 |
watsonx.ai 模型由IBM與美國宇航局合作構(gòu)建，旨在將衛(wèi)星數(shù)據(jù)轉(zhuǎn)化為顯示洪水、火災及其它地理圖景變化的高分辨率地圖，揭示地球的過去并防范于未來
北京2023年5月16日 /美通社/ -- watsonx.ai 模型由IBM與美國宇航局合作構(gòu)建，旨在將衛(wèi)星數(shù)據(jù)轉(zhuǎn)換為洪水、火災和其它地理圖景變化的高分辨率地圖，以揭示我們星球的過去，并暗示其未來可能的變化。
目前，世界上近四分之一的人口生活在洪水區(qū)，隨著海平面上升和氣候變化引發(fā)的風暴日益嚴重，預計這一數(shù)字還會攀升，致使更多人處于危險之中。準確繪制洪水事件地圖的能力，不僅是當下保護民眾生命財產(chǎn)安全的關(guān)鍵，也是未來指導在風險較低的地區(qū)進行發(fā)展規(guī)劃的關(guān)鍵。
IBM日前在Think大會發(fā)布了一個新的地理空間基礎(chǔ)模型，就是通過將NASA的海量衛(wèi)星觀測數(shù)據(jù)轉(zhuǎn)換為自然災害和其它環(huán)境變化的定制地圖，為實現(xiàn)人類了解地球地理環(huán)境的過去與未來這一目標邁出了第一步。該模型是IBM watsonx.ai 地理空間產(chǎn)品的一部分，計劃在今年下半年通過IBM Environmental Intelligence Suite（EIS）為IBM客戶提供預覽版。潛在應用包括幫助估算農(nóng)作物、建筑和其它基礎(chǔ)設(shè)施與氣候相關(guān)的風險，評估和監(jiān)測森林以進行碳抵消計劃，以及開發(fā)預測模型以幫助企業(yè)制定緩解和適應氣候變化的戰(zhàn)略。
如需了解IBM技術(shù)、產(chǎn)品和服務的更多信息，點擊訪問IBM官網(wǎng)。
作為與美國宇航局達成的太空行動協(xié)議的一部分，https://research.ibm.com/blog/ibm-nasa-foundation-modelsIBM在四個月前開始建立有史以來第一個用于分析地理空間數(shù)據(jù)的基礎(chǔ)模型?；A(chǔ)模型通過讓開發(fā)人員在原始文本上訓練一個模型，并通過額外訓練為其它自然語言處理（ NLP） 任務自定義模型，從而對NLP進行了革命性的改變。以前，用戶必須為每個任務訓練一個新模型，這需要大量的數(shù)據(jù)管理和計算工作。 IBM 研究院沒有用文字來訓練基礎(chǔ)模型，而是教一個模型來理解衛(wèi)星圖像。IBM研究人員預訓練了NASA的Harmonized Landsat Sentinel-2（HLS-2）數(shù)據(jù)。HLS數(shù)據(jù)提供了來自NASA/USGS Landsat 8聯(lián)合衛(wèi)星上的可操作陸地成像儀（OLI）和歐盟哥白尼哨兵-2A和哨兵-2B衛(wèi)星上的多光譜儀器（MSI）的一致表面反射率數(shù)據(jù)。組合測量有助于以30米的空間分辨率每兩到三天對土地進行一次全球觀測。
然后，他們?yōu)樵撃Ｐ吞峁┦止擞浀氖纠?，教它識別諸如歷史上洪水和火災遺跡的范圍，以及土地利用和森林生物量的變化。
該模型的設(shè)計旨在簡單易用，用戶只需選擇一個區(qū)域、一個映射任務和一組日期，例如，如果用戶在搜索欄中輸入"法國萊訥港"并選擇日期 2019 年 12 月 13 日至 15 日，那么該模型就能用粉紅色來突出顯示洪水延伸的距離。用戶可以疊加其它數(shù)據(jù)集以查看農(nóng)作物或建筑物被淹沒的位置。這些可視化有助于在類似的災難場景中進行未來規(guī)劃：它們提供的信息可以幫助減輕洪水影響，為保險和風險管理決策提供信息，規(guī)劃基礎(chǔ)設(shè)施，應對災害和保護環(huán)境。
IBM在用于處理視頻的掩蔽自動編碼器上構(gòu)建了該模型，并將其調(diào)整為衛(wèi)星鏡頭的畫面。為了教模型理解隨時間展開的圖像序列，研究人員將每張圖像的一部分留空出來讓模型來重建它。它重建的圖像越多，就越能理解它們之間的關(guān)系。然后，他們針對特定任務（如分類和分割圖像）微調(diào)模型。這種微調(diào)工作流基于 PyTorch，具有增強的分割庫，允許研究人員處理時空數(shù)據(jù)。
為了提高模型的效率，研究人員還縮小了衛(wèi)星圖像的大小，使他們能夠以更小的塊來處理數(shù)據(jù)，并減少GPU的使用。然后，他們在IBM 研究院的Vela超級計算機上使用了超過5，000個GPU小時來訓練該模型。
早期結(jié)果看起來很有希望。在測試中，研究人員發(fā)現(xiàn)，與最先進的深度學習模型相比，使用一半的https://arxiv.org/abs/1706.05587標記數(shù)據(jù)繪制洪水和火災燒痕的準確性提高了15%。IBM估計，該模型可以將地理空間分析速度提高三到四倍，并有助于減少訓練傳統(tǒng)深度學習模型所需的數(shù)據(jù)清理和標記量。
