Empresas Premium
Los modelos multimodales TerraMind han sido optimizados utilizando un dataset único en su tipo, desarrollado por IBM y la ESA, con el objetivo de mejorar nuestra preparación y respuesta ante los desastres naturales.
El año pasado, los incendios forestales en Bolivia arrasaron una superficie del tamaño de Grecia, desplazaron a miles de personas y provocaron pérdidas devastadoras en cultivos y ganado. Estos incendios se atribuyeron a la quema de pastos, la deforestación y una sequía severa durante el que fue el año más cálido jamás registrado.
Estos incendios en Bolivia son solo uno entre cientos de eventos extremos de inundaciones e incendios forestales registrados en un nuevo dataset global y multimodal llamado ImpactMesh, que IBM Research en Europa y la Agencia Espacial Europea (ESA) han hecho público esta semana. Este dataset es también multi-temporal, lo que significa que incluye imágenes de antes y después de las áreas afectadas por inundaciones o incendios. Estas imágenes fueron tomadas por los satélites Copernicus Sentinel-1 y Sentinel-2 en la última década durante sus órbitas alrededor de la Tierra.
Para ofrecer una imagen más precisa de los cambios en el paisaje, cada uno de los eventos extremos incluidos en el dataset está representado por tres tipos de observaciones: imágenes ópticas, imágenes de radar y un mapa de elevación del área impactada. Cuando las nubes de tormenta o el humo de los incendios bloquean los sensores ópticos, las imágenes de radar y la altitud del terreno permiten evaluar la magnitud del daño.
Los modelos fundacionales geoespaciales actuales se entrenan con imágenes satelitales sin procesar, analizadas de dos maneras. A partir de imágenes multi-temporales de antes y después, como los modelos Prithvi de IBM y NASA, o con datos de diferentes modalidades, como el modelo TerraMind de IBM y ESA, presentado a principios de este año en el marco del programa FutureEO de ESA. El dataset ImpactMesh fue diseñado para combinar ambos enfoques, lo que permite visualizar mejor el impacto de las inundaciones e incendios.
Para demostrar su potencial, investigadores de IBM y la ESA adaptaron su modelo anterior TerraMind al mapeo de desastres naturales. En pruebas preliminares, descubrieron que, al incorporar datos de elevación, además de imágenes ópticas y de radar de un área antes y después de un incendio, TerraMind superó a modelos entrenados únicamente con imágenes de Sentinel-2 en al menos un 5%.
Las inundaciones y los incendios forestales representan casi la mitad de los desastres naturales registrados en la última década, y las evidencias indican que estos eventos se están volviendo cada vez más severos a medida que el clima de la Tierra se calienta. Los modelos de IA entrenados con ImpactMesh podrían aplicarse en diversas áreas, desde planificar una respuesta inmediata después de un desastre, hasta evaluar los daños y decidir dónde reconstruir. Gracias a la cobertura única de escenarios antes y después del desastre, este dataset también podría ser clave para elaborar mapas de riesgos más precisos.
“Entender el impacto de los desastres naturales requiere colaboración a nivel global. Al presentar estos modelos, estamos facilitando a investigadores y equipos de respuesta en todo el mundo para aprovechar los datos de observación terrestre y lograr un mapeo de desastres más rápido y preciso”, señala Giuseppe Borghi, director de la División Φ-lab de la Agencia Espacial Europea. “Este es un avance esencial para reforzar nuestra capacidad de respuesta ante los cambios constantes de nuestro planeta”.
El dataset ImpactMesh, junto con los modelos personalizados de TerraMind, es el resultado de una colaboración continua entre IBM y la ESA. En abril, los investigadores presentaron el modelo TerraMind multimodal, que en ese momento superó a más de una docena de otros modelos geoespaciales en tareas comunes de mapeo, evaluadas en el benchmark comunitario PANGAEA.
“IBM está liderando el desarrollo de una IA significativa. Con el proyecto ImpactMesh, estamos definiendo nuevos estándares sobre cómo la IA geoespacial puede ayudar a abordar los desafíos globales”, afirma Juan Bernabe-Moreno, director de IBM Research Europa, Irlanda y Reino Unido. “Al combinar arquitecturas avanzadas de modelos con información esencial obtenida a partir de la observación terrestre, estamos logrando avances significativos en la predicción de desastres y en el fortalecimiento de la resiliencia, resultados posibles únicamente gracias a la colaboración abierta”.
Además de ImpactMesh, IBM y la ESA están lanzando TerraKit, un paquete de código abierto que facilita la creación de datasets geoespaciales y la adaptación de modelos de IA con la información más actualizada. TerraKit permite ampliar la colección de datos de inundaciones e incendios de ImpactMesh o crear un nuevo dataset desde cero.
Los nuevos modelos ajustados TerraMind, junto con ImpactMesh, están disponibles en Hugging Face bajo una licencia Apache 2.0 permisiva. “Confiamos en que, al hacer este trabajo accesible, los investigadores lo expandan y optimicen la forma en la que rastreamos los desastres naturales”, concluye Benedikt Blumenstiel, ingeniero de software de IBM Research.
|
