Wie IBM und NASA Geospatial AI neu definieren, um klimatische Herausforderungen zu meistern

Da der Klimawandel anheizt immer schlimmere Wetterereignisse wie Überschwemmungen, Hurrikans, Dürren und Waldbrände, kämpfen herkömmliche Methoden der Katastrophenbewältigung darum, mitzuhalten. Während Fortschritte in der Satellitentechnologie, Drohnen und Fernsensoren eine bessere Überwachung ermöglichen, bleibt der Zugang zu diesen wichtigen Daten auf wenige Organisationen beschränkt, so dass viele Forscher und Innovatoren ohne die notwendigen Werkzeuge bleiben. Der Strom an geospatialen Daten, der täglich generiert wird, ist ebenfalls zu einer Herausforderung geworden – er überfordert Organisationen und macht es schwieriger, sinnvolle Erkenntnisse zu gewinnen. Um diese Probleme anzugehen, werden skalierbare, zugängliche und intelligente Werkzeuge benötigt, um riesige Datensätze 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 damit ein breiteres Publikum 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 ist, aus riesigen Mengen unbeschrifteter Daten zu lernen und ihre Erkenntnisse in mehreren Bereichen 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 Datenstichproben feinabgestimmt werden, wodurch sowohl Zeit als auch Ressourcen gespart werden. Dies macht sie zu einem leistungsstarken Werkzeug für die Beschleunigung der Klimaforschung, bei der die Erfassung großer Datensätze teuer und zeitaufwändig sein kann.

Darüber hinaus vereinfachen FMs die Entwicklung spezifischer Anwendungen und reduzieren redundanten Aufwand. 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 umfasst, benötigt die Ausführung während der Inferenz nur Minuten oder sogar Sekunden.

Zusätzlich könnten FMs fortschrittliche Wettermodelle für ein breiteres Publikum zugänglich machen. Zuvor konnten nur gut ausgestattete Institutionen mit den notwendigen Ressourcen, um komplexe Infrastrukturen zu unterstützen, diese Modelle ausführen. Durch den Aufstieg vortrainierter FMs ist jedoch das Klimamodellieren 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 Erdenumwelt zu entwickeln. Das Hauptziel dieser Partnerschaft ist es, Forschern zu ermöglichen, Erkenntnisse aus NASAs umfangreichen Erd-Datensätzen auf eine effektive und zugängliche Weise zu gewinnen.

Auf diesem Weg haben sie im August 2023 mit der Enthüllung eines bahnbrechenden FMs für geospatial Daten einen bedeutenden Durchbruch erzielt. Dieses Modell wurde auf NASAs umfangreichem Satellitendatensatz 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 geospatialen Daten effizient zu verarbeiten. Entwickelt mit IBM’s 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 das Training.

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 weltweit ermöglicht, seine Fähigkeiten zu nutzen und zur Weiterentwicklung von Klima- und Umweltwissenschaft beizutragen.

Fortschritte in Foundation Geospatial AI

IBM und NASA haben auf diesem Momentum aufbauend 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 von NASAs Erdbeobachtungsdaten 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 über die 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 feinabgestimmt zu werden, während es auf einem Standard-Desktop-Computer in Sekunden läuft. Dieses FM-Modell kann für eine Reihe von Anwendungen eingesetzt werden, darunter die Vorhersage von lokalen Wetterbedingungen bis hin zur Vorhersage von extremen Wetterereignissen, die Verbesserung der räumlichen Auflösung globaler Klimasimulationen und die Verfeinerung der Darstellung physikalischer Prozesse in herkömmlichen Modellen. Darüber hinaus ist Prithvi mit zwei feinabgestimmten Versionen ausgestattet, 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, drängende 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. Wichtiger noch, sie öffnet die Tür für ein breiteres Publikum, um auf diese leistungsstarken Werkzeuge zuzugreifen, die zuvor auf gut ausgestattete Institutionen beschränkt waren. Wenn diese fortschrittlichen KI-Modelle für mehr Menschen zugänglich werden, ebnet sie den Weg für innovative Lösungen, die uns helfen, auf den Klimawandel effektiver und verantwortungsvoller zu reagieren.