به عنوان تغییر آب و هوا سوخت ها رویدادهای شدید آب و هوایی مانند سیل، طوفان، خشکسالی و آتش‌سوزی جنگلی، روش‌های سنتی واکنش به بلایا در تلاش برای ادامه دادن هستند. در حالی که پیشرفت‌ها در فناوری ماهواره‌ای، پهپادها و حسگرهای از راه دور امکان نظارت بهتر را فراهم می‌کنند، دسترسی به این داده‌های حیاتی محدود به تعداد کمی از سازمان‌ها است و بسیاری از محققان و مبتکران را بدون ابزارهای مورد نیاز می‌گذارد. سیل داده‌های مکانی که روزانه تولید می‌شود نیز به یک چالش تبدیل شده است – سازمان‌ها را تحت تأثیر قرار می‌دهد و استخراج بینش‌های معنادار را دشوارتر می‌کند. برای پرداختن به این مسائل، ابزارهای مقیاس پذیر، در دسترس و هوشمند مورد نیاز است تا مجموعه داده های گسترده را به بینش های آب و هوایی قابل اجرا تبدیل کند. اینجاست که هوش مصنوعی جغرافیایی حیاتی می شود – یک فناوری نوظهور که پتانسیل تجزیه و تحلیل حجم زیادی از داده ها، ارائه پیش بینی های دقیق تر، فعال تر و به موقع را دارد. این مقاله به بررسی همکاری پیشگامانه بین IBM و ناسا برای توسعه هوش مصنوعی پیشرفته و قابل دسترس‌تر زمین‌فضایی می‌پردازد، و مخاطبان وسیع‌تری را با ابزارهای لازم برای هدایت راه‌حل‌های نوآورانه محیطی و آب و هوایی توانمند می‌سازد.
چرا آی‌بی‌ام و ناسا پیشگام بنیاد هوش‌مکانی جغرافیایی هستند؟
مدل های فونداسیون (FMs) مرز جدیدی را در هوش مصنوعی نشان می‌دهد که برای یادگیری از مقادیر گسترده داده‌های بدون برچسب طراحی شده و بینش خود را در چندین حوزه اعمال می‌کند. این رویکرد چندین مزیت کلیدی را ارائه می دهد. برخلاف مدل‌های سنتی هوش مصنوعی، FMها به مجموعه داده‌های عظیم و با سخت‌افزاری تکیه نمی‌کنند. در عوض، آنها می توانند نمونه های داده های کوچکتر را تنظیم کنند و در زمان و منابع صرفه جویی کنند. این آنها را به ابزاری قدرتمند برای تسریع تحقیقات آب و هوایی تبدیل می کند، جایی که جمع آوری مجموعه داده های بزرگ می تواند پرهزینه و وقت گیر باشد.
علاوه بر این، FM ها توسعه برنامه های تخصصی را ساده می کنند و تلاش های اضافی را کاهش می دهند. به عنوان مثال، هنگامی که یک FM آموزش داده می شود، می توان آن را با چندین برنامه پایین دستی مانند نظارت بر بلایای طبیعی یا ردیابی استفاده از زمین بدون نیاز به بازآموزی گسترده سازگار کرد. اگرچه فرآیند آموزش اولیه می تواند به توان محاسباتی قابل توجهی نیاز داشته باشد، که به ده ها هزار ساعت GPU نیاز دارد. با این حال، پس از آموزش، اجرای آنها در طول استنتاج تنها چند دقیقه یا حتی چند ثانیه طول می کشد.
علاوه بر این، FM ها می توانند مدل های پیشرفته آب و هوا را برای مخاطبان وسیع تری در دسترس قرار دهند. پیش از این، تنها مؤسسات دارای بودجه خوب با منابع برای پشتیبانی از زیرساخت های پیچیده می توانستند این مدل ها را اجرا کنند. با این حال، با ظهور FM های از پیش آموزش دیده، مدل سازی آب و هوا اکنون برای گروه وسیع تری از محققان و مبتکران در دسترس است و راه های جدیدی را برای اکتشافات سریع تر و راه حل های زیست محیطی نوآورانه باز می کند.
پیدایش پایه هوش مصنوعی جغرافیایی
پتانسیل گسترده FM ها باعث شده است که IBM و NASA برای ساختن یک FM جامع از محیط زیست زمین با یکدیگر همکاری کنند. هدف اصلی این همکاری، توانمندسازی محققان برای استخراج بینش از مجموعه داده های گسترده زمین ناسا به شیوه ای موثر و قابل دسترس است.
