Hvordan IBM og NASA gjenskaper geospatial AI for å takle klimautfordringer

Mens klimaendringene fører til økende alvorlige værhendelser som flom, orkaner, tørke og skogbranner, sliter tradisjonelle metoder for å håndtere katastrofer med å holde pace. Selv om fremgangen i satellitteknologi, droner og fjernsensorene gjør det mulig å overvåke bedre, er tilgangen til denne livsviktige dataen begrenset til noen få organisasjoner, og etterlater mange forskere og innovatører uten de verktøyene de trenger. Flommen av geospatiale data som genereres daglig har også blitt en utfordring – overveldende organisasjoner og gjør det vanskeligere å trekke meningsfulle innlysninger. For å løse disse problemene, er det nødvendig å ha skalerbare, tilgjengelige og intelligente verktøy som kan omdanne enorme datamengder til handlingable klimainnlysninger. Dette er der geospatial AI blir avgjørende – en fremvoksende teknologi som har potensialet til å analysere store mengder data, og gi mer nøyaktige, proaktive og tidlige forutsigelser. Denne artikkelen utforsker det banebrytende samarbeidet mellom IBM og NASA for å utvikle avanserte, mer tilgjengelige geospatiale AI, og gir en videre audience med de verktøyene som er nødvendige for å drive innovative miljø- og klimaløsninger.

Hvorfor IBM og NASA er pionerer innen grunnleggende geospatial AI

Grunnmodeller (FMs) representerer en ny frontier innen AI, designet for å lære fra enorme mengder ulabelt data og anvende deres innlysninger på tvers av flere domener. Dette tilnærmingen tilbyr flere nøkkel fordeler. I motsetning til tradisjonelle AI-modeller, avhenger FMs ikke av massive, omhyggelig kurerte datamengder. Isteden kan de finjustere på mindre datasamlinger, og spare både tid og ressurser. Dette gjør dem til et kraftig verktøy for å akselerere klimaforskning, hvor innhenting av store datamengder kan være kostbart og tidskrevende.

I tillegg strømlinjeformer FMs utviklingen av spesialiserte applikasjoner, og reduserer redundante innsats. For eksempel, når en FM er trent, kan den tilpasses flere nedstrømsapplikasjoner, som overvåking av naturskader eller sporing av landbruk, uten å kreve omfattende omtrening. Selv om den initielle treningprosessen kan kreve betydelig beregningskraft, og kreve titusener av GPU-timer. Men når de er trent, tar det kun minutter eller sekunder å kjøre dem under inferens.

I tillegg kan FMs gjøre avanserte værmodeller tilgjengelige for en videre audience. Tidligere var det kun velresurserte institusjoner med ressurser til å støtte komplekse infrastrukturer som kunne kjøre disse modellene. Men med oppkomsten av forhåndstrente FMs, er klimamodellering nå innen rekkevidde for en bredere gruppe forskere og innovatører, og åpner opp nye veier for raskere oppdagelser og innovative miljøløsninger.

Grunnleggende geospatial AI

Det enorme potensialet i FMs har ført til at IBM og NASA samarbeider for å bygge en omfattende FM av jordens miljø. Det viktigste målet med dette samarbeidet er å gi forskere mulighet til å trekke innlysninger fra NASAs omfattende jorddata på en måte som er både effektiv og tilgjengelig.

I dette løpet oppnådde de en betydelig gjennombrudd i august 2023 med lanseringen av en banebrytende FM for geospatiale data. Denne modellen ble trent på NASAs omfattende satellittdatasamling, som består av en 40-års arkiv av bilder fra Harmonized Landsat Sentinel-2 (HLS)-programmet. Den bruker avanserte AI-teknikker, inkludert transformer-arkitektur, for å effektivt prosessere store mengder geospatiale data. Utviklet ved hjelp av IBMs Cloud Vela-supercomputer og Watsonx FM-stakken, kan HLS-modellen analysere data opptil fire ganger raskere enn tradisjonelle dyptelæringmodeller, og kreve betydelig færre merkte datasamlinger for trening.

De potensielle anvendelsene av denne modellen er omfattende, og spenner fra overvåking av landbruk og naturskader til forutsigelse av avlingsskiler. Viktigst er at dette kraftige verktøyet er fritt tilgjengelig på Hugging Face, og gir forskere og innovatører over hele verden mulighet til å anvende dens kapasiteter og bidra til fremme av klima- og miljøvitenskap.

Fremgang i grunnleggende geospatial AI

Bygging på denne momentum, har IBM og NASA nylig lansert en ny banebrytende åpen kilde-modell FM: Prithvi WxC. Denne modellen er designet for å håndtere både korttids værutfordringer og langtids klimaprediksjoner. Forhåndstrening på 40 års NASAs jordobservasjonsdata fra Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), tilbyr FM betydelige fremgang over tradisjonelle forutsigelsesmodeller.

Modellen er bygget ved hjelp av en vision transformer og en maskert autoencoder, og muliggjør det å kode spasiale data over tid. Ved å inkorporere en temporal attention-mekanisme, kan FM analysere MERRA-2 reanalysedata, som integrerer flere observasjonelle strømmer. Modellen kan operere på både en sfærisk overflate, som tradisjonelle klimamodeller, og en flat, rektangulær rutenett, og tillater det å skifte mellom globale og regionale visninger uten å tape oppløsning.

Denne unike arkitekturen muliggjør Prithvi å bli finjustert på globale, regionale og lokale skalaer, og kan kjøres på en standard datamaskin på sekunder. Denne FM-modellen kan anvendes for en rekke anvendelser, inkludert lokale værforutsigelser, forutsigelse av ekstreme værhendelser, forbedring av romlig oppløsning av globale klimasimuleringer, og forbedring av fysisk prosessrepresentasjon i konvensjonelle modeller. I tillegg kommer Prithvi med to finjusterte versjoner designet for spesifikke vitenskapelige og industrielle anvendelser, og tilbyr enda større nøyaktighet for miljøanalyse. Modellen er fritt tilgjengelig på Hugging Face.

Sluttresultatet

Samarbeidet mellom IBM og NASA gjenskaper geospatial AI, og gjør det enklere for forskere og innovatører å håndtere presserende klimautfordringer. Ved å utvikle grunnmodeller som kan effektivt analysere store datamengder, forbedrer dette samarbeidet vår evne til å forutsi og håndtere alvorlige værhendelser. Mer viktig, åpner det døren for en videre audience til å få tilgang til disse kraftige verktøyene, som tidligere var begrenset til velresurserte institusjoner. Når disse avanserte AI-modellene blir tilgjengelige for flere mennesker, åpner de vei for innovative løsninger som kan hjelpe oss å respondere på klimaendringene mer effektivt og ansvarlig.