Una nuova intelligenza artificiale

Di Justine Calma, una giornalista scientifica che si occupa di ambiente, clima ed energia con un'esperienza decennale. È anche la conduttrice del podcast Hell or High Water.

Una mappa unica nel suo genere dei progetti di energia rinnovabile e della copertura arborea in tutto il mondo è stata lanciata oggi e utilizza l’intelligenza artificiale generativa per rendere sostanzialmente più nitide le immagini scattate dallo spazio. Fa tutto parte di un nuovo strumento chiamato Satlas dell'Allen Institute for AI, fondato dal co-fondatore di Microsoft Paul Allen.

Lo strumento, condiviso inizialmente con The Verge, utilizza immagini satellitari dei satelliti Sentinel-2 dell'Agenzia spaziale europea. Ma quelle immagini danno ancora una visione piuttosto sfocata del terreno. La soluzione? Una funzionalità chiamata “Super-Risoluzione”. Fondamentalmente, utilizza modelli di deep learning per inserire dettagli, come come potrebbero apparire gli edifici, per generare immagini ad alta risoluzione.

Per ora, Satlas si concentra su progetti di energia rinnovabile e copertura arborea in tutto il mondo. I dati vengono aggiornati mensilmente e includono parti del pianeta monitorate da Sentinel-2. Ciò include la maggior parte del mondo, ad eccezione di parti dell’Antartide e degli oceani aperti lontani dalla terraferma.

Mostra i parchi solari e le turbine eoliche onshore e offshore. Puoi anche usarlo per vedere come è cambiata la copertura della chioma degli alberi nel tempo. Si tratta di informazioni importanti per i policy maker che cercano di raggiungere gli obiettivi climatici e ambientali. Ma secondo l'Allen Institute, non c'è mai stato uno strumento così ampio e gratuito per il pubblico.

Questa è probabilmente anche una delle prime dimostrazioni di super-risoluzione in una mappa globale, dicono i suoi sviluppatori. A dire il vero, ci sono ancora alcuni nodi da risolvere. Come altri modelli di intelligenza artificiale generativa, Satlas è ancora incline alle “allucinazioni”.

"Puoi chiamarla allucinazione o scarsa precisione, ma disegnava edifici in modi divertenti", afferma Ani Kembhavi, direttore senior della visione artificiale presso l'Allen Institute. "Forse l'edificio è rettangolare e il modello potrebbe pensare che sia trapezoidale o qualcosa del genere."

Ciò potrebbe essere dovuto a differenze nell'architettura da regione a regione che il modello non è in grado di prevedere. Un'altra allucinazione comune è quella di posizionare auto e navi in ​​luoghi che il modello ritiene dovrebbero essere basati sulle immagini utilizzate per addestrarlo.

Per sviluppare Satlas, il team dell’Allen Institute ha dovuto scorrere manualmente le immagini satellitari per etichettare 36.000 turbine eoliche, 7.000 piattaforme offshore, 4.000 parchi solari e 3.000 percentuali di copertura arborea della chioma. È così che hanno addestrato i modelli di deep learning a riconoscere tali funzionalità da soli. Per la super-risoluzione, hanno alimentato i modelli con molte immagini a bassa risoluzione dello stesso luogo scattate in momenti diversi. Il modello utilizza tali immagini per prevedere i dettagli sub-pixel nelle immagini ad alta risoluzione che genera.

L’Allen Institute prevede di espandere Satlas per fornire altri tipi di mappe, inclusa una in grado di identificare quali tipi di colture vengono piantate in tutto il mondo.

"Il nostro obiettivo era creare una sorta di modello di base per il monitoraggio del nostro pianeta", afferma Kembhavi. “E poi, una volta costruito questo modello di base, lo perfezioniamo per compiti specifici e poi rendiamo disponibili queste previsioni dell’intelligenza artificiale ad altri scienziati in modo che possano studiare gli effetti del cambiamento climatico e di altri fenomeni che stanno accadendo sulla Terra”.

/ Iscriviti a Verge Deals per ricevere quotidianamente offerte sui prodotti che abbiamo testato nella tua casella di posta.