Comment IBM et NASA réinventent 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 flot 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 évolutifs, accessibles et intelligents 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 de disposer des outils nécessaires pour conduire des solutions environnementales et climatiques innovantes.

Pourquoi IBM et NASA sont-elles des pionnières de l’IA géospatiale de base

Les modèles de base (FMs) représentent une nouvelle frontière de l’IA, conçus pour apprendre à partir de vastes quantités de données non étiquetées et appliquer leurs connaissances à plusieurs domaines. Cette approche offre plusieurs avantages clés. Contrairement aux modèles d’IA traditionnels, les FMs ne dépendent pas de jeux de données massifs et soigneusement étiquetés. Au lieu de cela, ils peuvent affiner sur des échantillons de données plus petits, économisant ainsi du temps et des ressources. Cela les rend un outil puissant pour accélérer la recherche sur le climat, où la collecte de grands ensembles de données peut être coûteuse et chronophage.
En outre, 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. Bien que le processus de formation initial puisse exiger une puissance de calcul significative, nécessitant des dizaines de milliers d’heures de GPU, une fois qu’ils sont formés, les faire fonctionner pendant l’inférence prend seulement quelques minutes ou même des secondes.
De plus, 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 une infrastructure complexe pouvaient exécuter ces modèles. Cependant, avec l’émergence de FMs pré-formés, la modélisation du climat est maintenant à la portée d’un plus large groupe 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 de base

Le vaste potentiel des FMs a conduit IBM et NASA à collaborer pour construire un modèle de base complet de l’environnement de la Terre. L’objectif clé de ce partenariat est de permettre aux chercheurs d’extraire des connaissances à partir des vastes ensembles de données terrestres de la NASA de manière efficace et accessible.
Dans cette quête, ils ont réalisé une avancée significative en août 2023 avec la présentation d’un FM pour les données géospatiales innovant. 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 transformateurs, 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 modèles de base Watsonx, le modèle HLS peut analyser des données jusqu’à quatre fois plus rapidement que les modèles d’apprentissage profond traditionnels, tout en nécessitant considérablement 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.

Avancées dans l’IA géospatiale de base

En s’appuyant sur cet élan, IBM et NASA ont récemment introduit un autre modèle open-source révolutionnaire FM : 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 recherche et des applications de l’ère moderne, 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, permettant ainsi d’encoder des 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 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 réinvente l’IA géospatiale, rendant ainsi plus facile pour les chercheurs et les innovateurs de relever les défis climatiques pressants. En développant des modèles de base qui peuvent analyser efficacement les 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, auparavant limités aux institutions bien dotées. À mesure 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.