Cómo IBM y la NASA están redefiniendo la IA geoespacial para enfrentar los desafíos climáticos

Como el cambio climático combustibles Los métodos tradicionales de respuesta a desastres, como inundaciones, huracanes, sequías e incendios forestales, están teniendo dificultades para mantenerse al día con los fenómenos meteorológicos cada vez más severos. Si bien los avances en tecnología satelital, drones y sensores remotos permiten un mejor monitoreo, el acceso a estos datos vitales sigue limitado a unas pocas organizaciones, lo que deja a muchos investigadores e innovadores sin las herramientas que necesitan. La avalancha de datos geoespaciales que se generan diariamente también se ha convertido en un desafío, que abruma a las organizaciones y dificulta la extracción de información significativa. Para abordar estos problemas, se necesitan herramientas escalables, accesibles e inteligentes para convertir grandes conjuntos de datos en información climática procesable. Aquí es donde IA geoespacial La inteligencia artificial (IA) geoespacial se vuelve vital: una tecnología emergente que tiene el potencial de analizar grandes volúmenes de datos y brindar predicciones más precisas, proactivas y oportunas. Este artículo explora la colaboración pionera entre IBM y la NASA para desarrollar una IA geoespacial avanzada y más accesible, que permita a un público más amplio contar con las herramientas necesarias para impulsar soluciones ambientales y climáticas innovadoras.

Por qué IBM y la NASA son pioneros en la IA geoespacial básica

Modelos de cimentación Los modelos de modelado representan una nueva frontera en la IA, diseñados para aprender de grandes cantidades de datos no etiquetados y aplicar sus conocimientos en múltiples dominios. Este enfoque ofrece varias ventajas clave. A diferencia de los modelos de IA tradicionales, los modelos de modelado no dependen de conjuntos de datos masivos y cuidadosamente seleccionados. En cambio, pueden realizar ajustes a partir de muestras de datos más pequeñas, lo que ahorra tiempo y recursos. Esto los convierte en una herramienta poderosa para acelerar la investigación climática, donde la recopilación de grandes conjuntos de datos puede ser costosa y demandar mucho tiempo.

Además, los FM agilizan el desarrollo de aplicaciones especializadas, reduciendo los esfuerzos redundantes. Por ejemplo, una vez que se entrena un FM, se lo puede adaptar a varias aplicaciones posteriores, como el monitoreo de desastres naturales o el seguimiento del uso de la tierra, sin necesidad de un reentrenamiento extenso. Si bien el proceso de entrenamiento inicial puede demandar una potencia computacional significativa, que requiere decenas de miles de horas de GPU, una vez que se entrenan, ejecutarlos durante la inferencia toma solo minutos o incluso segundos.

Además, los modelos meteorológicos avanzados podrían hacer que los modelos meteorológicos avanzados sean accesibles a un público más amplio. Anteriormente, solo las instituciones bien financiadas con los recursos necesarios para respaldar una infraestructura compleja podían ejecutar estos modelos. Sin embargo, con el auge de los modelos meteorológicos preentrenados, la modelización climática ahora está al alcance de un grupo más amplio de investigadores e innovadores, lo que abre nuevas vías para descubrimientos más rápidos y soluciones ambientales innovadoras.

El origen de la IA geoespacial básica

El enorme potencial de los FM ha llevado a IBM y la NASA a colaborar para desarrollar un FM integral del entorno terrestre. El objetivo principal de esta colaboración es capacitar a los investigadores para extraer información de los extensos conjuntos de datos terrestres de la NASA de forma eficaz y accesible.

En esta búsqueda, lograrán un avance significativo en agosto de 2023 con la presentación de un proyecto pionero. FM para datos geoespacialesEste modelo fue entrenado con el vasto conjunto de datos satelitales de la NASA, que comprende un archivo de 40 años de imágenes de la Landsat Sentinel-2 armonizado (HLS) programa. Utiliza técnicas avanzadas de IA, incluidas arquitecturas de transformadores, para procesar de manera eficiente volúmenes sustanciales de datos geoespaciales. Desarrollado utilizando La supercomputadora Cloud Vela de IBM y la pila FM de Watsonx, el modelo HLS puede analizar datos hasta cuatro veces más rápido que los modelos de aprendizaje profundo tradicionales y, al mismo tiempo, requiere significativamente menos conjuntos de datos etiquetados para el entrenamiento.

Las posibles aplicaciones de este modelo son muy amplias y van desde el seguimiento de los cambios en el uso de la tierra y los desastres naturales hasta la predicción del rendimiento de los cultivos. Es importante destacar que esta poderosa herramienta está disponible de forma gratuita. Estar Disponible en Hugging Face, permitiendo a investigadores e innovadores de todo el mundo utilizar sus capacidades y contribuir al avance de la ciencia climática y ambiental.

Avances en la IA geoespacial básica

Aprovechando este impulso, IBM y la NASA han presentado recientemente otro modelo innovador de FM de código abierto: Prithvi WxCEste modelo está diseñado para abordar tanto los desafíos meteorológicos a corto plazo como las predicciones climáticas a largo plazo. Preentrenado con 40 años de datos de observación de la Tierra de la NASA del Análisis Retrospectivo de la Era Moderna para Investigación y Aplicaciones, Versión 2 (MERRA-2), el FM ofrece avances significativos respecto a los modelos de pronóstico tradicionales.

El modelo se construye utilizando un transformador de visión y autocodificador enmascarado, lo que le permite codificar datos espaciales a lo largo del tiempo. Al incorporar un mecanismo de atención temporalEl FM puede analizar datos de reanálisis de MERRA-2, que integran varios flujos de observación. El modelo puede operar tanto en una superficie esférica, como los modelos climáticos tradicionales, como en una cuadrícula plana y rectangular, lo que le permite cambiar entre vistas globales y regionales sin perder resolución.

Esta arquitectura única permite que Prithvi se ajuste con precisión a escalas globales, regionales y locales, mientras se ejecuta en una computadora de escritorio estándar en segundos. Este modelo FM se puede utilizar para una variedad de aplicaciones, que incluyen la previsión del clima local y la predicción de eventos climáticos extremos, la mejora de la resolución espacial de las simulaciones climáticas globales y el refinamiento de la representación de procesos físicos en modelos convencionales. Además, Prithvi viene con dos afinado versiones diseñadas para usos científicos e industriales específicos, que proporcionan una precisión aún mayor para el análisis ambiental. El modelo está disponible Estar Disponible en la cara abrazada.

Lo más importante es...

La alianza entre IBM y la NASA está redefiniendo la IA geoespacial, facilitando a investigadores e innovadores abordar los desafíos climáticos más urgentes. Al desarrollar modelos básicos que pueden analizar eficazmente grandes conjuntos de datos, esta colaboración mejora nuestra capacidad para predecir y gestionar fenómenos meteorológicos severos. Y lo que es más importante, abre la puerta a un público más amplio para acceder a estas potentes herramientas, anteriormente limitadas a instituciones con recursos suficientes. A medida que estos modelos avanzados de IA se hacen accesibles a más personas, abren el camino a soluciones innovadoras que pueden ayudarnos a responder al cambio climático de forma más eficaz y responsable.