Как IBM и NASA переопределяют геопространственный ИИ для решения проблем изменения климата

По мере того, как изменение климата вызывает все более сильные погодные явления, такие как наводнения, ураганы, засухи и лесные пожары, традиционные методы реагирования на стихийные бедствия испытывают трудности с поддержанием темпа. 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 необходимых инструментов. Поток геопространственных данных, генерируемых ежедневно, также стал проблемой – он перегружает организации и затрудняет получение ценных сведений. Чтобы решить эти проблемы, необходимы масштабируемые, доступные и интеллектуальные инструменты, которые могут превратить огромные объемы данных в действенные климатические сведения. Именно здесь геопространственный ИИ становится важным – это появляющаяся технология, которая имеет потенциал анализировать большие объемы данных, обеспечивая более точные, активные и своевременные прогнозы. Эта статья исследует новаторское сотрудничество между IBM и NASA по разработке передовых, более доступных геопространственных ИИ, наделяя более широкую аудиторию инструментами, необходимыми для стимулирования инновационных экологических и климатических решений.

Почему IBM и NASA являются пионерами в области геопространственного ИИ

Фундаментальные модели (ФМ) представляют собой новый рубеж в области ИИ, предназначенный для обучения на огромных объемах неотмеченных данных и применения своих сведений в нескольких областях. 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 настраиваться 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 трудоемким.

Более того, ФМ упрощают разработку специализированных приложений, сокращая избыточные усилия. Например, после того, как ФМ обучена, она может быть адаптирована для нескольких приложений, таких как мониторинг стихийных бедствий или отслеживание использования земель, без необходимости обширной повторной тренировки. Хотя первоначальный процесс обучения может требовать значительной вычислительной мощности, требуя десятков тысяч часов GPU. Однако после их обучения запуск их во время вывода занимает всего несколько минут или даже секунд.

Кроме того, ФМ могут сделать передовые 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 доступно для более широкой группы исследователей и инноваторов, открывая новые пути для более быстрых открытий и инновационных экологических решений.

Происхождение геопространственного ИИ

Огромный потенциал ФМ привел IBM и NASA к сотрудничеству в создании комплексной ФМ окружающей среды Земли. Основной целью этого партнерства является наделение исследователей возможностью извлекать сведения из обширных наборов данных NASA Земли эффективным и доступным образом.

В этом стремлении они достигли значительного прорыва в августе 2023 года с представлением новаторской 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 передовые методы ИИ, включая архитектуры 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 значительно меньше размеченных наборов данных для обучения.

Потенциальные применения этой модели обширны, варьируются от мониторинга изменений использования земель и стихийных бедствий до прогнозирования урожайности. Важно, 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 геопространственного ИИ

Развивая это импульс, IBM и NASA недавно представили еще одну новаторскую 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 Модерн-Эра Ретроспективного анализа для исследований и приложений, 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 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 быть тонко настроенной 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 тонко настроенными версиями, предназначенными для конкретных научных и промышленных применений, обеспечивая еще большую точность для экологического анализа. Модель доступна бесплатно на Hugging Face.

Итог

Партнерство 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 сильными погодными явлениями. Более того, оно открывает дверь для более широкой аудитории, чтобы получить доступ к этим мощным инструментам, ранее ограниченным хорошо финансируемыми учреждениями. По мере того, как эти передовые 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.