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 助长 像洪水、飓风、干旱和野火这样的日益严重的天气事件，传统的灾难应对方法难以跟上。虽然卫星技术、无人机和遥感技术的进步使得监测变得更好，但这些至关重要的数据仍然仅限于少数组织，许多研究人员和创新者没有他们需要的工具。每天产生的地理空间数据的洪流也成为了一种挑战——让组织感到不知所措，并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、可访问和智能的工具来将大量数据转化为可行的气候见解。这就是 地理空间 AI 的作用——一种具有分析大量数据的潜力、提供更准确、更主动和更及时的预测的新兴技术。这个文章探讨了 IBM 和 NASA 之间开创性的合作，以开发更先进、更易访问的地理空间 AI，赋予更广泛的受众以必要的工具来推动创新环境和气候解决方案。

为什么 IBM 和 NASA 是地理空间 AI 的先驱

基础模型 (FMs) 代表了 AI 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。这种方法提供了几个关键优势。与传统的 AI 模型不同，FMs 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，节省时间和资源。这使得它们成为加速气候研究的有力工具，因为收集大量数据集可能很昂贵且耗时。

此外，FMs 简化了专用应用的开发，减少了冗余的努力。例如，一旦 FM 被训练，它就可以被适应于多个下游应用，例如监测自然灾害或跟踪土地利用，而无需进行大量的重新训练。虽然初始的训练过程可能需要大量的计算能力，需要数万个 GPU 小时。然而，一旦它们被训练，运行它们在推理中只需几分钟甚至几秒钟。

另外，FMs 可以使高级天气模型更容易被更广泛的受众所接受。以前，只有拥有支持复杂基础设施的资源的机构才能运行这些模型。然而，随着预训练 FMs 的兴起，气候建模现在可以被更广泛的研究人员和创新者所使用，开辟了新的途径以实现更快的发现和创新环境解决方案。

基础地理空间 AI 的起源

FMs 的巨大潜力导致了 IBM 和 NASA 的合作，以建立地球环境的综合 FM。这种合作的主要目标是使研究人员能够以有效和可访问的方式从 NASA 的广泛地球数据集中提取见解。

在这一追求中，他们在 2023 年 8 月取得了一个重大突破，推出了一个开创性的 FM 地理空间数据。该模型是在 NASA 的庞大卫星数据集上训练的，包括来自 Harmonized Landsat Sentinel-2 (HLS) 程序的 40 年图像档案。它使用了先进的 AI 技术，包括变换器架构，以高效地处理大量的地理空间数据。使用 IBM 的 Cloud Vela 超级计算机 和 watsonx FM 堆栈开发，该 HLS 模型可以比传统的深度学习模型快四倍，同时需要的标记数据集也大大减少。

该模型的潜在应用非常广泛，范围从监测土地利用变化和自然灾害到预测作物产量。重要的是，这个强大的工具可以在 Hugging Face 上免费 获取，允许世界各地的研究人员和创新者利用其功能并为气候和环境科学的进步做出贡献。

基础地理空间 AI 的进展

在此基础上，IBM 和 NASA最近推出了另一个开创性的开源模型 FM： Prithvi WxC。 该模型旨在解决短期天气挑战和长期气候预测。预训练在 40 年的 NASA 地球观测数据上，来自现代时代回顾分析研究和应用，版本 2 (MERRA-2)，FM 提供了传统预测模型的显著改进。

该模型使用 视觉变换器 和 掩码自动编码器 构建，使其能够编码随时间变化的空间数据。通过集成 时间注意力机制，FM 可以分析 MERRA-2 再分析数据，该数据集成各种观测流。该模型可以在传统气候模型上的球面表面和平面网格上运行，允许它在不失去分辨率的情况下在全球和区域视图之间切换。

这种独特的架构使得 Prithvi 可以在全球、区域和本地尺度上进行微调，同时在标准台式电脑上运行只需几秒钟。该 FM 模型可以用于各种应用，包括预测本地天气、预测极端天气事件、提高全球气候模拟的空间分辨率以及完善传统模型中的物理过程的表示。此外，Prithvi 附带两个 微调 版本，旨在满足特定的科学和工业用途，为环境分析提供更大的精度。该模型可以在 hugging face 上免费 获取。

结论

IBM 和 NASA 的合作伙伴关系正在重新定义地理空间 AI，使研究人员和创新者更容易应对紧迫的气候挑战。通过开发可以有效分析大量数据的基础模型，该合作伙伴关系增强了我们预测和管理严重天气事件的能力。更重要的是，它为更广泛的受众打开了大门，使他们能够访问这些强大的工具，这些工具以前仅限于拥有丰富资源的机构。随着这些先进的 AI 模型变得更容易被更多人访问，它们为我们提供了更有效和更负责地应对气候变化的途径。