Un modelo de base para imágenes satelitales
Un modelo de base para imágenes satelitales la belleza de la tecnología espacial
El modelo de fundación de IA geoespacial Prithvi-100M de IBM para datos de observación de la Tierra de la NASA
![Imagen satelital de la laguna de Karavasta en Albania, 2017. Crédito de la imagen: https://www.esa.int/var/esa/storage/images/esa_multimedia/images/2017/03/karavasta_lagoon_albania/16854373-1-eng-GB/Karavasta_Lagoon_Albania.jpg. Contiene datos modificados de Copernicus Sentinel.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*QZdUNGBYc3SMX1EKkQsNeQ.jpeg)
Los modelos de fundación son algoritmos de aprendizaje profundo flexibles diseñados para tareas generales, en lugar de estar inmediatamente enfocados en tareas específicas. Entrenados con grandes cantidades de datos sin etiquetar, pueden aplicarse a una variedad de tareas posteriores con un ajuste mínimo. Los modelos de fundación son conocidos en el procesamiento de lenguaje natural (BERT, GPT-x) y en el procesamiento de imágenes (DALL-E).
En agosto de 2023, la NASA y IBM lanzaron el modelo de fundación de IA geoespacial para datos de observación de la Tierra de la NASA. El modelo está disponible de código abierto en Huggingface bajo el nombre de Prithvi, la diosa hindú de la Madre Tierra. Ha sido entrenado con datos de satélite de la NASA — segun IBM, hay más de 250 petabytes de datos disponibles.
En esta publicación de blog, discutimos
- El conjunto de datos armonizados de Sentinel-2 Landsat de la NASA utilizado para el entrenamiento,
- La arquitectura del modelo de fundación de IA geoespacial Prithvi-100M,
- El proceso de entrenamiento en la supercomputadora Vela de IBM,
- Aplicaciones de ejemplo: inundaciones e identificación de tipos de cultivos.
Datos de entrenamiento
El modelo de fundación de IA geoespacial ha sido entrenado con datos armonizados de Landsat Sentinel-2 de la NASA.
- Evaluando el dominio lingüístico de la Inteligencia Artificial Un análisis exhaustivo de las habilidades morfológicas de ChatGPT en diferentes idiomas
- Reenvío y retropropagación Redes Neuronales 101
- Almacenamiento estructurado de resultados de LLM y análisis en Python
Sentinel-2 es una misión satelital coordinada por la Agencia Espacial Europea, con dos satélites actualmente en órbita que toman imágenes de alta resolución de la Tierra. Se centra en la tierra, áreas costeras y aguas abiertas seleccionadas. Los satélites Landsat fueron lanzados por la NASA para registrar la reflectancia de la superficie. Los datos armonizados combinan la entrada de ambos sensores, lo que resulta en una resolución espacial de alrededor de 30 metros y un tiempo promedio de revisión de dos a tres días. Esta resolución es suficiente para el monitoreo agrícola, la clasificación del uso del suelo y la detección de desastres naturales.
Las fotografías estándar están compuestas por tres colores: rojo, verde y azul. Los datos de Sentinel-2 están disponibles en un total de 13 “colores”, llamados bandas, que abarcan el espectro electromagnético visible, infrarrojo cercano e infrarrojo de onda corta. Se pueden utilizar bandas seleccionadas para identificar diferentes cosas, por ejemplo, el infrarrojo…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Mi experiencia con DevOps y DataOps
- Introducción a la regresión logística en PySpark
- Explicación intuitiva de los multiplicadores de Lagrange, las condiciones KKT y la dualidad
- 5 Visualizaciones con Python para Mostrar Cambios Simultáneos en Datos Geoespaciales
- Este chip centrado en la Inteligencia Artificial redefine la eficiencia duplicando el ahorro de energía al unificar el procesamiento y la memoria.
- Revolucionando las habilidades de escucha de la IA La Universidad de Tsinghua y ByteDance revelan SALMONN, una revolucionaria red neuronal multimodal para el procesamiento avanzado de audio
- Cómo creo personajes consistentes con DALL-E 3 en ChatGPT.