Hoe IBM en NASA georuimtelijke AI opnieuw definiëren om klimaatuitdagingen aan te pakken

Naarmate de klimaatverandering brandstoffen steeds ernstiger weersomstandigheden zoals overstromingen, orkanen, droogtes en bosbranden, traditionele methoden voor rampenbestrijding hebben moeite om bij te blijven. Hoewel vooruitgang in satelliettechnologie, drones en sensoren op afstand betere monitoring mogelijk maakt, blijft de toegang tot deze essentiële gegevens beperkt tot een paar organisaties, waardoor veel onderzoekers en vernieuwers niet over de tools beschikken die ze nodig hebben. De stortvloed aan geospatiale gegevens die dagelijks wordt gegenereerd, is ook een uitdaging geworden: organisaties worden overweldigd en het wordt moeilijker om zinvolle inzichten te verkrijgen. Om deze problemen aan te pakken, zijn schaalbare, toegankelijke en intelligente tools nodig om enorme datasets om te zetten in bruikbare klimaatinzichten. Dit is waar georuimtelijke AI wordt essentieel: een opkomende technologie die het potentieel heeft om grote hoeveelheden data te analyseren en nauwkeurigere, proactievere en tijdigere voorspellingen te doen. Dit artikel onderzoekt de baanbrekende samenwerking tussen IBM en NASA om geavanceerde, toegankelijkere geospatiale AI te ontwikkelen, waarmee een breder publiek de tools krijgt die nodig zijn om innovatieve milieu- en klimaatoplossingen te stimuleren.

Waarom IBM en NASA pioniers zijn op het gebied van fundamentele georuimtelijke AI

Funderingsmodellen (FM's) vertegenwoordigen een nieuwe grens in AI, ontworpen om te leren van enorme hoeveelheden ongelabelde data en hun inzichten toe te passen op meerdere domeinen. Deze aanpak biedt verschillende belangrijke voordelen. In tegenstelling tot traditionele AI-modellen vertrouwen FM's niet op enorme, zorgvuldig samengestelde datasets. In plaats daarvan kunnen ze finetunen op kleinere datamonsters, wat zowel tijd als middelen bespaart. Dit maakt ze een krachtig hulpmiddel voor het versnellen van klimaatonderzoek, waar het verzamelen van grote datasets kostbaar en tijdrovend kan zijn.

Bovendien stroomlijnen FM's de ontwikkeling van gespecialiseerde applicaties, waardoor overbodige inspanningen worden verminderd. Bijvoorbeeld, zodra een FM is getraind, kan deze worden aangepast aan verschillende downstream-applicaties, zoals het monitoren van natuurrampen of het volgen van landgebruik, zonder dat er uitgebreide hertraining nodig is. Hoewel het initiële trainingsproces aanzienlijke rekenkracht kan vergen, wat tienduizenden GPU-uren vereist. Echter, zodra ze zijn getraind, duurt het slechts enkele minuten of zelfs seconden om ze te draaien tijdens inferentie.

Bovendien zouden FM's geavanceerde weermodellen toegankelijk kunnen maken voor een breder publiek. Voorheen konden alleen goed gefinancierde instituten met de middelen om complexe infrastructuur te ondersteunen deze modellen uitvoeren. Met de opkomst van vooraf getrainde FM's is klimaatmodellering echter nu binnen bereik van een bredere groep onderzoekers en vernieuwers, wat nieuwe wegen opent voor snellere ontdekkingen en innovatieve milieuoplossingen.

De oorsprong van fundamentele georuimtelijke AI

Het enorme potentieel van FM's heeft IBM en NASA ertoe aangezet samen te werken aan de ontwikkeling van een uitgebreide FM van de aardomgeving. Het belangrijkste doel van deze samenwerking is onderzoekers in staat te stellen om op een effectieve en toegankelijke manier inzichten te verkrijgen uit NASA's uitgebreide aarddatasets.

