IBM 和 NASA 如何重新定义地理空间 AI 以应对气候挑战

随着气候变化 燃料 随着洪水、飓风、干旱和野火等天气事件日益严重，传统的灾害应对方法难以跟上。虽然卫星技术、无人机和远程传感器的进步使监测更加方便，但只有少数组织才能访问这些重要数据，许多研究人员和创新者没有他们需要的工具。每天生成的大量地理空间数据也成为一项挑战——让组织不堪重负，也使得提取有意义的见解变得更加困难。为了解决这些问题，需要可扩展、可访问且智能的工具将大量数据集转化为可操作的气候见解。这就是 地理空间人工智能 变得至关重要——这是一项新兴技术，它有可能分析大量数据，提供更准确、更主动、更及时的预测。本文探讨了 IBM 和 NASA 之间的开创性合作，旨在开发先进、更易于访问的地理空间 AI，为更广泛的受众提供推动创新环境和气候解决方案所需的工具。

IBM 和 NASA 为何率先开创基础地理空间 AI

基础模型 （FM）代表了人工智能领域的一个新前沿，旨在从大量未标记的数据中学习，并将其见解应用于多个领域。这种方法有几个关键优势。与传统的人工智能模型不同，FM 不依赖于大量精心策划的数据集。相反，它们可以在较小的数据样本上进行微调，从而节省时间和资源。这使它们成为加速气候研究的有力工具，因为收集大型数据集可能成本高昂且耗时。

此外，FM 简化了专用应用程序的开发，减少了冗余工作。例如，一旦训练了 FM，它就可以适应多种下游应用，例如监测自然灾害或跟踪土地使用情况，而无需进行大量再训练。虽然初始训练过程可能需要大量计算能力，需要数万个 GPU 小时。但是，一旦训练完成，在推理过程中运行它们只需几分钟甚至几秒钟。

此外，FM 可以让更广泛的受众使用先进的天气模型。以前，只有资金充足、资源丰富的机构才能运行这些模型，以支持复杂的基础设施。然而，随着预先训练的 FM 的兴起，气候建模现在已为更广泛的研究人员和创新者群体所用，为更快的发现和创新的环境解决方案开辟了新途径。

基础地理空间人工智能的起源

FM 的巨大潜力促使 IBM 和 NASA 携手合作，构建一个全面的地球环境 FM 系统。此次合作的主要目标是帮助研究人员以高效便捷的方式，从 NASA 丰富的地球数据集中提取洞见。

在这一追求中，他们于 2023 年 XNUMX 月取得了重大突破，推出了一项开创性的 地理空间数据的 FM。该模型基于 NASA 庞大的卫星数据集进行训练，该数据集包含来自 协调陆地卫星哨兵-2 (HLS) 程序。它使用先进的人工智能技术，包括变压器架构，来高效处理大量地理空间数据。使用 IBM 的 Cloud Vela 超级计算机 和 watsonx FM 堆栈，HLS 模型分析数据的速度比传统深度学习模型快四倍，同时需要更少的标记数据集进行训练。

该模型的潜在应用非常广泛，从监测土地利用变化和自然灾害到预测农作物产量。重要的是，这个强大的工具是免费的 可使用 让世界各地的研究人员和创新者能够利用其功能，为气候和环境科学的进步做出贡献。

基础地理空间人工智能的进展

在此基础上，IBM 和 NASA 最近又推出了另一个突破性的开源模型 FM： 普里特维WxC该模型旨在应对短期天气挑战和长期气候预测。该模型基于 NASA 40 年的地球观测数据进行预训练，这些数据来自“现代时代回顾研究与应用分析”（Version 2） (MERRA-2），FM 比传统预测模型有了显著的进步。

该模型采用 视觉变压器 和 掩蔽自编码器使其能够随时间对空间数据进行编码。通过结合 时间注意机制FM 可以分析 MERRA-2 再分析数据，该数据整合​​了各种观测流。该模型既可以在球面（如传统气候模型）上运行，也可以在平面矩形网格上运行，从而可以在全球和区域视图之间切换而不会降低分辨率。

这种独特的架构使 Prithvi 能够在全球、区域和本地范围内进行微调，同时在标准台式计算机上运行仅需几秒钟。此 FM 模型可用于一系列应用，包括预测当地天气、预测极端天气事件、提高全球气候模拟的空间分辨率以及改进传统模型中物理过程的表示。此外，Prithvi 还配备了两个 微调 为特定的科学和工业用途而设计的版本，为环境分析提供了更高的精度。该模型可以自由 可使用 在拥抱的脸上。

底线

IBM 与 NASA 的合作正在重新定义地理空间 AI，使研究人员和创新者能够更轻松地应对紧迫的气候挑战。通过开发能够有效分析大型数据集的基础模型，此次合作增强了我们预测和管理恶劣天气事件的能力。更重要的是，它为更广泛的受众打开了使用这些强大工具的大门，而这些工具此前仅限于资源充足的机构使用。随着这些先进的 AI 模型逐渐为更多人所用，它们将为创新解决方案铺平道路，帮助我们更有效、更负责任地应对气候变化。