O primeiro do seu tipo, um mapa de projetos de energia renovável e cobertura de árvores ao redor do mundo foi lançado hoje, e usa Inteligência Artificial gerativa para essencialmente afiar imagens tiradas do espaço. Faz parte de uma nova ferramenta chamada Satlas do Allen Institute for AI, fundado por Paul Allen, co-fundador da Microsoft. A ferramenta, compartilhada primeiro com The Verge, usa imagens de satélite da Agência Espacial Europeia’s Sentinel-2. Mas essas imagens ainda fornecem uma visão bastante embaçada do solo.
A solução? Um recurso chamado “Super Resolução”. Basicamente, usa modelos de aprendizado profundo para preencher detalhes, como podem ser os edifícios, para gerar imagens de alta resolução. À esquerda, uma imagem de alta resolução gerada por IA da cidade de Nakuru, Quênia. À direita, uma imagem de baixa resolução do mesmo local tirada pelo Sentinel-2.
Por enquanto, o Satlas se concentra em projetos de energia renovável e cobertura de árvores ao redor do mundo. Os dados são atualizados mensalmente e incluem partes do planeta monitoradas pelo Sentinel-2. Isso inclui a maior parte do mundo, exceto partes da Antártida e oceanos abertos longe da terra. Mostra fazendas solares e turbinas eólicas onshore e offshore. Também pode ser usado para ver como a cobertura de copas de árvores mudou ao longo do tempo.
São informações importantes para os responsáveis por políticas que buscam atingir metas climáticas e outros objetivos ambientais. Mas nunca houve uma ferramenta tão abrangente disponível gratuitamente para o público, de acordo com o Allen Institute. Isso também é provavelmente uma das primeiras demonstrações de super resolução em um mapa global, dizem seus desenvolvedores.
Para garantir, ainda há alguns problemas para resolver. Assim como outros modelos de IA gerativa, o Satlas ainda é propenso a “alucinações”. “Você pode chamá-lo de alucinação ou precisão ruim, mas ele estava desenhando edifícios de forma estranha”, diz Ani Kembhavi, diretor sênior de visão computacional no Allen Institute. “Talvez o edifício seja retangular e o modelo possa pensar que é trapezoide ou algo assim”. Isso pode ser devido a diferenças na arquitetura entre regiões que o modelo não é tão bom em predizer. Outra alucinação comum é colocar carros e embarcações em lugares onde o modelo acha que deveriam estar com base nas imagens usadas para treiná-lo.
Para desenvolver o Satlas, a equipe no Allen Institute teve que revisar manualmente imagens de satélite para rotular 36.000 aerogeradores, 7.000 plataformas offshore, 4.000 fazendas solares e 3.000 porcentagens de cobertura de copas de árvores. Foi assim que treinaram os modelos de aprendizado profundo para reconhecer esses recursos sozinhos. Para super resolução, alimentaram os modelos com muitas imagens de baixa resolução do mesmo lugar tiradas em momentos diferentes. O modelo usa essas imagens para prever detalhes subpixéis nas imagens de alta resolução que gera.
O Allen Institute planeja expandir o Satlas para fornecer outros tipos de mapas, incluindo um que pode identificar que tipo de culturas são plantadas em todo o mundo. “Nosso objetivo era basicamente criar um modelo base para monitorar nosso planeta”, diz Kembhavi. “E então, uma vez que construímos esse modelo base, afiná-lo para tarefas específicas e tornar essas previsões da IA disponíveis para outros cientistas para que possam estudar os efeitos da mudança climática e outros fenômenos que estão acontecendo na Terra.”
#tecnologia #primeirapágina #dasAlteraçõesClimáticas #energia #Ciência #ambiente #inteligênciaartificial #tecnologia #notícias