Як IBM та NASA переосмислюють геопросторовий AI для боротьби з кліматичними викликами

Як зміна клімату спричиняє все частіші та більш руйнівні погодні явища, такі як повені, урагани, посухи та лісові пожежі, традиційні методи реагування на стихійні лиха все більше втрачають свою ефективність. Хоча вдосконалення технологій супутників, дронів та віддалених сенсорів дозволяють краще відстежувати ситуацію, доступ до цих важливих даних залишається обмеженим для кількох організацій, залишаючи багатьох дослідників та інноваторів без інструментів, яких їм потрібні. Потік геопросторових даних, який щоденно генерується, також став викликом – він перевантажує організації та ускладнює отримання корисної інформації. Для вирішення цих проблем потрібні масштабовані, доступні та інтелектуальні інструменти, які можуть перетворити величезні дані на дієвій кліматичної інформації. Саме тут геопросторовий AI стає життєво важливим – це нова технологія, яка має потенціал аналізувати великі обсяги даних, забезпечуючи більш точні, активні та своєчасні прогнози. Ця стаття досліджує новаторське співробітництво між IBM та NASA щодо розробки вдосконаленого, більш доступного геопросторового AI, яке надає ширшій аудиторії інструменти, необхідні для розвитку інноваційних рішень у сфері охорони довкілля та клімату.

Чому IBM та NASA розширюють геопросторовий AI

Фундаментальні моделі (ФМ) представляють новий рубіж у сфері AI, призначені для навчання на величезних обсягах необроблених даних та застосування отриманих знань у різних галузях. Цей підхід пропонує кілька ключових переваг. На відміну від традиційних моделей AI, ФМ не залежать від величезних, ретельно відібраних наборів даних. Замість цього вони можуть донастроюватися на менших вибірках даних, що економить час та ресурси. Це робить їх потужним інструментом для прискорення кліматичних досліджень, де збір великих даних може бути дорогим та тривалим.

Крім того, ФМ спрощують розробку спеціалізованих застосунків, скорочуючи повторючі зусилля. Наприклад, після навчання ФМ можна адаптувати до кількох застосунків нижнього рівня, таких як моніторинг стихійних лих чи відстеження використання землі, без потреби у великому повторному навчанні. Хоча початковий процес навчання може вимагати значної обчислювальної потужності, що потребує десятків тисяч годин роботи GPU, однак після навчання їх виконання під час висновку займає лише хвилини чи навіть секунди.

Крім того, ФМ можуть зробити вдосконалені погодні моделі доступними для ширшої аудиторії. Раніше лише добре фінансовані установи з ресурсами, достатніми для підтримки складної інфраструктури, могли використовувати ці моделі. Однак з появою попередньо натренованих ФМ кліматичне моделювання тепер стало доступним для ширшої групи дослідників та інноваторів, відкриваючи нові шляхи для швидших відкриттів та інноваційних рішень у сфері охорони довкілля.

Походження геопросторового AI

Величезний потенціал ФМ спонукав IBM та NASA до співробітництва у створенні комплексної ФМ довкілля Землі. Основною метою цього партнерства є надання дослідникам можливості отримувати інформацію з розширених наборів даних NASA про Землю ефективним та доступним способом.

У цьому напрямку вони досягли значного прориву у серпні 2023 року з представленням новаторської ФМ для геопросторових даних. Ця модель була навчена на величезному супутниковому наборі даних NASA, який складається з 40-річної архівної колекції зображень програми Harmonized Landsat Sentinel-2 (HLS). Вона використовує вдосконалені техніки AI, включаючи архітектуру трансформерів, для ефективної обробки великих обсягів геопросторових даних. Розроблена за допомогою суперкомп’ютера IBM Cloud Vela та стеку ФМ WatsonX, модель HLS може аналізувати дані до чотирьох разів швидше, ніж традиційні моделі глибокого навчання, при цьому потребуючи значно менше відмічених наборів даних для навчання.

Потенційні застосування цієї моделі дуже широкі, починаючи від моніторингу змін у використанні землі та стихійних лих до прогнозування врожайності. Насамперед, цей потужний інструмент безкоштовно доступний на Hugging Face, що дозволяє дослідникам та інноваторам усього світу використовувати його можливості та сприяти розвитку кліматичної та екологічної науки.

Прогрес у геопросторовому AI

Розробляючи цей імпульс, IBM та NASA представили ще одну новаторську відкриту модель ФМ: Prithvi WxC. Ця модель призначена для вирішення як короткострокових погодних викликів, так і довгострокових кліматичних прогнозів. Предварньо навчена на 40-річних даних спостереження Землі NASA з сучасної ретроспективної аналізи для досліджень та застосунків, Версія 2 (MERRA-2), ФМ пропонує суттєві вдосконалення порівняно з традиційними моделями прогнозування.

Модель побудована за допомогою трансформера зору та автоенкодера з маскуванням, що дозволяє їй кодувати просторові дані за часом. Інтегруючи механізм тимчасової уваги, ФМ може аналізувати дані ретроспективної аналізи MERRA-2, які інтегрують різні спостережувані потоки. Модель може працювати як на сферичній поверхні, як традиційні кліматичні моделі, так і на плоскій, прямокутній сітці, що дозволяє їй переходити між глобальними та регіональними виглядами без втрати роздільної здатності.

Ця унікальна архітектура дозволяє Prithvi донастроюватися на глобальному, регіональному та місцевому рівнях, при цьому працюючи на стандартному комп’ютері за секунди. Ця модель ФМ може бути використана для ряду застосунків, включаючи прогнозування місцевої погоди, передбачення екстремальних погодних явищ, поліпшення просторової роздільної здатності глобальних кліматичних симуляцій та уточнення представлення фізичних процесів у традиційних моделях. Крім того, Prithvi поставляється з двома донастроєними версіями, призначеними для конкретних наукових та промислових застосунків, забезпечуючи ще більшу точність для екологічного аналізу. Модель безкоштовно доступна на Hugging Face.

Висновок

Партнерство між IBM та NASA переосмислює геопросторовий AI, роблячи його легшим для дослідників та інноваторів вирішувати насущні кліматичні виклики. Розробляючи фундаментальні моделі, які можуть ефективно аналізувати великі дані, це співробітництво підвищує нашу здатність прогнозувати та керувати руйнівними погодними явищами. Що ще важливіше, воно відкриває двері для ширшої аудиторії, надає їм доступ до цих потужних інструментів, раніше обмежених лише добре фінансованими установами. Коли ці вдосконалені моделі AI стають доступними для більшої кількості людей, вони відкривають шлях для інноваційних рішень, які можуть допомогти нам реагувати на зміну клімату більш ефективно та відповідально.