Uma nova IA
Por Justine Calma, repórter científica que cobre meio ambiente, clima e energia com uma década de experiência. Ela também é a apresentadora do podcast Hell or High Water.
Um mapa inédito de projetos de energia renovável e cobertura de árvores em todo o mundo foi lançado hoje e usa IA generativa para essencialmente aprimorar imagens tiradas do espaço. Tudo faz parte de uma nova ferramenta chamada Satlas do Allen Institute for AI, fundada pelo cofundador da Microsoft, Paul Allen.
A ferramenta, compartilhada primeiro com The Verge, usa imagens de satélite dos satélites Sentinel-2 da Agência Espacial Europeia. Mas essas imagens ainda dão uma visão bastante embaçada do solo. O conserto? Um recurso chamado “Super-Resolução”. Basicamente, ele usa modelos de aprendizagem profunda para preencher detalhes, como a aparência dos edifícios, para gerar imagens de alta resolução.
Por enquanto, Satlas se concentra em projetos de energia renovável e cobertura arbórea em todo o 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 parques solares e turbinas eólicas onshore e offshore. Você também pode usá-lo para ver como a cobertura da copa das árvores mudou ao longo do tempo. Estas são informações importantes para os decisores políticos que tentam cumprir os objetivos climáticos e outros objetivos ambientais. Mas nunca houve uma ferramenta tão expansiva que fosse gratuita para o público, de acordo com o Instituto Allen.
Esta também é provavelmente uma das primeiras demonstrações de super-resolução num mapa global, dizem os seus criadores. Com certeza, ainda existem alguns problemas para resolver. Como outros modelos de IA generativa, Satlas ainda é propenso a “alucinações”.
“Você pode chamar isso de alucinação ou de falta de precisão, mas ele desenhava edifícios de maneiras engraçadas”, diz Ani Kembhavi, diretor sênior de visão computacional do Instituto Allen. “Talvez o edifício seja retangular e o modelo possa pensar que é trapezoidal ou algo assim.”
Isso pode ser devido a diferenças na arquitetura de região para região que o modelo não é bom em prever. Outra alucinação comum é colocar carros e embarcações em locais que o modelo acha que deveriam estar com base nas imagens usadas para treiná-lo.
Para desenvolver Satlas, a equipe do Instituto Allen teve que analisar manualmente imagens de satélite para rotular 36 mil turbinas eólicas, 7 mil plataformas offshore, 4 mil fazendas solares e 3 mil porcentagens de cobertura de copa de árvores. Foi assim que treinaram os modelos de aprendizagem profunda para reconhecer esses recursos por conta própria. Para obter super-resolução, eles alimentaram os modelos com muitas imagens de baixa resolução do mesmo local, tiradas em momentos diferentes. O modelo usa essas imagens para prever detalhes de subpixels nas imagens de alta resolução que gera.
O Allen Institute planeja expandir o Satlas para fornecer outros tipos de mapas, incluindo um que possa identificar quais tipos de culturas são plantadas em todo o mundo.
“Nosso objetivo era criar uma espécie de modelo básico para monitorar nosso planeta”, diz Kembhavi. “E depois de construirmos este modelo básico, ajustá-lo para tarefas específicas e depois disponibilizar estas previsões de IA a outros cientistas para que possam estudar os efeitos das alterações climáticas e outros fenómenos que estão a acontecer na Terra.”
/ Inscreva-se no Verge Deals para receber ofertas de produtos que testamos em sua caixa de entrada diariamente.