NASA och IBM har gått samman för att utveckla en grundläggande artificiell intelligensmodell för väder- och klimatprognoser. De kombinerar sina kunskaper och färdigheter inom geovetenskap och AI för att skapa en modell som de säger ska erbjuda "betydande fördelar jämfört med befintlig teknik."
Moderna AI-modeller som GraphCast och Fourcastnet genererar redan väderprognoser snabbare än traditionella vädermodeller. Vi skrev nyligen om GraphCast-funktioner i detta avseende. IBM noterar dock att dessa endast är AI-emulatorer, inte basmodeller.
AI-emulatorer kan göra väderförutsägelser baserat på träningsdatauppsättningar, men de har ingen annan användning. De kan inte heller, som IBM säger, "dechiffrera fysiken" bakom väderprognoser.
NASA och IBM har flera mål för sin basmodell. För det första hoppas de att den, jämfört med nuvarande modeller, kommer att vara mer tillgänglig, dra slutsatser snabbare och täcka mer olika data. För det andra hoppas de kunna förbättra prognostiseringsnoggrannheten för andra klimattillämpningar. Modellens förväntade kapacitet inkluderar prognostisering av meteorologiska fenomen, slutledning av högupplöst information från lågupplöst data och "identifiering av gynnsamma förhållanden för allt från flygplansturbulens till skogsbränder."
Den följer en annan grundmodell som NASA och IBM rullade ut i år. Tidigare skrev vi att hon använder data från NASA:s geospatiala intelligenssatelliter och är den största geospatiala modellen på Hugging Face open source AI-plattformen, enligt IBM.
Hittills har denna modell använts för att spåra och visualisera trädplantering och växt i vattentornsområden i Kenya. Målet med detta projekt är att plantera fler träd och lösa problemet med vattenbrist. Modellen används också för att analysera urbana värmeöar i Förenade Arabemiraten.
Läs också: