 |
watsonx.ai 模型由IBM與美國宇航局合作構建，旨在將衛星數據轉化為顯示洪水、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建，旨在將衛星數據轉換為洪水、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，隨著海平面上升和氣候變化引發的風暴日益嚴重，預計這一數字還會攀升，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安全的關鍵，也是未來指導在風險較低的地區進行發展規劃的關鍵。
IBM日前在Think大會發布了一個新的地理空間基礎模型，就是通過將NASA的海量衛星觀測數據轉換為自然災害和其它環境變化的定制地圖，為實現人類了解地球地理環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作物、建筑和其它基礎設施與氣候相關的風險，評估和監測森林以進行碳抵消計劃，以及開發預測模型以幫助企業制定緩解和適應氣候變化的戰略。
如需了解IBM技術、產品和服務的更多信息，點擊訪問IBM官網。
作為與美國宇航局達成的太空行動協議的一部分，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據的基礎模型。基礎模型通過讓開發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，這需要大量的數據管理和計算工作。 IBM 研究院沒有用文字來訓練基礎模型，而是教一個模型來理解衛星圖像。IBM研究人員預訓練了NASA的Harmonized Landsat Sentinel-2（HLS-2）數據。HLS數據提供了來自NASA/USGS Landsat 8聯合衛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衛星上的多光譜儀器（MSI）的一致表面反射率數據。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，他們為該模型提供手工標記的示例，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。
該模型的設計旨在簡單易用，用戶只需選擇一個區域、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據集以查看農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，規劃基礎設施，應對災害和保護環境。
IBM在用于處理視頻的掩蔽自動編碼器上構建了該模型，并將其調整為衛星鏡頭的畫面。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系。然后，他們針對特定任務（如分類和分割圖像）微調模型。這種微調工作流基于 PyTorch，具有增強的分割庫，允許研究人員處理時空數據。
為了提高模型的效率，研究人員還縮小了衛星圖像的大小，使他們能夠以更小的塊來處理數據，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。
早期結果看起來很有希望。在測試中，研究人員發現，與最先進的深度學習模型相比，使用一半的https://arxiv.org/abs/1706.05587標記數據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深度學習模型所需的數據清理和標記量。
