Waarom IBM en NASA geospatiale AI gebruiken voor de grootste problemen ter wereld

Na de aardbeving van 1906 maakte George Lawrence gebruik van vliegers om vanuit de lucht de verwoesting vast te leggen, wat de eerste poging betekende om rampen vanuit vogelperspectief te observeren.

Hoewel de technologie evolueerde van vliegers naar vliegtuigen en uiteindelijk satellieten, blijft het essenti?le doel hetzelfde: het vastleggen van geospatiale beelden om de kenmerken van de aarde te begrijpen voor rampenbeoordeling, milieumonitoring en meer.

Nu de wereld zich begint te richten op escalerende klimaatverandering en milieu-uitdagingen, biedt de fusie van technologie en gegevensinzichten oplossingsrichtingen.

Een op kunstmatige intelligentie (AI) gebaseerde samenwerking tussen twee giganten in hun sector – IBM en NASA – wil een belangrijke stap zetten in het herdefini?ren van ons vermogen om de dynamiek van onze planeet te begrijpen en erop te reageren, met het potentieel om rampenbeheer, milieumonitoring en aanpassing opnieuw vorm te geven.

Wanneer en waar geospatiale gegevens gebruiken

Geospatiale gegevens spelen een cruciale rol bij rampenbeheer, zowel in de voorbereidings-, respons- als herstelfase. Tijdens gebeurtenissen zoals aardbevingen, overstromingen en bosbranden vergemakkelijken realtime geospatiale gegevens de beoordeling van schade, de identificatie van getroffen gebieden en effici?nte noodplanning.

Bij milieumonitoring fungeert geospatiale beeldvorming als een soort verklikker voor verandering door ontbossing, stedelijke groei en klimaatveranderingen te volgen.

Deze gegevens stellen beleidsmakers in staat om duurzame strategie?n te formuleren, kwetsbare ecosystemen te beschermen en hulpbronnen effectief te beheren.

Om klimaatverandering tegen te gaan, worden geospatiale gegevens gebruikt om emissies, temperatuurschommelingen en de stijging van de zeespiegel te volgen. Deze informatie vormt de basis voor de ontwikkeling van strategie?n om deze effecten te verzachten en aan te passen.

In tijden van crisis spelen geospatiale gegevens een cruciale rol bij humanitaire hulp door getroffen gebieden in kaart te brengen, de omvang van de schade vast te stellen en hulpinspanningen te co?rdineren.

AI inzetten voor geospatiale gegevensanalyse

Hoewel geospatiale gegevens een cruciale rol spelen bij taken als rampenbeheer, milieubewaking en klimaatobservatie, zorgt de complexe aard van geospatiale beelden voor aanzienlijke problemen bij handmatige interpretatie.

De proliferatie van satellieten en drones heeft geresulteerd in een uitbreiding van geospatiale gegevens, waardoor handmatige analyse ineffectief, tijdrovend en onpraktisch qua schaalbaarheid is geworden.

Deze situatie wordt nog verergerd door het gebrek aan bekwame professionals om deze analyses uit te voeren, waardoor vertragingen ontstaan.

Daarnaast kunnen menselijke analisten te maken krijgen met beperkingen door beperkte capaciteit en subjectieve standpunten, wat leidt tot onnauwkeurigheden en wisselende uitkomsten.

Deze analisten kunnen ook moeite hebben om de context volledig te begrijpen, waardoor de precisie van hun beslissingen wordt be?nvloed.

Ondertussen heeft AI een opmerkelijk vermogen verworven om enorme hoeveelheden beeldgegevens snel en op grote schaal te verwerken.

Dankzij dit vermogen kan AI consequent real-time gegevensstromen analyseren, wat vooral cruciaal is in scenario’s die een snelle reactie vereisen, zoals rampenbeheer.

Het vermogen van AI om ingewikkelde patronen te identificeren helpt bij het verminderen van de subjectiviteit die inherent is aan menselijke interpretatie, wat kan zorgen voor uniforme en nauwkeurige resultaten.

Door de complexe contextuele complexiteit van geospatiale gegevens te begrijpen, kan AI betere beslissingen nemen.

Het potentieel van AI om de afhankelijkheid van experts te verminderen democratiseert bovendien de geospatiale analyse, waardoor ook individuen zonder expertise geavanceerde analyses kunnen uitvoeren in dit domein.

De uitdaging van AI voor de analyse van geospatiale gegevens

Hoewel AI veelbelovend is voor geospatiale toepassingen, wordt de effectiviteit ervan beperkt door de schaarste en hoge kosten die gepaard gaan met het verkrijgen van geospatiale gegevens van hoge kwaliteit.

Bovendien vereist het trainen van modellen op grootschalige geospatiale beelden met hoge resolutie aanzienlijke rekenkracht.

Dit vormt een opmerkelijke uitdaging, gezien NASA’s ambitie om tegen 2024 250.000 terabytes aan gegevens van nieuwe missies vrij te geven aan wetenschappers en onderzoekers.

Het trainen van AI-modellen op zulke uitgebreide datasets brengt hoge kosten en milieueffecten met zich mee, maar de voordelen kunnen opwegen tegen de kosten.

Om de bovengenoemde uitdagingen te overwinnen, is het bouwen van een basismodel op geospatiale gegevens een haalbare aanpak.

Een basismodel in AI is een vooraf getraind model dat is getraind op een grote dataset met behulp van zelfondersteunend leren om algemene patronen en kenmerken te leren van de data. Dit model voor algemene doeleinden dient als basis voor het ontwikkelen van meer gespecialiseerde en verfijnde modellen.

Bij het maken van een gespecialiseerd AI-model voor een specifieke taak of domein, wordt het basismodel verfijnd met kleinere, taakspecifieke datasets. Dit proces stelt het model in staat om de kennis die is opgedaan tijdens de pre-training te gebruiken en te verfijnen voor een specifieke taak.

Het gebruik van een basismodel versnelt het ontwikkelingsproces, minimaliseert de gegevens en kosten die nodig zijn voor gespecialiseerde AI-training en verbetert de prestaties van het model dankzij de bestaande kennis.

Deze aanpak is populair geworden in verschillende AI-toepassingen en maakt het mogelijk om krachtige en effectieve modellen te maken met minder trainingstijd en minder benodigde middelen.

IBM’s Geospatial basismodel

IBM heeft onlangs in samenwerking met NASA een basismodel gebouwd op geospatiale gegevens.

De belangrijkste doelstellingen zijn het verminderen van de afhankelijkheid van uitgebreide geospatiale gegevens, het verlagen van de trainingskosten en het verminderen van de milieu-impact van het trainen van AI-modellen.

Dit model is getraind op geharmoniseerde Landsat Sentinel-2 satellietgegevens (HLS) die een jaar over het hele Amerikaanse vasteland reiken. Het heeft een intensief trainingsproces ondergaan en is verder verfijnd met behulp van gelabelde gegevens voor taken als het in kaart brengen van overstromingen en brandplekken.

Door deze training heeft het model een opmerkelijke verbetering van 15% laten zien ten opzichte van de huidige methoden, bereikt met slechts de helft van de hoeveelheid gelabelde gegevens die normaal gesproken nodig zijn.

Door verdere verfijning kan dit basismodel worden gebruikt voor verschillende taken, zoals het monitoren van ontbossing, het voorspellen van gewasopbrengsten en het detecteren van broeikasgassen.

Om een bredere toegang en toepassing van AI te bevorderen, is het model toegankelijk via Hugging Face, een gerenommeerde open-source AI-modelbibliotheek. Deze democratisering is bedoeld om nieuwe innovaties in klimaat- en aardwetenschappen te inspireren.

In juli introduceerde IBM watsonx, een geavanceerd AI- en dataplatform dat is ontworpen om de schaalbare en versnelde toepassing van geavanceerde AI met betrouwbare data voor bedrijven te vergemakkelijken.

In het verlengde hiervan zal in de komende maanden een bedrijfsgeori?nteerde versie van het geospatiale model, ge?ntegreerd in IBM watsonx, toegankelijk worden via de IBM Environmental Intelligence Suite (EIS).

Conclusie

IBM’s samenwerking met NASA heeft geresulteerd in een fundamenteel geospatiaal AI-model dat uitdagingen aanpakt op het gebied van rampenbeheer, milieumonitoring en stadsplanning.

Deze AI-oplossing biedt verbeterde nauwkeurigheid en consistentie, en overwint de complexiteit die gepaard gaat met handmatige analyse van geospatiale gegevens.

Ondanks het potentieel van AI blijven er obstakels zoals gegevensschaarste en hoge kosten. IBM’s model, getraind op Landsat Sentinel-2 data, heeft significante verbeteringen laten zien ten opzichte van bestaande methoden met slechts de helft van de gelabelde data.

Deze innovatie, toegankelijk via Hugging Face, democratiseert geospatiale inzichten en belooft nieuwe vooruitgang in klimaat- en aardwetenschappelijke toepassingen.