watsonx.ai 模型由IBM与美国宇航局合作构建，旨在将卫星数据转换为洪水、火灾和其它地理图景变化的高分辨率地图，以揭示我们星球的过去，并暗示其未来可能的变化。
目前，世界上近四分之一的人口生活在洪水区，随着海平面上升和气候变化引发的风暴日益严重，预计这一数字还会攀升，致使更多人处于危险之中。准确绘制洪水事件地图的能力，不仅是当下保护民众生命财产安全的关键，也是未来指导在风险较低的地区进行发展规划的关键。
IBM日前在Think大会发布了一个新的地理空间基础模型，就是通过将NASA的海量卫星观测数据转换为自然灾害和其它环境变化的定制地图，为实现人类了解地球地理环境的过去与未来这一目标迈出了第 一步。该模型是IBM watsonx.ai 地理空间产品的一部分，计划在今年下半年通过IBM Environmental Intelligence Suite(EIS)为IBM客户提供预览版。潜在应用包括帮助估算农作物、建筑和其它基础设施与气候相关的风险，评估和监测森林以进行碳抵消计划，以及开发预测模型以帮助企业制定缓解和适应气候变化的战略。
如需了解IBM技术、产品和服务的更多信息，点击访问IBM官网。
作为与美国宇航局达成的太空行动协议的一部分，IBM在四个月前开始建立有史以来第 一个用于分析地理空间数据的基础模型。基础模型通过让开发人员在原始文本上训练一个模型，并通过额外训练为其它自然语言处理( NLP) 任务自定义模型，从而对NLP进行了革命性的改变。以前，用户必须为每个任务训练一个新模型，这需要大量的数据管理和计算工作。 IBM 研究院没有用文字来训练基础模型，而是教一个模型来理解卫星图像。IBM研究人员预训练了NASA的Harmonized Landsat Sentinel-2(HLS-2)数据。HLS数据提供了来自NASA/USGS Landsat8 联合卫星上的可操作陆地成像仪(OLI)和欧盟哥白尼哨兵-2A和哨兵-2B卫星上的多光谱仪器(MSI)的一致表面反射率数据。组合测量有助于以 30 米的空间分辨率每两到三天对土地进行一次全球观测。
然后，他们为该模型提供手工标记的示例，教它识别诸如历史上洪水和火灾遗迹的范围，以及土地利用和森林生物量的变化。
该模型的设计旨在简单易用，用户只需选择一个区域、一个映射任务和一组日期，例如，如果用户在搜索栏中输入“法国莱讷港”并选择日期 2019 年 12 月 13 日至 15 日，那么该模型就能用粉红色来突出显示洪水延伸的距离。用户可以叠加其它数据集以查看农作物或建筑物被淹没的位置。这些可视化有助于在类似的灾难场景中进行未来规划: 它们提供的信息可以帮助减轻洪水影响，为保险和风险管理决策提供信息，规划基础设施，应对灾害和保护环境。
IBM在用于处理视频的掩蔽自动编码器上构建了该模型，并将其调整为卫星镜头的画面。为了教模型理解随时间展开的图像序列，研究人员将每张图像的一部分留空出来让模型来重建它。它重建的图像越多，就越能理解它们之间的关系。然后，他们针对特定任务(如分类和分割图像)微调模型。这种微调工作流基于PyTorch，具有增强的分割库，允许研究人员处理时空数据。
为了提高模型的效率，研究人员还缩小了卫星图像的大小，使他们能够以更小的块来处理数据，并减少GPU的使用。然后，他们在IBM 研究院的Vela比较优秀计算机上
使用了超过5， 000 个GPU小时来训练该模型。
早期结果看起来很有希望。在测试中，研究人员发现，与最 先进的深度学习模型相比，使用一半的标记数据绘制洪水和火灾烧痕的准确性提高了15%。IBM估计，该模型可以将地理空间分析速度提高三到四倍，并有助于减少训练传统深度学习模型所需的数据清理和标记量。
如需了解IBM技术、产品和服务的更多信息，点击访问IBM官网。
（推广）