In dit streven bereiken ze in augustus 2023 een belangrijke doorbraak met de onthulling van een baanbrekend FM voor georuimtelijke gegevensDit model werd getraind op de enorme satellietdataset van NASA, die een archief van 40 jaar aan beelden van de Geharmoniseerde Landsat Sentinel-2 (HLS) programma. Het maakt gebruik van geavanceerde AI-technieken, waaronder transformerarchitecturen, om substantiële volumes georuimtelijke data efficiënt te verwerken. Ontwikkeld met behulp van De Cloud Vela-supercomputer van IBM en de WatsonX FM-stack kan het HLS-model gegevens tot vier keer sneller analyseren dan traditionele deep learning-modellen, terwijl er aanzienlijk minder gelabelde datasets nodig zijn voor de training.

De potentiële toepassingen van dit model zijn uitgebreid, variërend van het monitoren van veranderingen in landgebruik en natuurrampen tot het voorspellen van oogstopbrengsten. Belangrijk is dat deze krachtige tool vrij beschikbaar is Beschikbaar op Hugging Face, waardoor onderzoekers en vernieuwers over de hele wereld de mogelijkheden ervan kunnen benutten en een bijdrage kunnen leveren aan de vooruitgang van de klimaat- en milieuwetenschap.

Vooruitgang in fundamentele georuimtelijke AI

Voortbouwend op dit momentum hebben IBM en NASA onlangs een ander baanbrekend open-source FM-model geïntroduceerd: Prithvi WxCDit model is ontworpen om zowel kortetermijnweeruitdagingen als langetermijnklimaatvoorspellingen aan te pakken. Het is voorgeprogrammeerd op basis van 40 jaar NASA-aardobservatiegegevens uit de Modern-Era Retrospective Analysis for Research and Applications, versie 2 (MERRA-2), biedt de FM aanzienlijke verbeteringen ten opzichte van traditionele voorspellingsmodellen.

Het model is gebouwd met behulp van een visie transformator en gemaskeerde autoencoder, waardoor het ruimtelijke gegevens in de loop van de tijd kan coderen. Door een mechanisme van tijdelijke aandacht, de FM kan MERRA-2-heranalysegegevens analyseren, die verschillende observatiestromen integreert. Het model kan zowel op een bolvormig oppervlak werken, zoals traditionele klimaatmodellen, als op een plat, rechthoekig raster, waardoor het kan wisselen tussen globale en regionale weergaven zonder resolutie te verliezen.

Deze unieke architectuur maakt het mogelijk om de Prithvi nauwkeurig af te stemmen op wereldwijde, regionale en lokale schaal, terwijl deze binnen enkele seconden op een standaard desktopcomputer draait. Dit FM-model kan worden gebruikt voor een reeks toepassingen, waaronder het voorspellen van lokaal weer tot het voorspellen van extreme weersomstandigheden, het verbeteren van de ruimtelijke resolutie van wereldwijde klimaatsimulaties en het verfijnen van de weergave van fysieke processen in conventionele modellen. Bovendien wordt Prithvi geleverd met twee fine-tuned versies die zijn ontworpen voor specifieke wetenschappelijke en industriële toepassingen, en die nog meer precisie bieden voor milieuanalyse. Het model is vrij Beschikbaar op knuffelend gezicht.

The Bottom Line

De samenwerking tussen IBM en NASA herdefinieert geospatiale AI en maakt het voor onderzoekers en innovators gemakkelijker om urgente klimaatuitdagingen aan te pakken. Door fundamentele modellen te ontwikkelen die grote datasets effectief kunnen analyseren, verbetert deze samenwerking ons vermogen om extreme weersomstandigheden te voorspellen en te beheersen. Belangrijker nog, het opent de deur voor een breder publiek om toegang te krijgen tot deze krachtige tools, die voorheen beperkt waren tot goed gefinancierde instellingen. Naarmate deze geavanceerde AI-modellen voor meer mensen toegankelijk worden, effenen ze de weg voor innovatieve oplossingen die ons kunnen helpen effectiever en verantwoordelijker te reageren op klimaatverandering.