Hoe IBM en NASA Foundation Geospatial AI herdefiniëren om klimaatuitdagingen aan te pakken

Aangezien klimaatverandering brandstof levert voor steeds ernstigere weersgebeurtenissen zoals overstromingen, orkanen, droogtes en bosbranden, worstelen traditionele rampenbestrijdingsmethoden om bij te blijven. Terwijl vooruitgang in satelliettechnologie, drones en afstandsensors een betere bewaking mogelijk maken, blijft toegang tot deze vitale gegevens beperkt tot een paar organisaties, waardoor veel onderzoekers en innovators zonder de benodigde tools komen te zitten. De overstroming van geospatiale gegevens die dagelijks gegenereerd wordt, is ook een uitdaging geworden – organisaties overweldigen en het wordt moeilijker om waardevolle inzichten te verkrijgen. Om deze problemen aan te pakken, zijn schaalbare, toegankelijke en intelligente tools nodig om grote datasets om te zetten in actiegerichte klimaatinzichten. Hier komt geospatiale AI om de hoek kijken – een opkomende technologie die in staat is om grote hoeveelheden gegevens te analyseren, waardoor meer accurate, proactieve en tijdige voorspellingen mogelijk worden. Dit artikel verkent de baanbrekende samenwerking tussen IBM en NASA om geavanceerde, toegankelijkere geospatiale AI te ontwikkelen, waardoor een bredere doelgroep wordt geëmpowerd met de benodigde tools om innovatieve milieutechnologieën en klimaatoplossingen te stimuleren.

Waarom IBM en NASA Foundation Geospatial AI pionieren

Foundation-modellen (FMs) vertegenwoordigen een nieuwe frontier in AI, ontworpen om te leren van grote hoeveelheden ongelabelde gegevens en hun inzichten toe te passen in meerdere domeinen. Deze aanpak biedt verschillende belangrijke voordelen. In tegenstelling tot traditionele AI-modellen, zijn FMs niet afhankelijk van enorme, zorgvuldig gecurdeerde datasets. In plaats daarvan kunnen ze fijntunen op kleinere gegevensmonsters, waardoor zowel tijd als middelen worden bespaard. Dit maakt ze een krachtig instrument voor het versnellen van klimaatonderzoek, waarbij het verzamelen van grote datasets duur en tijdrovend kan zijn.

Bovendien vereenvoudigen FMs de ontwikkeling van gespecialiseerde toepassingen, waardoor redundante inspanningen worden verminderd. Bijvoorbeeld, eens een FM getraind is, kan het worden aangepast aan meerdere downstream-toepassingen, zoals het monitoren van natuurrampen of het volgen van landgebruik, zonder dat uitgebreide hertraining noodzakelijk is. Hoewel het initiële trainingsproces aanzienlijke rekenkracht kan vereisen, waarbij tienduizenden GPU-uren nodig zijn, kan het model eenmaal getraind is, in enkele minuten of zelfs seconden worden uitgevoerd.

Bovendien kunnen FMs geavanceerde weersmodellen toegankelijker maken voor een bredere doelgroep. Voorheen konden alleen goed gefinancierde instellingen met de middelen om complexe infrastructuur te ondersteunen, deze modellen uitvoeren. Met de opkomst van pre-getrainde FMs, is klimaatmodellering nu binnen bereik van een bredere groep onderzoekers en innovators, waardoor nieuwe wegen worden geopend voor snellere ontdekkingen en innovatieve milieutechnologieën.

De oorsprong van Foundation Geospatial AI

Het enorme potentieel van FMs heeft IBM en NASA ertoe gebracht om samen te werken aan de bouw van een uitgebreid FM van de aardse omgeving. Het belangrijkste doel van deze samenwerking is om onderzoekers in staat te stellen om inzichten te verkrijgen uit NASA’s uitgebreide aardedatasets op een manier die zowel effectief als toegankelijk is.

