Hur IBM och NASA omdefinierar geospatial AI för att tackla klimatutmaningar

Medan klimatförändringar drivs alltmer svåra väderhändelser som översvämningar, orkaner, torka och skogsbränder, kämpar traditionella metoder för katastrofhjälp med att hålla jämna steg. Medan framsteg inom satellitteknik, drönare och fjärrsensorteknik 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. Flödet av geospatial data som genereras dagligen har också blivit en utmaning – överväldigande organisationer och gör det svårare att extrahera meningsfulla insikter. För att tackla dessa problem behövs skalbara, tillgängliga och intelligenta verktyg för att omvandla stora datamängder till handlingsbara klimatinsikter. Här är det som geospatial AI blir avgörande – en ny teknik som har potentialen att analysera stora mängder data, ge mer exakta, proaktiva och tidiga förutsägelser. Den här artikeln utforskar den banbrytande samarbetet mellan IBM och NASA för att utveckla avancerad, mer tillgänglig geospatial AI, som ger en bredare publik de verktyg som behövs för att driva innovativa miljö- och klimatlösningar.

Varför IBM och NASA är pionjärer inom grundläggande geospatial AI

Grundmodeller (FMs) representerar en ny front inom AI, utformad för att lära sig från stora mängder oetiketterad data och tillämpa sina insikter över flera domäner. Detta tillvägagångssätt erbjuder flera nyckelfördelar. Till skillnad från traditionella AI-modeller är FMs inte beroende av stora, noggrant kuraterade datamängder. Istället kan de finjusteras på mindre datasatser, vilket sparar både tid och resurser. Detta gör dem till ett kraftfullt verktyg för att påskynda klimatforskning, där insamling av stora datamängder kan vara kostsamt och tidskrävande.

Dessutom förenklar FMs utvecklingen av specialiserade applikationer, vilket minskar onödiga ansträngningar. Till exempel kan en FM, när den är utbildad, anpassas till flera nedströmsapplikationer, såsom övervakning av naturkatastrofer eller spårning av markanvändning, utan att kräva omfattande omutbildning. Även om den initiala utbildningsprocessen kan kräva betydande beräkningskraft, som kräver tiotusentals GPU-timmar, kan den köras under inferens på bara några minuter eller till och med sekunder.

Dessutom kan FMs 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 tillkomsten av förutbildade FMs är klimatmodellering nu inom räckhåll för en större grupp forskare och innovatörer, vilket öppnar upp nya vägar för snabbare upptäckter och innovativa miljölösningar.

Uppkomsten av grundläggande geospatial AI

Den enorma potentialen hos FMs har lett IBM och NASA att samarbeta för att bygga en omfattande FM för jordens miljö. Det viktigaste målet med detta samarbete är att ge forskare möjlighet att extrahera insikter från NASAs omfattande jorddata på ett sätt som är både effektivt och tillgängligt.

I denna strävan uppnådde de en betydande genombrott i augusti 2023 med lanseringen av en banbrytande FM för geospatial data. Denna modell utbildades på NASAs omfattande satellitdata, som bestod av en 40-årig arkiv av bilder från Harmonized Landsat Sentinel-2 (HLS)-programmet. Den använder avancerade AI-tekniker, inklusive transformer-arkitektur, för att effektivt bearbeta stora mängder geospatial data. Utvecklad med IBMs Cloud Vela-superdator och Watsonx FM-stacken kan HLS-modellen analysera data upp till fyra gånger snabbare än traditionella djupinlärningsmodeller och kräver betydligt färre etiketterade datamängder för utbildning.

De potentiella tillämpningarna av denna modell är omfattande, från övervakning av markanvändningsförändringar och naturkatastrofer till förutsägelse av skördar. Viktigt är att detta kraftfulla verktyg är fritt tillgängligt på Hugging Face, vilket möjliggör för forskare och innovatörer över hela världen att utnyttja dess förmågor och bidra till utvecklingen av klimat- och miljövetenskap.

Framsteg inom grundläggande geospatial AI

Byggande på denna momentum har IBM och NASA nyligen lanserat en annan banbrytande öppen källkodsmodell FM: Prithvi WxC. Denna modell är utformad för att tackla både kortvariga väderutmaningar och långsiktiga klimatförutsägelser. Förutbildad på 40 års NASAs jordobservationsdata från Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2), erbjuder FM betydande förbättringar jämfört med traditionella förutsägelsemodeller.

Modellen är byggd med en vision transformer och en maskerad autoencoder, vilket möjliggör att den kan koda spatial data över tid. Genom att inkorporera en temporal uppmärksamhetsmekanism kan FM analysera MERRA-2-reanalysdata, som integrerar olika observationsströmmar. Modellen kan köras på både en sfärisk yta, som traditionella klimatmodeller, och en platt, rektangulär grid, vilket möjliggör att den kan växla mellan globala och regionala vyer utan att förlora upplösning.

Denna unika arkitektur möjliggör att Prithvi kan finjusteras över globala, regionala och lokala skalor, samtidigt som den kan köras på en standarddator på bara några sekunder. Denna FM-modell kan användas för en mängd olika tillämpningar, inklusive förutsägelse av lokalt väder till förutsägelse av extrema väderhändelser, förbättring av den rumsliga upplösningen av globala klimatsimuleringar och förfining av representationen av fysiska processer i konventionella modeller. Dessutom kommer Prithvi med två finjusterade versioner som är utformade för specifika vetenskapliga och industriella användningar, vilket ger ännu större precision för miljöanalys. Modellen är fritt tillgänglig på Hugging Face.

Sammanfattning

IBM och NASAs samarbete omdefinierar geospatial AI, vilket gör det lättare för forskare och innovatörer att tackla pressande klimatutmaningar. Genom att utveckla grundmodeller som kan effektivt analysera stora datamängder förbättrar detta samarbete vår förmåga att förutsäga och hantera svåra väderhändelser. Mer viktigt är att det öppnar dörren för en bredare publik att komma åt dessa kraftfulla verktyg, som tidigare var begränsade till välresurserade institutioner. När dessa avancerade AI-modeller blir tillgängliga för fler människor banar de väg för innovativa lösningar som kan hjälpa oss att svara på klimatförändringar på ett mer effektivt och ansvarsfullt sätt.