Спутниковая модель AI, которую вы действительно можете использовать: Allen Institute открывает OlmoEarth Embeddings
OlmoEarth Studio от Allen AI теперь может экспортировать численные «отпечатки» любого участка Земли, позволяя исследователям картировать леса, обнаруживать лесные пожары и отслеживать изменения земель практически без размеченных данных обучения.
Ключевые моменты
- OlmoEarth Studio от Allen Institute for AI теперь позволяет пользователям экспортировать embeddings — компактные численные сводки спутниковых снимков для любой выбранной территории и периода времени.
- Доступны три размера модели: Nano (1,4 млн параметров), Tiny (6,2 млн) и Base (89 млн), каждая отличается соотношением скорости и детализации.
- При тестировании с использованием всего 60 размеченных пикселей система картировала мангровые леса во Вьетнаме с показателем точности F1 0,84 из 1,0.
- Веса базовой модели и исходный код являются общедоступными, поэтому каждый может проверить или развить эту работу.
- Рубец от пожара Park Fire в округе Бутт, Калифорния, был обнаружен при тестировании обнаружения изменений, используя всего два месяца спутниковых данных и без ручной разметки.
Если вы когда-нибудь смотрели спутниковый снимок и задавались вопросом, какие части — это лес, какие — сельхозугодья, а какие горели прошлым летом, вы думаете как исследователь земного наблюдения. До недавнего времени ответ на эти вопросы требовал дорогостоящих наборов данных и месяцев экспертной разметки. Новый инструмент от Allen Institute for AI призван это изменить.
OlmoEarth Studio, платформа Allen Institute для создания моделей интерпретации спутниковых снимков, теперь позволяет пользователям вычислять и экспортировать так называемые embeddings. Embedding — это список чисел, своего рода численный отпечаток, который обученная модель AI присваивает каждому участку земли. Места, которые выглядят похоже на земле, получают похожие числа. Места, которые сильно отличаются, оказываются далеко друг от друга в этом численном пространстве.
Думайте об этом как о листе оценки вин. Вместо описания вина в прозе вы записываете десятки измерений: кислотность, танины, сахар. Два похожих вина в итоге получают похожие листы оценок, даже если вы никогда не пробовали их рядом. OlmoEarth делает то же самое для земли: он читает спутниковые пиксели и создает лист оценок для каждого местоположения.
Что вы на самом деле можете делать с этими числами?
На самом деле, довольно многое, даже при почти полном отсутствии данных обучения.
Самое простое использование — поиск по сходству: выберите один пиксель, попросите модель найти, какие другие пиксели на него похожи, и получите тепловую карту. При тестировании над регионом Мерсед в Калифорнии городской запрос выделил дорожные коридоры по всему изображению, в то время как сельхозугодья остались темными. Разметка не требовалась.
Более мощным является то, что команда называет few-shot segmentation, что означает вы размечаете небольшую горстку примеров, а модель определяет остальное. Исследователи разметили всего 60 пикселей по прибрежному мангровому региону в Ка Мау, Вьетнам: 20 отмечены как мангров, 20 как вода, 20 как остальное. Они передали эти 60 размеченных чисел в базовый учебниковый классификатор (логистическая регрессия, инструмент статистики, которому уже десятки лет) и позволили ему предсказать каждый другой пиксель. Результат охватил весь регион с взвешенным показателем F1 0,84. Увеличение размеченной выборки до 300 пикселей едва сдвинуло это число, потому что embeddings уже выполняют сложную работу.
| Вариант модели | Размерность | Параметры | Типичное использование |
|---|---|---|---|
| Nano | 128 | 1,4 млн | Быстрые задачи с низким хранилищем |
| Tiny | 192 | 6,2 млн | Сбалансированная производительность |
| Base | 768 | 89 млн | Наивысшая детализация, больше вычислений |
Обнаружение изменений, возможно, самая впечатляющая демонстрация. Команда извлекла ежемесячные спутниковые embeddings для одного и того же участка округа Бутт, Калифорния, в сентябре 2023 года и сентябре 2024 года, затем измерила, насколько изменился отпечаток каждого пикселя. Рубец от пожара Park Fire летом 2024 года проявился немедленно, без разметки, без ручной проверки.
Для кого это предназначено?
На данный момент инструмент ориентирован на исследователей и аналитиков, работающих со спутниковыми данными: природоохранные группы, градостроители, климатологи, сельскохозяйственные учреждения. Но поскольку веса модели и код являются общедоступными, небольшие команды с навыками программирования могут запустить версию с открытым исходным кодом самостоятельно, что первым сообщило Hugging Face в своем обзоре моделей.
Версия Studio, которая автоматически обрабатывает получение спутниковых данных, требует обращения в Allen AI для получения доступа. Пользовательское пространственное разрешение варьируется от 10 метров на пиксель до 80 метров, а временное окно может быть от одного месяца до года.
Справедливое предупреждение: показанные примеры тщательно отобраны. Реальные результаты будут варьироваться в зависимости от региона, сезона и качества спутникового покрытия. Показатель точности мангровов 0,84 хороший, но он получен с одного хорошо документированного участка. Ваш ландшафт может быть более сложным.
Вывод: Если ваша работа связана с землей, лесами или мониторингом окружающей среды, стоит добавить в закладки документацию OlmoEarth и технический отчет. Открытые веса означают, что вы можете экспериментировать бесплатно перед тем, как решить, подходит ли вам управляемая служба Studio с учетом вашего бюджета.
