigartige Architektur ermöglicht es Prithvi, auf globaler, regionaler und lokaler Ebene fein abgestimmt zu werden, während es auf einem Standard-Desktop-Computer in Sekunden läuft. Dieses FM-Modell kann für eine Vielzahl von Anwendungen eingesetzt werden, darunter die Vorhersage von lokalen Wetterbedingungen, die Vorhersage von extremen Wetterereignissen, die Verbesserung der räumlichen Auflösung globaler Klimasimulationen und die Verfeinerung der Darstellung physikalischer Prozesse in herkömmlichen Modellen. Darüber hinaus kommt Prithvi mit zwei fein abgestimmten Versionen, die für spezifische wissenschaftliche und industrielle Anwendungen konzipiert sind, was eine noch größere Präzision für Umweltanalysen bietet. Das Modell ist kostenlos auf Hugging Face verfügbar.

Das Fazit

Die Partnerschaft zwischen IBM und NASA definiert Geospatial AI neu und macht es Forschern und Innovatoren leichter, dringende Klimaherausforderungen anzugehen. Durch die Entwicklung von Foundation-Modellen, die große Datenmengen effektiv analysieren können, verbessert diese Zusammenarbeit unsere Fähigkeit, schwere Wetterereignisse vorherzusagen und zu bewältigen. Wichtig ist, dass sie die Tür für eine breitere Öffentlichkeit öffnet, um auf diese leistungsstarken Werkzeuge zuzugreifen, die zuvor nur gut finanzierten Institutionen vorbehalten waren. Wenn diese fortschrittlichen KI-Modelle für mehr Menschen zugänglich werden, ebnet sich der Weg für innovative Lösungen, die uns helfen, dem Klimawandel effektiver und verantwortungsvoller zu begegnen.