In deze zoektocht hebben ze in augustus 2023 een significante doorbraak bereikt met de onthulling van een baanbrekend FM voor geospatiale gegevens. Dit model is getraind op NASA’s uitgebreide satellietdataset, bestaande uit een 40-jarig archief van afbeeldingen van het Harmonized Landsat Sentinel-2 (HLS) programma. Het maakt gebruik van geavanceerde AI-technieken, waaronder transformer-architecturen, om grote hoeveelheden geospatiale gegevens efficiënt te verwerken. Ontwikkeld met IBM’s Cloud Vela-supercomputer en de watsonx FM-stack, kan het HLS-model gegevens tot vier keer sneller analyseren dan traditionele deep learning-modellen, terwijl het aanzienlijk minder gelabelde datasets nodig heeft voor training.

De potentiële toepassingen van dit model zijn uitgebreid, variërend van het monitoren van landgebruikswijzigingen en natuurrampen tot het voorspellen van oogstopbrengsten. Belangrijk is dat dit krachtige instrument vrij beschikbaar is op Hugging Face, waardoor onderzoekers en innovators wereldwijd gebruik kunnen maken van zijn mogelijkheden en bijdragen aan de vooruitgang van klimaat- en milieutechnologie.

Voortgang in Foundation Geospatial AI

Op basis van deze impuls hebben IBM en NASA onlangs een andere baanbrekende open-source model FM geïntroduceerd: Prithvi WxC. Dit model is ontworpen om zowel korte-termijnweeruitdagingen als langetermijnklimaatvoorspellingen aan te pakken. Pre-getraind op 40 jaar aan NASA’s aardobservatiegegevens van de Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), biedt het FM aanzienlijke verbeteringen ten opzichte van traditionele voorspellingsmodellen.

Het model is gebouwd met een vision transformer en een masked autoencoder, waardoor het ruimtelijke gegevens over tijd kan coderen. Door een temporele aandachtsmechanisme te incorporeren, kan het FM MERRA-2 reanalysegegevens analyseren, die verschillende observationele stromen integreren. Het model kan werken op zowel een sferische oppervlak, zoals traditionele klimaatmodellen, als een plat, rechthoekig rooster, waardoor het kan schakelen tussen globale en regionale weergaven zonder resolutie te verliezen.

Deze unieke architectuur stelt Prithvi in staat om fijntunen te worden over globale, regionale en lokale schalen, terwijl het op een standaard desktopcomputer in enkele seconden kan worden uitgevoerd. Dit FM-model kan worden gebruikt voor een reeks toepassingen, waaronder het voorspellen van lokaal weer, het voorspellen van extreme weersgebeurtenissen, het verbeteren van de spatiale resolutie van globale klimaatsimulaties en het verfijnen van de weergave van fysieke processen in conventionele modellen. Bovendien komt Prithvi met twee fijntunen versies die zijn ontworpen voor specifieke wetenschappelijke en industriële toepassingen, waardoor nog grotere precisie wordt geboden voor milieuanalyse. Het model is vrij beschikbaar op Hugging Face.

De belangrijkste conclusie

De samenwerking tussen IBM en NASA herdefinieert geospatiale AI, waardoor het voor onderzoekers en innovators gemakkelijker wordt om dringende klimaatuitdagingen aan te pakken. Door foundation-modellen te ontwikkelen die grote datasets effectief kunnen analyseren, versterkt deze samenwerking onze capaciteit om ernstige weersgebeurtenissen te voorspellen en te beheren. Nog belangrijker is dat het de deur opent voor een bredere doelgroep om toegang te krijgen tot deze krachtige tools, die eerder beperkt waren tot goed gefinancierde instellingen. Aangezien deze geavanceerde AI-modellen toegankelijker worden voor meer mensen, banen ze de weg voor innovatieve oplossingen die ons helpen om effectiever en verantwoordelijk te reageren op klimaatverandering.