Hvordan IBM og NASA omdefinerer geospatial AI for å takle klimautfordringer

Som klimaendringer brensel stadig mer alvorlige værhendelser som flom, orkaner, tørker og skogbranner, tradisjonelle katastroferesponsmetoder sliter med å holde tritt. Mens fremskritt innen satellittteknologi, droner og eksterne sensorer gir bedre overvåking, forblir tilgangen til disse viktige dataene begrenset til noen få organisasjoner, og etterlater mange forskere og innovatører uten verktøyene de trenger. Flommen av geospatiale data som genereres daglig har også blitt en utfordring – overveldende organisasjoner og gjør det vanskeligere å trekke ut meningsfull innsikt. For å løse disse problemene trengs skalerbare, tilgjengelige og intelligente verktøy for å gjøre store datasett om til handlingsdyktig klimainnsikt. Det er her geospatial AI blir viktig – en fremvoksende teknologi som har potensial til å analysere store datamengder, og gi mer nøyaktige, proaktive og rettidige spådommer. Denne artikkelen utforsker det banebrytende samarbeidet mellom IBM og NASA for å utvikle avansert, mer tilgjengelig geospatial AI, som gir et bredere publikum de nødvendige verktøyene for å drive innovative miljø- og klimaløsninger.

Hvorfor IBM og NASA er Pioneering Foundation Geospatial AI

Fundamentmodeller (FM-er) representerer en ny grense innen AI, designet for å lære av enorme mengder umerkede data og bruke deres innsikt på tvers av flere domener. Denne tilnærmingen gir flere viktige fordeler. I motsetning til tradisjonelle AI-modeller, er ikke FM-er avhengige av massive, møysommelig kuraterte datasett. I stedet kan de finjustere på mindre dataprøver, noe som sparer både tid og ressurser. Dette gjør dem til et kraftig verktøy for å akselerere klimaforskning, der det å samle store datasett kan være kostbart og tidkrevende.

Videre effektiviserer FM-er utviklingen av spesialiserte applikasjoner, noe som reduserer overflødig innsats. For eksempel, når en FM er trent, kan den tilpasses flere nedstrømsapplikasjoner som overvåking av naturkatastrofer eller sporing av arealbruk uten å kreve omfattende omskolering. Selv om den innledende opplæringsprosessen kan kreve betydelig beregningskraft, og krever titusenvis av GPU-timer. Men når de først er trent, tar det bare minutter eller til og med sekunder å kjøre dem under inferens.

I tillegg kan FM-er gjøre avanserte værmodeller tilgjengelige for et bredere publikum. Tidligere var det kun godt finansierte institusjoner med ressurser til å støtte kompleks infrastruktur som kunne kjøre disse modellene. Men med fremveksten av forhåndstrente FM-er, er klimamodellering nå innen rekkevidde for en bredere gruppe forskere og innovatører, noe som åpner for nye veier for raskere funn og innovative miljøløsninger.

The Genesis of Foundation Geospatial AI

Det enorme potensialet til FM-er har ført til at IBM og NASA har samarbeidet for å bygge en omfattende FM-analyse av jordens miljø. Hovedmålet med dette partnerskapet er å gi forskere muligheten til å hente ut innsikt fra NASAs omfattende datasett om jorden på en måte som er både effektiv og tilgjengelig.

I denne jakten oppnår de et betydelig gjennombrudd i august 2023 med avdukingen av en banebrytende FM for geospatiale data. Denne modellen ble trent på NASAs enorme satellittdatasett, som består av et 40-årig arkiv med bilder fra Harmonisert Landsat Sentinel-2 (HLS) program. Den bruker avanserte AI-teknikker, inkludert transformatorarkitekturer, for å effektivt behandle betydelige mengder geospatiale data. Utviklet ved hjelp av IBMs Cloud Vela-superdatamaskin og watsonx FM-stakken, kan HLS-modellen analysere data opptil fire ganger raskere enn tradisjonelle dyplæringsmodeller samtidig som den krever betydelig færre merkede datasett for trening.

De potensielle bruksområdene for denne modellen er omfattende, alt fra overvåking av endringer i arealbruk og naturkatastrofer til å forutsi avlingsavlinger. Viktigere er at dette kraftige verktøyet er gratis tilgjengelig på Hugging Face, som lar forskere og innovatører over hele verden bruke sine evner og bidra til å fremme klima- og miljøvitenskap.

Fremskritt i Foundation Geospatial AI

Med utgangspunkt i dette momentumet har IBM og NASA nylig introdusert en annen banebrytende åpen kildekode-modell FM: Prithvi WxCDenne modellen er utviklet for å håndtere både kortsiktige værutfordringer og langsiktige klimaspådommer. Forhåndstrent på 40 år med NASAs jordobservasjonsdata fra Modern-Era Retrospective analysis for Research and Applications, versjon 2 (MERRA-2), tilbyr FM betydelige fremskritt i forhold til tradisjonelle prognosemodeller.

Modellen er bygget ved hjelp av en syn transformator og en maskert autoencoder, slik at den kan kode romlige data over tid. Ved å inkludere en tidsmessig oppmerksomhetsmekanisme, kan FM analysere MERRA-2 reanalysedata, som integrerer ulike observasjonsstrømmer. Modellen kan operere på både en sfærisk overflate, som tradisjonelle klimamodeller, og et flatt, rektangulært rutenett, slik at det kan skifte mellom globale og regionale syn uten å miste oppløsning.

Denne unike arkitekturen gjør at Prithvi kan finjusteres på tvers av globale, regionale og lokale skalaer, mens den kjøres på en standard stasjonær datamaskin på sekunder. Denne FM-modellen kan brukes til en rekke bruksområder, inkludert varsling av lokalt vær for å forutsi ekstreme værhendelser, forbedre den romlige oppløsningen til globale klimasimuleringer og foredle representasjonen av fysiske prosesser i konvensjonelle modeller. I tillegg kommer Prithvi med to finjustert versjoner designet for spesifikke vitenskapelige og industrielle bruksområder, og gir enda større presisjon for miljøanalyser. Modellen er fritt tilgjengelig på et klemende ansikt.

Bunnlinjen

IBMs og NASAs partnerskap omdefinerer geospatial AI, og gjør det enklere for forskere og innovatører å håndtere presserende klimautfordringer. Ved å utvikle grunnleggende modeller som effektivt kan analysere store datasett, forbedrer dette samarbeidet vår evne til å forutsi og håndtere alvorlige værhendelser. Enda viktigere er det at det åpner døren for et bredere publikum som får tilgang til disse kraftige verktøyene, som tidligere var begrenset til velutstyrte institusjoner. Etter hvert som disse avanserte AI-modellene blir tilgjengelige for flere mennesker, baner de vei for innovative løsninger som kan hjelpe oss med å reagere mer effektivt og ansvarlig på klimaendringer.