IBM og NASA open source satellit-image-mærkning AI-model

IBM og NASA open source satellit-image-mærkning AI-model

Tidsstempel: 3. august 2023 kl. 8
IBM and NASA open source satellite-image-labeling AI model PlatoBlockchain Data Intelligence. Vertical Search. Ai.

IBM og NASA har sammensat og frigivet Prithvi: en open source-fundament AI-model, der kan hjælpe videnskabsmænd og andre mennesker med at analysere satellitbilleder.

Visionstransformatormodellen, udgivet under en Apache 2-licens, er relativt lille med 100 millioner parametre og blev trænet på et års værdi af billeder indsamlet af de amerikanske rumboffins Harmonized Landsat Sentinel-2 (HLS) program. Ud over hovedmodellen er der tre varianter af Prithvi tilgængelige, finjusteret til at identificere oversvømmelser; skovbrande brænde ar; og afgrøder og anden arealanvendelse.

I bund og grund fungerer det sådan her: du fodrer en af ​​modellerne med et satellitfoto over hovedet, og det mærker områder i det øjeblik, den forstår. For eksempel kan varianten finjusteret til afgrøder pege på, hvor der sandsynligvis er vand, skove, majsmarker, bomuldsmarker, udviklet jord, vådområder og så videre.

Denne samling, forestiller vi os, ville være nyttig til for eksempel at automatisere undersøgelsen af ​​ændringer i jord over tid - såsom sporing af erosion fra oversvømmelser, eller hvordan tørke og skovbrande har ramt en region. Big Blue og NASA er ikke de første til at gøre dette med maskinlæring: der er rigeligt of tidligere indsats vi kunne citere.

En demo af den afgrødeklassificerende Prithvi-model kan findes link.. Angiv dine egne satellitbilleder eller brug et af eksemplerne nederst på siden. Klik på Send for at køre modellen live.

"Vi tror på, at grundmodeller har potentialet til at ændre den måde, observationsdata analyseres på og hjælpe os til bedre at forstå vores planet," sagde Kevin Murphy, chief science data officer hos NASA. sagde i en udtalelse. "Og ved at åbne sådanne modeller og gøre dem tilgængelige for verden håber vi at mangedoble deres indflydelse."

Udviklere kan downloade modellerne fra Hugging Face link..

Der er andre online demoer af Prithvi, som f.eks denne for varianten finjusteret til vandmasser; denne til påvisning af ar ved skovbrand; og denne der viser modellens evne til at rekonstruere delvist fotograferede områder.

En fundamentmodel er en præ-trænet generaliseret model, der er i stand til at blive finjusteret til at udføre specifikke opgaver; det er et udtryk opfundet af Stanford Institute for Human-Centered Artificial Intelligence. IBM fordringer Prithvi er op til 15 procent bedre end tidligere (unavngivne) state-of-the-art teknikker til at analysere geospatiale billeder, på trods af at den er afhængig af mindre end halvt så meget mærkede data. 

Det er håbet, at denne model vil hjælpe folk med at spore klimaændringer og arealanvendelse, især da mængden af ​​satellitdata indsamlet af videnskabelige sonder, der kredser om Jorden, estimeres [PDF] for at nå 250,000 terabyte i 2024.

IBM sagde, at det trænede modellen vha Candle, dens AI-supercomputerklynge. Det sagt, får vi også at vide det tog Big Blue kun omkring en time at finjustere modellen til at detektere oversvømmelser ved hjælp af en Nvidia V100 GPU, så du behøver muligvis ikke store stakke jern for at skabe din egen variant.

En kommercialiseret version, hvad end det måtte være, af Prithvi skal gøres tilgængelig senere i år.

"AI-fundamentmodeller for jordobservationer giver et enormt potentiale til at løse indviklede videnskabelige problemer og fremskynde den bredere udbredelse af AI på tværs af forskellige applikationer," sagde Rahul Ramachandran, en leder og en seniorforsker ved NASA's Interagency Implementation and Advanced Concepts Team (IMPACT). 

"Vi opfordrer jordvidenskabs- og applikationssamfundene til at evaluere denne indledende HLS-grundmodel til en række forskellige anvendelser og dele feedback om dens fordele og ulemper," tilføjede han. ®

Tidsstempel:

Mere fra Registret