Bagaimana IBM dan NASA Mengubah Geospatial AI untuk Mengatasi Tantangan Iklim

Seiring perubahan iklim memicu berbagai bencana alam yang semakin parah seperti banjir, badai, kekeringan, dan kebakaran hutan, metode respons bencana tradisional semakin kesulitan untuk mengikuti. Meskipun kemajuan teknologi satelit, drone, dan sensor jarak jauh memungkinkan pemantauan yang lebih baik, akses ke data penting ini masih terbatas pada beberapa organisasi, meninggalkan banyak peneliti dan inovator tanpa alat yang mereka butuhkan. Banjir data geospasial yang dihasilkan setiap hari juga telah menjadi tantangan—menghancurkan organisasi dan membuatnya lebih sulit untuk mengekstrak wawasan yang berarti. Untuk mengatasi masalah ini, diperlukan alat yang skalabel, dapat diakses, dan cerdas untuk mengubah dataset besar menjadi wawasan iklim yang dapat digunakan. Inilah di mana geospatial AI menjadi vital—teknologi yang muncul yang memiliki potensi untuk menganalisis volume data yang besar, memberikan prediksi yang lebih akurat, proaktif, dan tepat waktu. Artikel ini menjelajahi kerja sama yang berani antara IBM dan NASA untuk mengembangkan geospatial AI yang lebih maju dan dapat diakses, memberdayakan audiens yang lebih luas dengan alat yang diperlukan untuk menggerakkan solusi lingkungan dan iklim yang inovatif.

Mengapa IBM dan NASA Memelopori Foundation Geospatial AI

Model dasar (FMs) mewakili frontier baru dalam AI, dirancang untuk belajar dari volume data yang besar dan tidak berlabel dan menerapkan wawasan mereka di berbagai domain. Pendekatan ini menawarkan beberapa kelebihan utama. Tidak seperti model AI tradisional, FMs tidak bergantung pada dataset yang besar dan hati-hati dikurasi. Sebaliknya, mereka dapat disesuaikan dengan sampel data yang lebih kecil, menghemat waktu dan sumber daya. Ini membuat mereka menjadi alat yang kuat untuk mempercepat penelitian iklim, di mana mengumpulkan dataset besar dapat memakan biaya dan waktu yang lama.

Lebih lagi, FMs menyederhanakan pengembangan aplikasi khusus, mengurangi upaya yang berulang. Misalnya, setelah FM dilatih, dapat disesuaikan untuk beberapa aplikasi huluan seperti pemantauan bencana alam atau pelacakan penggunaan lahan tanpa memerlukan pelatihan ulang yang luas. Meskipun proses pelatihan awal dapat memerlukan daya komputasi yang signifikan, membutuhkan puluhan ribu jam GPU. Namun, setelah mereka dilatih, menjalankannya selama inferensi hanya membutuhkan beberapa menit atau bahkan detik.

Selain itu, FMs bisa membuat model cuaca yang maju lebih dapat diakses oleh audiens yang lebih luas. Sebelumnya, hanya lembaga yang terdidik dengan baik dengan sumber daya untuk mendukung infrastruktur yang kompleks yang dapat menjalankan model ini. Namun, dengan munculnya FMs yang telah dilatih sebelumnya, pemodelan iklim sekarang dalam jangkauan bagi sekelompok peneliti dan inovator yang lebih luas, membuka jalur baru untuk penemuan yang lebih cepat dan solusi lingkungan yang inovatif.

Genesis Foundation Geospatial AI

Potensi besar FMs telah memimpin IBM dan NASA untuk berkolaborasi dalam membangun model dasar komprehensif dari lingkungan Bumi. Tujuan utama dari kemitraan ini adalah untuk memberdayakan peneliti untuk mengekstrak wawasan dari dataset Bumi NASA yang luas dengan cara yang efektif dan dapat diakses.

Dalam upaya ini, mereka mencapai terobosan signifikan pada Agustus 2023 dengan peluncuran FM untuk data geospasial. Model ini dilatih pada dataset satelit NASA yang luas, yang mencakup arsip 40 tahun gambar dari program Harmonized Landsat Sentinel-2 (HLS). Ini menggunakan teknik AI yang maju, termasuk arsitektur transformer, untuk mengolah volume data geospasial yang besar dengan efisien. Dikembangkan menggunakan superkomputer Cloud Vela IBM dan tumpukan FM watsonx, model HLS dapat menganalisis data hingga empat kali lebih cepat daripada model pembelajaran dalam yang tradisional sambil memerlukan dataset yang jauh lebih sedikit untuk pelatihan.

Aplikasi potensial dari model ini sangat luas, mulai dari pemantauan perubahan penggunaan lahan dan bencana alam hingga prediksi hasil panen. Yang penting, alat kuat ini tersedia secara gratis di Hugging Face, memungkinkan peneliti dan inovator di seluruh dunia untuk menggunakan kemampuannya dan berkontribusi pada kemajuan ilmu iklim dan lingkungan.

Kemajuan dalam Foundation Geospatial AI

Membangun dari momentum ini, IBM dan NASA baru-baru ini memperkenalkan model FM sumber terbuka lain yang berani: Prithvi WxC. Model ini dirancang untuk mengatasi tantangan cuaca jangka pendek dan prediksi iklim jangka panjang. Dilatih sebelumnya pada 40 tahun data pengamatan Bumi NASA dari Modern-Era Retrospective analysis for Research and Applications, Versi 2 (MERRA-2), FM menawarkan kemajuan signifikan atas model peramalan tradisional.

Model ini dibangun menggunakan transformer visi dan masked autoencoder, memungkinkannya untuk mengkodekan data spasial dari waktu ke waktu. Dengan mengintegrasikan mekanisme perhatian temporal, FM dapat menganalisis data reanalisis MERRA-2, yang mengintegrasikan berbagai aliran pengamatan. Model ini dapat beroperasi pada permukaan spherical, seperti model iklim tradisional, dan grid datar, rectangular, memungkinkannya untuk beralih antara tampilan global dan regional tanpa kehilangan resolusi.

Arsitektur unik ini memungkinkan Prithvi untuk disesuaikan pada skala global, regional, dan lokal, sambil berjalan pada komputer desktop standar dalam hitungan detik. Model FM ini dapat digunakan untuk berbagai aplikasi, termasuk peramalan cuaca lokal hingga prediksi peristiwa cuaca ekstrem, meningkatkan resolusi spasial simulasi iklim global, dan memperbaiki representasi proses fisik dalam model konvensional. Selain itu, Prithvi hadir dengan dua versi disesuaikan yang dirancang untuk penggunaan ilmiah dan industri yang spesifik, memberikan presisi yang lebih besar untuk analisis lingkungan. Model ini tersedia secara gratis di Hugging Face.

Ringkasan

Kemitraan IBM dan NASA mengubah geospatial AI, membuatnya lebih mudah bagi peneliti dan inovator untuk mengatasi tantangan iklim yang mendesak. Dengan mengembangkan model dasar yang dapat menganalisis dataset besar dengan efektif, kolaborasi ini meningkatkan kemampuan kita untuk memprediksi dan mengelola peristiwa cuaca yang parah. Lebih penting lagi, ini membuka pintu bagi audiens yang lebih luas untuk mengakses alat kuat ini, sebelumnya terbatas pada lembaga yang terdidik dengan baik. Ketika model AI yang maju ini menjadi lebih dapat diakses oleh lebih banyak orang, mereka membuka jalan bagi solusi inovatif yang dapat membantu kita merespons perubahan iklim dengan lebih efektif dan bertanggung jawab.