Hur IBM och NASA omdefinierar geospatial AI för att hantera klimatutmaningar

Som klimatförändringar bränslen allt svårare väderhändelser som översvämningar, orkaner, torka och skogsbränder, traditionella katastrofinsatser kämpar för att hänga med. Medan framsteg inom satellitteknologi, drönare och fjärrsensorer möjliggör bättre övervakning, är tillgången till denna viktiga data fortfarande begränsad till ett fåtal organisationer, vilket lämnar många forskare och innovatörer utan de verktyg de behöver. Floden av geospatial data som genereras dagligen har också blivit en utmaning – överväldigande organisationer och gör det svårare att få fram meningsfulla insikter. För att lösa dessa problem behövs skalbara, tillgängliga och intelligenta verktyg för att omvandla stora datamängder till handlingsbara klimatinsikter. Det är här geospatial AI blir vital – en framväxande teknologi som har potential att analysera stora mängder data, vilket ger mer exakta, proaktiva och snabbare förutsägelser. Den här artikeln utforskar det banbrytande samarbetet mellan IBM och NASA för att utveckla avancerad, mer tillgänglig geospatial AI, vilket ger en bredare publik möjlighet att få de verktyg som krävs för att driva innovativa miljö- och klimatlösningar.

Varför IBM och NASA banar väg för Foundation Geospatial AI

Grundmodeller (FM) representerar en ny gräns inom AI, designad för att lära av stora mängder omärkt data och tillämpa sina insikter på flera domäner. Detta tillvägagångssätt erbjuder flera viktiga fördelar. Till skillnad från traditionella AI-modeller förlitar sig inte FM:er på massiva, noggrant kurerade datamängder. Istället kan de finjustera på mindre dataprover, vilket sparar både tid och resurser. Detta gör dem till ett kraftfullt verktyg för att påskynda klimatforskningen, där insamling av stora datamängder kan vara kostsamt och tidskrävande.

Dessutom effektiviserar FM:er utvecklingen av specialiserade applikationer, vilket minskar överflödiga ansträngningar. Till exempel, när en FM är utbildad kan den anpassas till flera nedströmsapplikationer som övervakning av naturkatastrofer eller spårning av markanvändning utan att kräva omfattande omskolning. Även om den inledande utbildningsprocessen kan kräva betydande beräkningskraft, vilket kräver tiotusentals GPU-timmar. Men när de väl har tränats tar det bara minuter eller till och med sekunder att köra dem under slutledning.

Dessutom skulle FM:er kunna göra avancerade vädermodeller tillgängliga för en bredare publik. Tidigare kunde endast välfinansierade institutioner med resurser för att stödja komplex infrastruktur köra dessa modeller. Men med framväxten av förutbildade FM:er är klimatmodellering nu inom räckhåll för en bredare grupp av forskare och innovatörer, vilket öppnar nya vägar för snabbare upptäckter och innovativa miljölösningar.

The Genesis of Foundation Geospatial AI

Den stora potentialen hos FM har lett till att IBM och NASA samarbetar för att bygga en omfattande FM av jordens miljö. Huvudsyftet med detta partnerskap är att ge forskare möjlighet att extrahera insikter från NASA:s omfattande jorddatauppsättningar på ett sätt som är både effektivt och tillgängligt.

I denna strävan uppnår de ett betydande genombrott i augusti 2023 med avslöjandet av en banbrytande FM för geospatial data. Denna modell tränades på NASA:s stora satellitdataset, som består av ett 40-årigt arkiv med bilder från Harmoniserad Landsat Sentinel-2 (HLS) programmera. Den använder avancerad AI-teknik, inklusive transformatorarkitekturer, för att effektivt bearbeta stora volymer geospatial data. Utvecklad med hjälp av IBMs Cloud Vela superdator och watsonx FM-stacken kan HLS-modellen analysera data upp till fyra gånger snabbare än traditionella djupinlärningsmodeller samtidigt som den kräver betydligt färre märkta datamängder för träning.

De potentiella tillämpningarna av denna modell är omfattande, allt från att övervaka förändringar i markanvändning och naturkatastrofer till att förutsäga skördar. Viktigt är att detta kraftfulla verktyg är gratis tillgänglig på Hugging Face, vilket gör det möjligt för forskare och innovatörer över hela världen att utnyttja dess kapacitet och bidra till utvecklingen av klimat- och miljövetenskap.

Framsteg inom Foundation Geospatial AI

Byggande på detta momentum har IBM och NASA nyligen introducerat en annan banbrytande öppen källkodsmodell FM: Prithvi WxC. Denna modell är utformad för att hantera både kortsiktiga väderutmaningar och långsiktiga klimatförutsägelser. Förutbildad på 40 år av NASA:s jordobservationsdata från Modern-Era Retrospective Analysis for Research and Applications, version 2 (MERRA-2), erbjuder FM betydande framsteg jämfört med traditionella prognosmodeller.

Modellen är byggd med hjälp av en vision transformator och en maskerad autoencoder, vilket gör att den kan koda rumslig data över tid. Genom att införliva en tidsmässig uppmärksamhetsmekanismFM kan analysera MERRA-2 omanalysdata, som integrerar olika observationsströmmar. Modellen kan fungera på både en sfärisk yta, som traditionella klimatmodeller, och ett platt, rektangulärt rutnät, vilket gör att den kan växla mellan globala och regionala vyer utan att förlora upplösning.

Denna unika arkitektur gör att Prithvi kan finjusteras över globala, regionala och lokala skalor, samtidigt som den körs på en vanlig stationär dator på några sekunder. Denna FM-modell kan användas för en rad tillämpningar, inklusive förutsäga lokalt väder för att förutsäga extrema väderhändelser, förbättra den rumsliga upplösningen av globala klimatsimuleringar och förfina representationen av fysiska processer i konventionella modeller. Dessutom kommer Prithvi med två finstämd versioner designade för specifika vetenskapliga och industriella användningar, vilket ger ännu större precision för miljöanalyser. Modellen är fritt tillgänglig på kramande ansikte.

The Bottom Line

IBM och NASA:s partnerskap omdefinierar geospatial AI, vilket gör det lättare för forskare och innovatörer att ta itu med trängande klimatutmaningar. Genom att utveckla grundmodeller som effektivt kan analysera stora datamängder, förbättrar detta samarbete vår förmåga att förutsäga och hantera svåra väderhändelser. Ännu viktigare är att det öppnar dörren för en bredare publik att få tillgång till dessa kraftfulla verktyg, tidigare begränsade till institutioner med goda resurser. När dessa avancerade AI-modeller blir tillgängliga för fler människor banar de väg för innovativa lösningar som kan hjälpa oss att reagera på klimatförändringarna mer effektivt och ansvarsfullt.