A medida que el cambio climático alimenta fenómenos meteorológicos cada vez más graves, como inundaciones, huracanes, sequías e incendios forestales, los métodos tradicionales de respuesta a desastres luchan por mantenerse al día. Si bien los avances en la tecnología satelital, los drones y los sensores remotos permiten un mejor monitoreo, el acceso a estos datos vitales sigue limitado a unas pocas organizaciones, lo que deja a muchos investigadores e innovadores sin las herramientas que necesitan. La avalancha de datos geoespaciales que se generan a diario también se ha convertido en un desafío: abruma a las organizaciones y dificulta la extracción de información significativa. Para abordar estos problemas, se necesitan herramientas escalables, accesibles e inteligentes para convertir vastos conjuntos de datos en conocimientos climáticos procesables. Aquí es donde la IA geoespacial se vuelve vital: una tecnología emergente que tiene el potencial de analizar grandes volúmenes de datos y proporcionar predicciones más precisas, proactivas y oportunas. Este artículo explora la colaboración innovadora entre IBM y la NASA para desarrollar una IA geoespacial avanzada y más accesible, brindando a una audiencia más amplia las herramientas necesarias para impulsar soluciones ambientales y climáticas innovadoras.
Por qué IBM y la NASA son pioneros en la IA geoespacial de la Fundación
Los modelos básicos (FM) representan una nueva frontera en IA, diseñados para aprender de grandes cantidades de datos sin etiquetar y aplicar sus conocimientos en múltiples dominios. Este enfoque ofrece varias ventajas clave. A diferencia de los modelos tradicionales de IA, los FM no dependen de conjuntos de datos masivos y minuciosamente seleccionados. En cambio, pueden realizar ajustes en muestras de datos más pequeñas, ahorrando tiempo y recursos. Esto los convierte en una poderosa herramienta para acelerar la investigación climática, donde la recopilación de grandes conjuntos de datos puede resultar costosa y llevar mucho tiempo.
Además, los FM agilizan el desarrollo de aplicaciones especializadas, reduciendo esfuerzos redundantes. Por ejemplo, una vez que un FM está capacitado, se puede adaptar a varias aplicaciones posteriores, como el monitoreo de desastres naturales o el seguimiento del uso de la tierra, sin requerir una capacitación extensa. Aunque el proceso de capacitación inicial puede exigir una potencia computacional significativa, lo que requiere decenas de miles de horas de GPU. Sin embargo, una vez entrenados, ejecutarlos durante la inferencia lleva apenas unos minutos o incluso segundos.
Además, los FM podrían hacer que los modelos meteorológicos avanzados sean accesibles a un público más amplio. Anteriormente, sólo las instituciones bien financiadas y con los recursos para respaldar una infraestructura compleja podían ejecutar estos modelos. Sin embargo, con el aumento de los FM previamente capacitados, la modelización climática ahora está al alcance de un grupo más amplio de investigadores e innovadores, lo que abre nuevas vías para descubrimientos más rápidos y soluciones ambientales innovadoras.
La génesis de la IA geoespacial fundamental
El enorme potencial de los FM ha llevado a IBM y la NASA a colaborar para construir un FM integral del medio ambiente de la Tierra. El objetivo clave de esta asociación es capacitar a los investigadores para que extraigan información de los extensos conjuntos de datos de la Tierra de la NASA de una manera que sea efectiva y accesible.
En esta búsqueda, lograrán un avance significativo en agosto de 2023 con la presentación de un FM pionero para datos geoespaciales. Este modelo se entrenó en el vasto conjunto de datos satelitales de la NASA, que comprende un archivo de 40 años de imágenes del programa Harmonized Landsat Sentinel-2 (HLS). Utiliza técnicas avanzadas de inteligencia artificial, incluidas arquitecturas de transformadores, para procesar de manera eficiente volúmenes sustanciales de datos geoespaciales. Desarrollado utilizando la supercomputadora Cloud Vela de IBM y la pila watsonx FM, el modelo HLS puede analizar datos hasta cuatro veces más rápido que los modelos tradicionales de aprendizaje profundo y, al mismo tiempo, requiere significativamente menos conjuntos de datos etiquetados para el entrenamiento.
Las aplicaciones potenciales de este modelo son amplias y van desde monitorear cambios en el uso de la tierra y desastres naturales hasta predecir el rendimiento de los cultivos. Es importante destacar que esta poderosa herramienta está disponible gratuitamente en Hugging Face, lo que permite a investigadores e innovadores de todo el mundo utilizar sus capacidades y contribuir al avance de la ciencia climática y ambiental.
Avances en la IA geoespacial básica
Aprovechando este impulso, IBM y la NASA han introducido recientemente otro innovador modelo FM de código abierto: Prithvi WxC. Este modelo está diseñado para abordar tanto los desafíos climáticos a corto plazo como las predicciones climáticas a largo plazo. Preentrenado con 40 años de datos de observación de la Tierra de la NASA del análisis retrospectivo de la era moderna para investigación y aplicaciones, versión 2 (MERRA-2), el FM ofrece avances significativos sobre los modelos de pronóstico tradicionales.
El modelo se construye utilizando un transformador de visión y un codificador automático enmascarado, lo que le permite codificar datos espaciales a lo largo del tiempo. Al incorporar un mecanismo de atención temporal, el FM puede analizar los datos de reanálisis de MERRA-2, que integra varios flujos de observación. El modelo puede operar tanto en una superficie esférica, como los modelos climáticos tradicionales, como en una cuadrícula plana y rectangular, lo que le permite cambiar entre vistas globales y regionales sin perder resolución.
Esta arquitectura única permite que Prithvi se ajuste a escalas global, regional y local, mientras se ejecuta en una computadora de escritorio estándar en segundos. Este modelo FM se puede emplear para una variedad de aplicaciones que incluyen el pronóstico del clima local para predecir eventos climáticos extremos, mejorar la resolución espacial de simulaciones climáticas globales y refinar la representación de procesos físicos en modelos convencionales. Además, Prithvi viene con dos versiones optimizadas diseñadas para usos científicos e industriales específicos, lo que proporciona una precisión aún mayor para el análisis ambiental. El modelo está disponible gratuitamente en Hugging Face.
La conclusión
La asociación entre IBM y la NASA está redefiniendo la IA geoespacial, facilitando a los investigadores e innovadores abordar los apremiantes desafíos climáticos. Al desarrollar modelos básicos que pueden analizar de manera efectiva grandes conjuntos de datos, esta colaboración mejora nuestra capacidad para predecir y gestionar eventos climáticos severos. Más importante aún, abre la puerta para que un público más amplio acceda a estas poderosas herramientas, que antes estaban limitadas a instituciones con buenos recursos. A medida que estos modelos avanzados de IA se vuelven accesibles para más personas, allanan el camino para soluciones innovadoras que pueden ayudarnos a responder al cambio climático de manera más efectiva y responsable.
