IBM ha lanzado su modelo fundamental geoespacial más potente hasta la fecha, Prithvi-EO-2.0, que presenta 600 millones de parámetros.
El modelo fue entrenado con el producto HLS V2 de la NASA, que proporciona detalles de 30 m, con Prithvi 2.0 capaz de seleccionar especies de árboles individuales y tipos de cultivos a partir de imágenes satelitales, y ganado y paneles solares a partir de imágenes de drones.
El conjunto de modelos geoespaciales de IBM permite a las comunidades que experimentan los impactos directos del cambio climático identificar áreas de peligro, advirtiendo a los residentes con anticipación.
Luchar contra la energía, las inundaciones y las islas de calor urbanas
Hablando de desarrollo Prithvi 2.0 En IBM Research Zurich, Juan Bernabe Moreno, director de IBM Research para Europa, Irlanda y Reino Unido, explicó que el modelo fue entrenado tanto en el Harmonized Landsat Sentinel-2 (HLS) como en el Modern Era Retrospective Analysis for Research and Applications (MERRA-2). ) datos. Datos.
El uso de datos HLS permite a los usuarios ajustar modelos especializados capaces de detectar inundaciones, incendios forestales y deslizamientos de tierra, así como medir la biomasa, clasificar cultivos específicos, medir la altura del dosel y rastrear el uso de la tierra.
El modelo MERRA 2 es capaz de rastrear el clima, huracanes y perturbaciones, junto con capacidades específicas de modelo climático para precipitación, modelado climático y mapeo de temperatura. Bernabé Moreno señala que IBM espera lanzar un modelo de predicción climática en 2025.
Además, Prithvi 2.0 tiene capacidades ampliadas, como la imputación de brechas de nubes multitemporales, que permite al modelo reconstruir áreas de imágenes satelitales cubiertas por nubes, lo que ayuda a mejorar la precisión al monitorear entornos, planificar cambios agrícolas y estimar el rendimiento de los cultivos.
IBM también espera aprovechar las lecciones aprendidas del desarrollo de Prithvi 2.0 y utilizarlas para crear un modelo de código abierto destinado a la gestión sostenible de la energía y la infraestructura energética llamado GridFM. En colaboración con LF Energy e Hydro Quebec, el proyecto busca construir un modelo capaz de pronosticar cargas de energía y generación de energía renovable, rastrear la distribución y transmisión de energía y simular el uso futuro de energía para ayudar a pronosticar los precios y la demanda.
Predicción del clima futuro
“El Sur Global está a la vanguardia del cambio climático”, dice el Embajador Philip Thijo, Enviado Especial para Tecnología de la República de Kenia, señalando que es particularmente difícil para las regiones africanas afectadas por el cambio climático enfrentar los desafíos que enfrentan sin la bien. tecnología.
Al poder acceder a herramientas como Prithvi 2.0, ahora es posible que los países con menos recursos aborden los impactos del cambio climático y ayuden a preservar sus ecosistemas.
En 2023, IBM ha anunciado una asociación con el gobierno de Kenia Con el objetivo de ayudar a los esfuerzos de reforestación en áreas que han experimentado niveles significativos de disminución de biomasa debido a la actividad humana. El embajador Thijo afirmó que los modelos geoespaciales de IBM permitieron al gobierno de Kenia no sólo realizar un seguimiento preciso de los esfuerzos de reforestación, sino también atraer financiación para proyectos al poder proporcionar información detallada sobre sus esfuerzos.
Además, Prithvi 2.0 y sus datos se han utilizado para rastrear y pronosticar patrones de inundaciones, lo que permitió al gobierno de Kenia emitir advertencias de 48 horas durante períodos de fuertes lluvias a las comunidades en riesgo de inundaciones.
Para Matthew Cersich, profesor de investigación de la Dirección de Clima y Salud de Wits RHI, el calor es un motivo de gran preocupación. Chirsich se centra en las islas de calor urbanas: áreas urbanas que son significativamente más cálidas que sus alrededores debido a la infraestructura, la actividad humana y la disminución de los espacios verdes.
La IA geoespacial ha sido una herramienta clave para mapear las variaciones de temperatura en las áreas urbanas africanas y ha permitido a los investigadores modelar riesgos para la salud basados en islas de calor, inundaciones y otros problemas climáticos, y es particularmente útil como sistema de alerta temprana. La resolución de 30 x 30 m proporcionada por Prithvi 2.0 permite lecturas de temperatura altamente localizadas que pueden cotejarse con datos de sequía para proporcionar advertencias específicas a los residentes dentro y alrededor de islas de calor y áreas con riesgo de sequía.
GridFM puede hacer que el camino hacia la sostenibilidad sea más sostenible
“Para 2050, la producción de energía deberá duplicarse para alcanzar los objetivos de descarbonización”, señala François Miralles, investigador de Hydro Québec, señalando que para 2035 se añadirán a la red eléctrica unos 60 teravatios-hora de energía sostenible. La dificultad de gestionar y pronosticar la oferta y la demanda se ve agravada por una falta de coherencia cuando se trata de fuentes de energía sostenibles como la solar, la eólica y la mareomotriz.
El objetivo a largo plazo del desarrollo de GridFM es proporcionar a la industria energética un modelo que pueda entrenarse para realizar tareas altamente especializadas para procesar y manipular estas múltiples variables para proporcionar no sólo pronósticos energéticos a largo plazo, sino también pronósticos y anomalías horarias. una declaración.
Dan Brown, director de marketing de LF Energy, se suma al punto de Miralles y dice que abordar el cambio climático y la descarbonización “requiere un cambio desde cero”. La complejidad de la energía sostenible hace que sea difícil escalarla, pero los modelos y la investigación de código abierto están ayudando a fomentar la innovación y abordar desafíos clave para crear un futuro sostenible, especialmente para tareas como la previsión de carga y la previsión de expansión.
Un desafío particular de entrenar la IA para predecir el uso de energía y las cargas máximas es que los datos energéticos están regulados, lo que genera problemas de gobernanza en su uso. Brown señala que herramientas como OpenSynth son particularmente útiles en estas circunstancias, ya que están entrenadas con datos reales pero proporcionan datos sintéticos en su producción.
IBM y sus socios La AI Alliance demuestra que el código abierto es el futuro de la investigación y la innovaciónEsto permite generar confianza en los modelos de IA y demostrarla en términos de transparencia y colaboración.
También te puede gustar
