En grunnmodell for smartere miljøovervåking (FM4CS)
- Avdeling Bildeanalyse og jordobservasjon
- Involverte fagområder Jordobservasjon, Kartlegging og overvåking
- Involverte bransjer Klima og miljø
Vi utvikler en grunnmodell for jordobservasjon som skal erstatte dagens applikasjonsspesifikke modeller basert på kunstig intelligens (KI) for analyse av jordobservasjonsdata. Ved å trene én tilpasningsdyktig modell på variert satellittdata, legger vi til rette for raskere og mer skalerbar innsikt på tvers av en rekke miljørelaterte oppgaver – som flomdeteksjon, overvåking av tørke og observasjon av sjøis. Raskere og mer effektiv bruk av KI i miljøovervåkning gir raskere innsikt, tidligere respons og mer treffsikkert klimaarbeid.
En smartere måte å overvåke miljøet
Dagens modeller for overvåkning av jordobservasjonsdata er ofte oppstykket og spesialtilpasset hvert arbeidsområde.
Hver enkelt oppgave, enten det gjelder kartlegging av flomutsatte områder eller overvåking av tørke, krever som regel en egen KI-modell. Disse modellene må utvikles fra bunnen av, trenes på avgrensede datasett og deler ikke kunnskap på tvers av fagområder. Systemene er tidkrevende, kostbare og forutsetter betydelig ekspertise for å driftes.
FM4CS-prosjektet introduserer en ny tilnærming: en allsidig grunnmodell som behandler data fra fire ulike Sentinel-sensorer: Sentinel-1 SAR, Sentinel-2 MSI, Sentinel-3 OLCI og Sentinel-3 SLSTR.
Sensorene fanger opp ulike bildetyper, som radar-, multispektrale og termiske bilder, med oppløsning fra 10 til 1000 meter.
Modellen gjør det mulig å ta i bruk kunstig intelligens raskere i klimaarbeid, og bidrar til raskere og mer kunnskapsbaserte beslutninger innen forskning, forvaltning og samfunn.
Hva er en grunnmodell for jordobservasjon?
En grunnmodell er et system basert på kunstig intelligens som er trent på store, varierte datamengder. Et kjent eksempel er ChatGpt, som lærer av tekst. Til sammenligning lærer vår modell av satellittdata fra fire ulike sensorer ombord Sentinel 1-, 2- og 3-satellittene, og kombinerer både radarbilder og multispektrale bilder.
I motsetning til tradisjonelle, oppgavespesifikke modeller, som må trenes individuellt for hver unike applikasjon, kan en grunnmodell gjenkjenne mønstre på tvers av ulike overvåkingsbehov. Ved hjelp av selvstyrt læring reduseres behovet for manuelt merkede data, og modellen kan raskt tilpasses ulike miljøutfordringer.
Vil du vite mer om dette prosjektet?
Ta kontakt:
Prosjekt: Foundation Model for Climate and Society (FM4CS)
Partnere: Danmarks meteorologiske institutt, Meteo Romania, Norges vassdrags- og energidirektorat (NVE), Polar View ApS, UiT Norges arktiske universitet
Finansiering: Den europeiske romfartsorganisasjon (ESA) – Φ-lab
Periode: 2024 – 2025
Andre kilder:
Foundation models for climate and society (FM4CS) Prosjektside – ESA (ekstern side, engelsk)
The rise of foundation models in image analysis Artikkel – LinkedIn, 11.04.2024 (ekstern side, engelsk)
Bruksområder omfatter:
- Kartlegging av flomutsatte områder
- Overvåkning av snøforhold
- Overvåkning og kartlegging av tørke
- Kartlegging av sjøis
- Deteksjon og overvåkning av isfjell
- Kartlegging av våtmark
Fra enkeltstående løsninger til integrert forståelse
Tradisjonelle modeller for jordobservasjon er isolerte systemer, både i utvikling og bruk. Hver modell er utviklet for å løse en bestemt oppgave, uten iboende evne til å dele innsikt med andre modeller. Å forbedre en modell for flom gir for eksempel ingen automatisk gevinst for en modell for tørkeovervåkning. Grunnmodellen endrer dette ved å lære generelle mønstre i jordens overflate og kan anvende denne kunnskapen på tvers av fagområder med minimale justeringer.
Fordi modellen forstår sammenhenger på tvers av fagfelt, kan innsikt fra ett område bidra til raskere forståelse på et annet. Denne typen synergi er avgjørende i møte med et klima i rask endring.
Øverste bilde: Radarbilde fra Sentinel-1, tatt 10. august 2023.
Nederste bilde: Flomkart basert på grunnmodellen i FM4CS. Røde områder viser områder med oversvømmelse, mens blått markerer områder som vanligvis er dekket av vann. Gule områder viser radarforstyrrelser (skygger og feiltolkninger i bratt terreng). Bilde: NR.
Erstatter tidkrevende, manuelle arbeidsprosesser
Mange av dagens modeller for klimaovervåkning baserer seg på utdaterte og ufullstendige satellittdata, og krever omfattende manuell analyse. Slike arbeidsprosesser kan ta flere uker eller måneder, ofte altfor lenge til å kunne bidra i akutte beslutningssituasjoner.
Grunnmodellen kan tilpasse seg nye satellittkilder umiddelbart, og tilbyr dermed et raskere og mer fleksibelt alternativ. Den legger også til rette for overførbar innsikt mellom fagområder og oppgaver, og støtter ulike miljøtjenester i tilnærmet sanntid. Der tradisjonelle modeller kan bruke måneder på å tilpasse seg en ny satellitt, kan grunnmodellen begynne å lære av dataene én gang.
En mer rettferdig modell for klimaarbeid
Modellen gir målbare fordeler på tvers av sektorer. For forskere og fagmiljøer innen KI forenkler den utviklingsprosessene, reduserer kostnader, gjør det lettere å skalere, og bidrar til kortere tid mellom hver forbedring. Den støtter også overvåkningssystemer med kapasitet for nær sanntid.
For beslutningstakere og de som jobber innen beredskap kan tilgang til oppdaterte og mer konsistente data gi tidligere varsling av risiko og bedre grunnlag for ressursforvaltning. Modellen gjør det dessuten mulig å standardisere resultater, noe som styrker samarbeid på tver av landegrenser og er i tråd med overordnede rammeverk for klimaarbeid.
Mindre aktører og organisasjoner, som ofte mangler ressursene som trengs for å utvikle og drifte avanserte KI-verktøy vil også kunne dra nytte av en grunnmodell. Modellen reduserer både tekniske og øknomiske barrierer, og gjør jordobservasjon av høykvalitet tilgjengelig for flere. Dette legger til rette for mer rettferdig deltakelse i globale klimainitiativ, og reduserer oppsplitting og fragmentering som ofte preger lokale, isolerte modeller.
Samarbeidspartnere:
