Open-Source-Satellit von IBM und NASA

IBM und die NASA haben Prithvi zusammengestellt und veröffentlicht: ein Open-Source-KI-Modell, das Wissenschaftlern und anderen Menschen bei der Analyse von Satellitenbildern helfen kann.

Das unter einer Apache-2-Lizenz veröffentlichte Vision-Transformer-Modell ist mit 100 Millionen Parametern relativ klein und wurde anhand von Bildern trainiert, die ein Jahr lang vom Harmonized Landsat Sentinel-2 (HLS)-Programm der US-Weltraumexperten gesammelt wurden. Neben dem Hauptmodell stehen drei Varianten von Prithvi zur Verfügung, die speziell auf die Erkennung von Überschwemmungen abgestimmt sind. Narben von Waldbränden; und Nutzpflanzen und andere Landnutzung.

Im Wesentlichen funktioniert es so: Sie füttern eines der Modelle mit einem Satellitenfoto von oben und es beschriftet Bereiche in dem Schnappschuss, den es versteht. Beispielsweise kann die auf Nutzpflanzen abgestimmte Variante darauf hinweisen, wo sich wahrscheinlich Wasser, Wälder, Maisfelder, Baumwollfelder, bebautes Land, Feuchtgebiete usw. befinden.

Wir stellen uns vor, dass diese Sammlung nützlich wäre, um beispielsweise die Untersuchung von Landveränderungen im Laufe der Zeit zu automatisieren – etwa um die Erosion durch Überschwemmungen zu verfolgen oder um zu erfahren, wie Dürre und Waldbrände eine Region getroffen haben. Big Blue und die NASA sind nicht die ersten, die dies mit maschinellem Lernen tun: Es gibt viele frühere Bemühungen, die wir zitieren könnten.

Eine Demo des Prithvi-Modells zur Ernteklassifizierung finden Sie hier. Stellen Sie Ihre eigenen Satellitenbilder zur Verfügung oder verwenden Sie eines der Beispiele unten auf der Seite. Klicken Sie auf „Senden“, um das Modell live auszuführen.

„Wir glauben, dass Grundlagenmodelle das Potenzial haben, die Art und Weise, wie Beobachtungsdaten analysiert werden, zu verändern und uns zu helfen, unseren Planeten besser zu verstehen“, sagte Kevin Murphy, Chief Science Data Officer der NASA, in einer Erklärung. „Und indem wir solche Modelle als Open-Source-Lösung anbieten und sie der Welt zugänglich machen, hoffen wir, ihre Wirkung zu vervielfachen.“

Entwickler können die Modelle von Hugging Face hier herunterladen.

Es gibt weitere Online-Demos von Prithvi, wie zum Beispiel diese für die speziell auf Gewässer abgestimmte Variante; dieses zum Erkennen von Waldbrandnarben; und dieses hier zeigt die Fähigkeit des Modells, teilweise fotografierte Bereiche zu rekonstruieren.

Ein Basismodell ist ein vorab trainiertes verallgemeinertes Modell, das für die Ausführung spezifischer Aufgaben feinabgestimmt werden kann; Es handelt sich um einen Begriff, der vom Stanford Institute for Human-Centered Artificial Intelligence geprägt wurde. Laut IBM ist Prithvi bei der Analyse von Geodaten bis zu 15 Prozent besser als frühere (unbenannte) hochmoderne Techniken, obwohl es sich auf weniger als halb so viele gekennzeichnete Daten stützt.

Man hofft, dass dieses Modell den Menschen helfen wird, den Klimawandel und die Landnutzung zu verfolgen, insbesondere da die Menge der Satellitendaten, die von wissenschaftlichen Sonden in der Erdumlaufbahn gesammelt werden, bis 2024 schätzungsweise 250.000 Terabyte erreichen wird.

IBM gab an, das Modell mit Vela, seinem KI-Supercomputer-Cluster, trainiert zu haben. Uns wurde jedoch auch gesagt, dass Big Blue nur etwa eine Stunde brauchte, um das Modell für die Erkennung von Überschwemmungen mithilfe einer Nvidia V100-GPU zu optimieren, sodass Sie möglicherweise keine riesigen Eisenstapel benötigen, um Ihre eigene Variante zu erstellen.

Eine kommerzialisierte Version von Prithvi, was auch immer das sein mag, soll später in diesem Jahr verfügbar sein.

„KI-Grundlagenmodelle für Erdbeobachtungen bieten ein enormes Potenzial, um komplexe wissenschaftliche Probleme anzugehen und den breiteren Einsatz von KI in verschiedenen Anwendungen zu beschleunigen“, sagte Rahul Ramachandran, Manager und leitender Forschungswissenschaftler beim Interagency Implementation and Advanced Concepts Team (IMPACT) der NASA.

„Wir fordern die Geowissenschafts- und Anwendungsgemeinschaften auf, dieses erste HLS-Grundlagenmodell für eine Vielzahl von Anwendungen zu bewerten und Feedback zu seinen Vorzügen und Nachteilen auszutauschen“, fügte er hinzu. ®

Senden Sie uns Neuigkeiten