Come IBM e NASA stanno ridefinendo l'intelligenza artificiale geospaziale per affrontare le sfide climatiche

Come il cambiamento climatico combustibili eventi meteorologici sempre più gravi come inondazioni, uragani, siccità e incendi boschivi, i metodi tradizionali di risposta ai disastri stanno lottando per tenere il passo. Mentre i progressi nella tecnologia satellitare, nei droni e nei sensori remoti consentono un monitoraggio migliore, l'accesso a questi dati vitali rimane limitato a poche organizzazioni, lasciando molti ricercatori e innovatori senza gli strumenti di cui hanno bisogno. Anche il flusso di dati geospaziali generati quotidianamente è diventato una sfida, travolgendo le organizzazioni e rendendo più difficile estrarre informazioni significative. Per affrontare questi problemi, sono necessari strumenti scalabili, accessibili e intelligenti per trasformare vasti set di dati in informazioni climatiche fruibili. È qui che IA geospaziale diventa vitale: una tecnologia emergente che ha il potenziale per analizzare grandi volumi di dati, fornendo previsioni più accurate, proattive e tempestive. Questo articolo esplora la collaborazione rivoluzionaria tra IBM e NASA per sviluppare un'intelligenza artificiale geospaziale avanzata e più accessibile, fornendo a un pubblico più ampio gli strumenti necessari per guidare soluzioni innovative per l'ambiente e il clima.

Perché IBM e NASA sono pionieri nell'intelligenza artificiale geospaziale di base

Modelli di fondazione (FM) rappresentano una nuova frontiera nell'IA, progettati per apprendere da grandi quantità di dati non etichettati e applicare le loro intuizioni in più domini. Questo approccio offre diversi vantaggi chiave. A differenza dei modelli di IA tradizionali, i FM non si basano su enormi set di dati curati con cura. Invece, possono perfezionarsi su campioni di dati più piccoli, risparmiando tempo e risorse. Ciò li rende uno strumento potente per accelerare la ricerca sul clima, dove la raccolta di grandi set di dati può essere costosa e richiedere molto tempo.

Inoltre, gli FM semplificano lo sviluppo di applicazioni specializzate, riducendo gli sforzi ridondanti. Ad esempio, una volta che un FM è stato addestrato, può essere adattato a diverse applicazioni downstream come il monitoraggio di calamità naturali o il tracciamento dell'uso del suolo senza richiedere un'ampia riqualificazione. Sebbene il processo di formazione iniziale possa richiedere una notevole potenza di calcolo, richiedendo decine di migliaia di ore GPU. Tuttavia, una volta addestrati, eseguirli durante l'inferenza richiede solo pochi minuti o addirittura secondi.

Inoltre, gli FM potrebbero rendere i modelli meteorologici avanzati accessibili a un pubblico più vasto. In precedenza, solo istituzioni ben finanziate con le risorse per supportare infrastrutture complesse potevano eseguire questi modelli. Tuttavia, con l'ascesa degli FM pre-addestrati, la modellazione climatica è ora alla portata di un gruppo più ampio di ricercatori e innovatori, aprendo nuove strade per scoperte più rapide e soluzioni ambientali innovative.

La genesi dell'intelligenza artificiale geospaziale di base

L'enorme potenziale dei modelli di gestione della Terra ha spinto IBM e NASA a collaborare per realizzare un modello di gestione della Terra completo dell'ambiente terrestre. L'obiettivo principale di questa partnership è consentire ai ricercatori di estrarre informazioni dagli ampi set di dati terrestri della NASA in modo efficace e accessibile.

In questa ricerca, raggiungono un'importante svolta nell'agosto 2023 con la presentazione di un progetto pionieristico FM per dati geospazialiQuesto modello è stato addestrato sul vasto set di dati satellitari della NASA, comprendente un archivio di 40 anni di immagini provenienti dal Landsat Sentinel-2 armonizzato (HLS) programma. Utilizza tecniche di intelligenza artificiale avanzate, tra cui architetture di trasformazione, per elaborare in modo efficiente volumi sostanziali di dati geospaziali. Sviluppato utilizzando Il supercomputer Cloud Vela di IBM e lo stack Watsonx FM, il modello HLS può analizzare i dati fino a quattro volte più velocemente rispetto ai tradizionali modelli di apprendimento profondo, richiedendo al contempo un numero significativamente inferiore di set di dati etichettati per l'addestramento.

Le potenziali applicazioni di questo modello sono estese, spaziando dal monitoraggio dei cambiamenti nell'uso del suolo e dei disastri naturali alla previsione delle rese delle colture. È importante sottolineare che questo potente strumento è liberamente disponibile su Hugging Face, consentendo a ricercatori e innovatori di tutto il mondo di utilizzare le sue capacità e contribuire al progresso della scienza climatica e ambientale.

Progressi nell'intelligenza artificiale geospaziale di base

Sulla base di questo slancio, IBM e NASA hanno recentemente introdotto un altro modello FM open source rivoluzionario: Prithvi WxCQuesto modello è progettato per affrontare sia le sfide meteorologiche a breve termine che le previsioni climatiche a lungo termine. Pre-addestrato su 40 anni di dati di osservazione della Terra della NASA tratti dall'analisi retrospettiva dell'era moderna per la ricerca e le applicazioni, versione 2 (MERRA-2), il FM offre notevoli progressi rispetto ai modelli di previsione tradizionali.

Il modello è costruito utilizzando un trasformatore di visione e autoencoder mascherato, consentendogli di codificare i dati spaziali nel tempo. Incorporando un meccanismo di attenzione temporale, FM può analizzare i dati di rianalisi MERRA-2, che integrano vari flussi di osservazione. Il modello può operare sia su una superficie sferica, come i modelli climatici tradizionali, sia su una griglia piatta e rettangolare, consentendogli di cambiare tra viste globali e regionali senza perdere risoluzione.

Questa architettura unica consente a Prithvi di essere messo a punto su scala globale, regionale e locale, mentre funziona su un normale computer desktop in pochi secondi. Questo modello FM può essere impiegato per una gamma di applicazioni, tra cui la previsione del meteo locale, la previsione di eventi meteorologici estremi, il miglioramento della risoluzione spaziale delle simulazioni climatiche globali e il perfezionamento della rappresentazione dei processi fisici nei modelli convenzionali. Inoltre, Prithvi è dotato di due messo a punto versioni progettate per specifici usi scientifici e industriali, che forniscono una precisione ancora maggiore per l'analisi ambientale. Il modello è liberamente disponibile sul viso abbracciato.

Conclusione

La partnership tra IBM e NASA sta ridefinendo l'intelligenza artificiale geospaziale, rendendo più facile per ricercatori e innovatori affrontare le urgenti sfide climatiche. Sviluppando modelli di base in grado di analizzare efficacemente grandi set di dati, questa collaborazione migliora la nostra capacità di prevedere e gestire eventi meteorologici estremi. Ancora più importante, apre le porte a un pubblico più ampio per accedere a questi potenti strumenti, in precedenza riservati a istituzioni con risorse adeguate. Man mano che questi modelli di intelligenza artificiale avanzati diventano accessibili a un numero maggiore di persone, aprono la strada a soluzioni innovative che possono aiutarci a rispondere ai cambiamenti climatici in modo più efficace e responsabile.