در این پیگیری، آنها در آگوست 2023 با رونمایی از یک پیشگام به موفقیت چشمگیری دست یافتند. FM برای داده های مکانی. این مدل بر روی مجموعه داده های ماهواره ای گسترده ناسا آموزش داده شده است که شامل یک آرشیو 40 ساله از تصاویر است. هماهنگ Landsat Sentinel-2 (HLS) برنامه از تکنیک های پیشرفته هوش مصنوعی، از جمله معماری ترانسفورماتور، برای پردازش موثر حجم قابل توجهی از داده های مکانی استفاده می کند. با استفاده از ابرکامپیوتر Cloud Vela شرکت IBM و پشته watsonx FM، مدل HLS می‌تواند داده‌ها را تا چهار برابر سریع‌تر از مدل‌های یادگیری عمیق سنتی تجزیه و تحلیل کند در حالی که به مجموعه داده‌های برچسب‌گذاری شده بسیار کمتری برای آموزش نیاز دارد.
کاربردهای بالقوه این مدل گسترده است، از نظارت بر تغییرات کاربری اراضی و بلایای طبیعی تا پیش‌بینی عملکرد محصول. نکته مهم این است که این ابزار قدرتمند رایگان است موجود است در Hugging Face، به محققان و مبتکران در سراسر جهان اجازه می دهد تا از قابلیت های آن استفاده کنند و در پیشرفت علم آب و هوا و محیط زیست مشارکت کنند.
پیشرفت‌ها در بنیاد ژئوفضایی AI
با تکیه بر این شتاب، IBM و ناسا اخیراً یکی دیگر از مدل های متن باز پیشگامانه FM را معرفی کرده اند: Prithvi WxC. این مدل برای مقابله با چالش های آب و هوای کوتاه مدت و پیش بینی های بلند مدت آب و هوا طراحی شده است. از پیش آموزش داده شده بر روی 40 سال داده های رصد زمین ناسا از تحلیل گذشته نگر عصر مدرن برای تحقیقات و کاربردها، نسخه 2 (MERRA-2، FM پیشرفت های قابل توجهی را نسبت به مدل های پیش بینی سنتی ارائه می دهد.
مدل با استفاده از a ساخته شده است ترانسفورماتور بینایی و الف رمزگذار خودکار ماسک شده، آن را قادر می سازد تا داده های مکانی را در طول زمان رمزگذاری کند. با ترکیب الف مکانیسم توجه زمانیFM می تواند داده های تحلیل مجدد MERRA-2 را که جریان های رصدی مختلف را ادغام می کند، تجزیه و تحلیل کند. این مدل می‌تواند هم روی یک سطح کروی مانند مدل‌های آب و هوایی سنتی و هم روی یک شبکه مستطیلی مسطح کار کند و به آن اجازه می‌دهد بین نماهای جهانی و منطقه‌ای بدون از دست دادن وضوح تغییر کند.
این معماری منحصربه‌فرد Prithvi را قادر می‌سازد تا در مقیاس‌های جهانی، منطقه‌ای و محلی به‌خوبی تنظیم شود، در حالی که در یک رایانه رومیزی استاندارد در عرض چند ثانیه اجرا می‌شود. این مدل FM می‌تواند برای طیف وسیعی از کاربردها از جمله پیش‌بینی آب و هوای محلی برای پیش‌بینی رویدادهای شدید آب و هوایی، بهبود وضوح فضایی شبیه‌سازی‌های آب و هوای جهانی، و اصلاح نمایش فرآیندهای فیزیکی در مدل‌های معمولی استفاده شود. علاوه بر این، Prithvi با دو عرضه می شود به خوبی تنظیم شده است نسخه هایی که برای کاربردهای علمی و صنعتی خاص طراحی شده اند و دقت بیشتری را برای تجزیه و تحلیل محیطی ارائه می دهند. مدل آزادانه است موجود است روی صورت در آغوش گرفته
خط پایین
مشارکت آی‌بی‌ام و ناسا در حال تعریف مجدد هوش مصنوعی مکانی است و رسیدگی به چالش‌های آب و هوایی را برای محققان و نوآوران آسان‌تر می‌کند. با توسعه مدل‌های پایه که می‌توانند به طور موثر مجموعه داده‌های بزرگ را تجزیه و تحلیل کنند، این همکاری توانایی ما را برای پیش‌بینی و مدیریت رویدادهای آب و هوایی شدید افزایش می‌دهد. مهمتر از آن، در را برای مخاطبان گسترده‌تری باز می‌کند تا به این ابزارهای قدرتمند دسترسی داشته باشند، که قبلاً محدود به مؤسسات دارای منابع کافی بود. از آنجایی که این مدل‌های پیشرفته هوش مصنوعی برای افراد بیشتری در دسترس قرار می‌گیرند، راه را برای راه‌حل‌های نوآورانه‌ای هموار می‌کنند که می‌تواند به ما کمک کند به طور مؤثرتر و مسئولانه‌تر به تغییرات آب و هوایی واکنش نشان دهیم.
