Модель штучного інтелекту для супутникових знімків, яку можна насправді використовувати: Allen Institute відкриває доступ до OlmoEarth Embeddings
OlmoEarth Studio від Allen AI тепер дозволяє експортувати числові «відбитки» будь-якої ділянки Землі, що дає можливість дослідникам картувати ліси, виявляти лісові пожежі та відстежувати зміни земельних ділянок з мінімальною кількістю позначених навчальних даних.
Ключові моменти
- OlmoEarth Studio від Allen Institute for AI тепер дозволяє користувачам експортувати embeddings — компактні числові резюме супутникових знімків для будь-якої території та вибраного часового діапазону.
- Доступні три розміри моделей: Nano (1,4 мільйона параметрів), Tiny (6,2 мільйона) та Base (89 мільйонів), кожна з яких балансує швидкість та детальність.
- У тесті з використанням лише 60 позначених пікселів система змапувала мангрові ліси у В'єтнамі з точністю F1 на рівні 0,84 з 1,0.
- Базові ваги моделі та вихідний код є відкритими, що означає, що будь-хто може інспектувати чи розвивати цю роботу.
- Область спалення Park Fire у округі Бютт, Каліфорнія, виявилася в тесті виявлення змін з використанням лише двох місяців супутникових даних без ручних позначень.
Якщо ви коли-небудь дивилися на супутниковий знімок і цікавилися, які частини це ліс, які це сільськогосподарські угіддя, а які горіли минулого літа, ви думаєте як дослідник у галузі спостереження Землі. До недавнього часу відповідь на ці запитання вимагала дорогих наборів даних та місяців експертної розмітки. Нов інструмент від Allen Institute for AI прагне це змінити.
OlmoEarth Studio, платформа Allen Institute для розробки моделей, які інтерпретують супутникові знімки, тепер дозволяє користувачам обчислювати й експортувати те, що команда називає embeddings. Embedding — це список чисел, свого роду числовий відбиток, який навчена модель штучного інтелекту присвоює кожній ділянці земельних угідь, яку вона розглядає. Місця, які виглядають подібно на місцевості, отримують подібні числа. Місця, які відрізняються, розташовуються далеко один від одного в цьому числовому просторі.
Думайте про це як про таблицю оцінювання вин. Замість опису вина в прозі ви записуєте десятки вимірювань: кислотність, танін, цукор. Два подібні вина отримують схожі таблиці оцінювання навіть якщо ви ніколи не дегустували їх разом. OlmoEarth робить те ж саме для земельних угідь: читає пікселі супутникових знімків і видає таблицю оцінювання для кожної локації.
Що ви насправді можете робити з цими числами?
Виявляється, дуже багато, навіть з мінімальною кількістю навчальних даних.
Найпростішим використанням є пошук подібності: виберіть один піксель, попросіть модель знайти інші пікселі, які на нього найбільше схожі, і отримайте теплову карту. У тесті над регіоном Merced у Каліфорнії міський запит висвітлив коридори доріг по всьому зображенню, тоді як сільськогосподарські угіддя залишилися темними. Не потрібні були ніякі позначення.
Більш потужним є те, що команда називає few-shot segmentation — це означає, що ви позначаєте невелику кількість прикладів, а модель з'ясовує решту. Дослідники позначили лише 60 пікселів у прибережному регіоні мангрових лісів у Ка Мау, В'єтнам: 20 помічені як мангрові ліси, 20 як вода, 20 як інше. Вони ввели ці 60 позначених чисел у базовий класичний класифікатор (логістична регресія, статистичний інструмент кількох десятиліть) і дозволили йому передбачити кожний інший піксель. Результат охопив весь регіон зважених F1-балом 0,84. Збільшення позначеної вибірки до 300 пікселів ледве змінило це число, тому що embeddings вже виконали важку роботу.
| Варіант моделі | Розмірності | Параметри | Типові застосування |
|---|---|---|---|
| Nano | 128 | 1,4 мільйона | Швидкі завдання з низьким сховищем |
| Tiny | 192 | 6,2 мільйона | Збалансована продуктивність |
| Base | 768 | 89 мільйонів | Найвища деталізація, більше обчислень |
Виявлення змін можливо найвпадаючіший демо. Команда отримала місячні супутникові embeddings для тієї ж частини округу Бютт, Каліфорнія у вересні 2023 та вересні 2024 року, а потім виміряла, як сильно змінився числовий відбиток кожного пікселя. Область спалення Park Fire від літа 2024 року з'явилася негайно, без позначень, без ручного перегляду.
Для кого це призначено?
Наразі інструмент орієнтований на дослідників та аналітиків, які працюють із супутниковими даними: природоохоронні групи, містобудівники, кліматичні вчені, сільськогосподарські агентства. Але оскільки ваги моделі та код є відкритими, менші команди з навичками кодування можуть запускати версію з відкритим кодом самостійно, як про це вперше повідомив Hugging Face у своєму освітленні моделей.
Версія Studio, яка автоматично отримує супутникові дані, вимагає контакту з Allen AI для отримання доступу. Користувацька просторова роздільна здатність коливається від 10 метрів на піксель до 80 метрів, а часовий період може становити від одного місяця до року.
Справедливе застереження: показані приклади підібрані. Результати в реальному світі будуть різнитися залежно від регіону, сезону та якості супутникового покриття. Показник точності мангрових лісів 0,84 є сильним, але походить від однієї, добре документованої локації. Ваш ландшафт може бути складнішим.
Висновок: Якщо ваша робота пов'язана з землею, лісами або екологічним моніторингом, варто додати в закладки документацію OlmoEarth та технічний звіт. Відкриті ваги означають, що ви можете експериментувати безкоштовно, перш ніж вирішити, чи відповідає керована служба Studio вашому бюджету.
