Comment IBM et NASA redéfinissent l’IA géospatiale pour relever les défis climatiques

Alors que le changement climatique alimente des événements météorologiques de plus en plus graves comme les inondations, les ouragans, les sécheresses et les incendies de forêt, les méthodes traditionnelles de réponse aux catastrophes ont du mal à suivre. Bien que les progrès de la technologie satellitaire, des drones et des capteurs à distance permettent une meilleure surveillance, l’accès à ces données vitales reste limité à quelques organisations, laissant de nombreux chercheurs et innovateurs sans les outils dont ils ont besoin. Le flux de données géospatiales générées quotidiennement est également devenu un défi – submergeant les organisations et rendant plus difficile l’extraction de connaissances significatives. Pour résoudre ces problèmes, des outils intelligents, accessibles et évolutifs sont nécessaires pour transformer les vastes ensembles de données en connaissances climatiques actionnables. C’est là que l’IA géospatiale devient vitale – une technologie émergente qui a le potentiel d’analyser de grands volumes de données, fournissant des prévisions plus précises, proactives et opportunes. Cet article explore la collaboration innovante entre IBM et NASA pour développer une IA géospatiale avancée et plus accessible, permettant à un public plus large d’accéder aux outils nécessaires pour impulser des solutions environnementales et climatiques innovantes.

Pourquoi IBM et NASA sont-ils les pionniers de l’IA géospatiale fondation

Les modèles de fondation (FMs) représentent une nouvelle frontière dans l’IA, conçus pour apprendre à partir de vastes quantités de données non étiquetées et appliquer leurs connaissances à travers plusieurs domaines. Cette approche offre plusieurs avantages clés. Contrairement aux modèles d’IA traditionnels, les FMs ne reposent pas sur des ensembles de données massifs et soigneusement curés. Au lieu de cela, ils peuvent affiner sur des échantillons de données plus petits, économisant ainsi du temps et des ressources. Cela les rend en outil puissant pour accélérer la recherche sur le climat, où la collecte de grands ensembles de données peut être coûteuse et chronophage.

De plus, les FMs rationalisent le développement d’applications spécialisées, réduisant les efforts redondants. Par exemple, une fois qu’un FM est formé, il peut être adapté à plusieurs applications en aval telles que la surveillance des catastrophes naturelles ou le suivi de l’utilisation des terres sans nécessiter une rééducation extensive. Même si le processus de formation initial peut exiger une puissance de calcul significative, nécessitant des dizaines de milliers d’heures de GPU. Cependant, une fois qu’ils sont formés, les exécuter pendant l’inférence prend apenas quelques minutes ou même des secondes.

En outre, les FMs pourraient rendre les modèles météorologiques avancés accessibles à un public plus large. Auparavant, seules les institutions bien financées avec les ressources pour soutenir des infrastructures complexes pouvaient exécuter ces modèles. Cependant, avec l’émergence de FMs pré-formés, la modélisation du climat est maintenant à la portée d’un groupe plus large de chercheurs et d’innovateurs, ouvrant de nouvelles voies pour des découvertes plus rapides et des solutions environnementales innovantes.

La genèse de l’IA géospatiale fondation

Le potentiel immense des FMs a conduit IBM et NASA à collaborer pour construire un modèle de fondation complet de l’environnement terrestre. L’objectif principal de ce partenariat est de permettre aux chercheurs d’extraire des connaissances à partir des vastes ensembles de données de la Terre de la NASA de manière efficace et accessible.

Dans cette quête, ils réalisent une avancée significative en août 2023 avec la présentation d’un FM pour les données géospatiales pionnier. Ce modèle a été formé sur l’ensemble de données satellitaires vaste de la NASA, comprenant un archive de 40 ans d’images du programme Harmonized Landsat Sentinel-2 (HLS). Il utilise des techniques d’IA avancées, notamment des architectures de transformateur, pour traiter efficacement de grands volumes de données géospatiales. Développé à l’aide de l’ordinateur supercalculateur Cloud Vela d’IBM et de la pile de modèle de fondation Watsonx, le modèle HLS peut analyser des données jusqu’à quatre fois plus rapidement que les modèles d’apprentissage profond traditionnels tout en nécessitant significativement moins de jeux de données étiquetés pour la formation.

Les applications potentielles de ce modèle sont étendues, allant de la surveillance des changements d’utilisation des terres et des catastrophes naturelles à la prédiction des rendements des cultures. Importamment, cet outil puissant est disponible gratuitement sur Hugging Face, permettant aux chercheurs et aux innovateurs du monde entier d’utiliser ses capacités et de contribuer au progrès de la science climatique et environnementale.

Progrès de l’IA géospatiale fondation

En s’appuyant sur cet élan, IBM et NASA ont récemment introduit un autre modèle de fondation ouvert innovant : Prithvi WxC. Ce modèle est conçu pour répondre aux défis météorologiques à court terme et aux prévisions climatiques à long terme. Pré-formé sur 40 ans de données d’observation de la Terre de la NASA à partir de l’analyse rétrospective de la Modern-Era pour la recherche et les applications, Version 2 (MERRA-2), le FM offre des progrès significatifs par rapport aux modèles de prévision traditionnels.

Le modèle est construit à l’aide d’un transformateur de vision et d’un auto-encodeur masqué, lui permettant d’encoder les données spatiales dans le temps. En incorporant un mécanisme d’attention temporel, le FM peut analyser les données de réanalyse MERRA-2, qui intègrent diverses sources d’observation. Le modèle peut fonctionner à la fois sur une surface sphérique, comme les modèles climatiques traditionnels, et sur une grille plate et rectangulaire, lui permettant de passer d’une vue globale à une vue régionale sans perdre de résolution.

Cette architecture unique permet à Prithvi d’être affiné à l’échelle mondiale, régionale et locale, tout en fonctionnant sur un ordinateur de bureau standard en quelques secondes. Ce modèle de FM peut être utilisé pour une gamme d’applications, notamment la prévision météorologique locale, la prédiction d’événements météorologiques extrêmes, l’amélioration de la résolution spatiale des simulations climatiques mondiales et l’affinement de la représentation des processus physiques dans les modèles conventionnels. De plus, Prithvi est livré avec deux versions affinées conçues pour des utilisations scientifiques et industrielles spécifiques, offrant ainsi une précision encore plus grande pour l’analyse environnementale. Le modèle est disponible gratuitement sur Hugging Face.

En résumé

Le partenariat entre IBM et NASA redéfinit l’IA géospatiale, rendant ainsi plus facile pour les chercheurs et les innovateurs de relever les défis climatiques pressants. En développant des modèles de fondation qui peuvent analyser efficacement de grands ensembles de données, cette collaboration améliore notre capacité à prédire et à gérer les événements météorologiques graves. Plus important encore, elle ouvre la porte à un public plus large pour accéder à ces outils puissants, précédemment limités aux institutions bien dotées. Alors que ces modèles d’IA avancés deviennent accessibles à plus de personnes, ils ouvrent la voie à des solutions innovantes qui peuvent nous aider à répondre au changement climatique de manière plus efficace et responsable.