Как IBM и NASA переопределяют геопространственный ИИ для решения проблем климата

По мере того, как изменение климата подогревает все более тяжелые погодные явления, такие как наводнения, ураганы, засухи и лесные пожары, традиционные методы реагирования на стихийные бедствия с трудом справляются. Хотя достижения в области спутниковой техники, беспилотников и дистанционных датчиков позволяют лучше отслеживать ситуацию, доступ к этой важной информации остается ограниченным для нескольких организаций, оставляя многих исследователей и инноваторов без инструментов, которые им необходимы. Поток геопространственных данных, генерируемых ежедневно, также стал проблемой – он перегружает организации и делает более трудным извлечение значимых выводов. Чтобы решить эти проблемы, необходимы масштабируемые, доступные и интеллектуальные инструменты, которые могут превратить огромные наборы данных в действенные климатические выводы. Именно здесь геопространственный ИИ становится жизненно важным – это появляющаяся технология, которая имеет потенциал анализировать большие объемы данных, предоставляя более точные, проактивные и своевременные прогнозы. Эта статья исследует прорывное сотрудничество между IBM и NASA по разработке продвинутого, более доступного геопространственного ИИ, наделяя более широкую аудиторию инструментами, необходимыми для стимулирования инновационных экологических и климатических решений.

Почему IBM и NASA являются пионерами в области фундаментального геопространственного ИИ

Фундаментальные модели (ФМ) представляют собой новый рубеж в области ИИ, предназначенные для обучения на огромных объемах неотмеченных данных и применения своих выводов в нескольких доменах. Этот подход предлагает несколько ключевых преимуществ. В отличие от традиционных моделей ИИ, ФМ не полагаются на огромные, тщательно отобранные наборы данных. Вместо этого они могут дообучаться на меньших выборках данных, экономя время и ресурсы. Это делает их мощным инструментом для ускорения климатических исследований, где сбор больших наборов данных может быть дорогим и длительным.
Кроме того, ФМ упрощают разработку специализированных приложений, сокращая избыточные усилия. Например, после того, как ФМ обучена, она может быть адаптирована для нескольких приложений нижнего уровня, таких как мониторинг стихийных бедствий или отслеживание использования земель, без необходимости обширного повторного обучения. Хотя первоначальный процесс обучения может требовать значительной вычислительной мощности, требуя десятков тысяч часов GPU. Однако после того, как они обучены, их запуск во время вывода занимает всего несколько минут или даже секунд.
Кроме того, ФМ могут сделать продвинутые модели погоды доступными для более широкой аудитории. Ранее только хорошо финансируемые учреждения с ресурсами для поддержки сложной инфраструктуры могли запускать эти модели. Однако с появлением предварительно обученных ФМ моделирование климата теперь находится в пределах досягаемости для более широкой группы исследователей и инноваторов, открывая новые пути для более быстрых открытий и инновационных экологических решений.

Происхождение фундаментального геопространственного ИИ

Огромный потенциал ФМ привел к сотрудничеству между IBM и NASA для создания комплексной ФМ окружающей среды Земли. Основная цель этого партнерства – наделить исследователей возможностью извлекать выводы из обширных наборов данных NASA о Земле эффективным и доступным образом.
В этом стремлении они достигли значительного прорыва в августе 2023 года с представлением пионерской ФМ для геопространственных данных. Эта модель была обучена на обширном спутниковом наборе данных NASA, включающем 40-летний архив изображений из программы Harmonized Landsat Sentinel-2 (HLS). Она использует продвинутые методы ИИ, включая архитектуру трансформеров, для эффективной обработки значительных объемов геопространственных данных. Разработанная с использованием суперкомпьютера IBM Cloud Vela и стека ФМ watsonx, модель HLS может анализировать данные до четырех раз быстрее, чем традиционные модели глубокого обучения, требуя при этом значительно меньше помеченных наборов данных для обучения.
Потенциальные применения этой модели обширны, варьируясь от мониторинга изменений в использовании земель и стихийных бедствий до прогнозирования урожайности. Важно отметить, что этот мощный инструмент доступен бесплатно на Hugging Face, позволяя исследователям и инноваторам во всем мире использовать его возможности и вносить вклад в развитие климатической и экологической науки.

Улучшения фундаментального геопространственного ИИ

Развивая этот импульс, IBM и NASA недавно представили еще одну прорывную открытую модель ФМ: Prithvi WxC. Эта модель предназначена для решения как краткосрочных проблем погоды, так и долгосрочных климатических прогнозов. Предварительно обученная на 40-летних данных наблюдений Земли NASA из анализа Modern-Era Retrospective для исследований и применения, версия 2 (MERRA-2), ФМ предлагает значительные улучшения по сравнению с традиционными моделями прогнозирования.
Модель построена с использованием трансформера зрения и маскированного автоэнкодера, что позволяет ей кодировать пространственные данные во времени. Включая временное внимание, ФМ может анализировать данные реанализа MERRA-2, которые интегрируют различные наблюдательные потоки. Модель может работать как на сферической поверхности, как и традиционные климатические модели, так и на плоской, прямоугольной сетке, позволяя ей переключаться между глобальными и региональными видами без потери разрешения.
Эта уникальная архитектура позволяет Prithvi дообучаться на глобальном, региональном и местном уровнях, а также запускаться на стандартном настольном компьютере за несколько секунд. Эта модель ФМ может быть использована для различных приложений, включая прогнозирование местной погоды, прогнозирование экстремальных погодных явлений, повышение пространственного разрешения глобальных климатических симуляций и уточнение представления физических процессов в традиционных моделях. Кроме того, Prithvi поставляется с двумя дообученными версиями, предназначенными для конкретных научных и промышленных применений, обеспечивая еще большую точность для экологического анализа. Модель доступна бесплатно на hugging face.

Итог

Партнерство между IBM и NASA переопределяет геопространственный ИИ, делая его проще для исследователей и инноваторов решать насущные климатические проблемы. Разрабатывая фундаментальные модели, которые могут эффективно анализировать большие наборы данных, это сотрудничество усиливает нашу способность прогнозировать и управлять тяжелыми погодными явлениями. Более того, оно открывает двери для более широкой аудитории, чтобы получить доступ к этим мощным инструментам, ранее ограниченным для хорошо финансируемых учреждений. По мере того, как эти продвинутые модели ИИ становятся доступными для более людей, они открывают путь для инновационных решений, которые могут помочь нам реагировать на изменение климата более эффективно и ответственно.