长期以来，保护地球一直是一项缓慢的工作：研究人员涉水穿过荒野来统计濒危类人猿的数量，气象预报员推算天气的物理特性，垃圾分流设施从准备填埋的垃圾中分拣出可回收材料。
AI 和加速计算正在为这项事业按下加速键。
今年的地球日，NVIDIA 重点介绍了五个推动气候科学和可持续发展的项目。包括：
- 使用 NVIDIA Earth-2 进行气候模拟
- 猩猩研究与濒危物种保护
- AMP 利用 AI 和机器人对可回收物进行分类
- 戈登・贝尔奖获奖者的早期海啸预警研究
- Planet 基于地球观测数据的 AI 洞察
NVIDIA Earth-2 推进气候模拟 🔗
NVIDIA 通过 Earth-2 开放 AI 模型、库和框架系列 – 这是全球首个完全开放、加速的气象 AI 软件堆栈。
从处理初始观测数据到生成 15 天的全球预报或局部风暴预报，Earth-2 加速了天气预报的全流程。其中包括 Earth-2 Nowcasting 模型，该模型利用生成式 AI 技术在短短几分钟内就能将覆盖全国范围的预报转化为公里级分辨率、0 到 6 小时的局部风暴及灾害性天气预测。
NVIDIA 气候模拟研究总监 Mike Pritchard 在近期的 NVIDIA GTC 大会上讨论了该技术，点击观看：
另一个模型 Earth-2 Global Data Assimilation 现可从 Earth2Studio 和 Hugging Face 平台下载。对于预报员来说，数据同化是一项艰巨的任务：美国国家气象局用于预测的计算资源中，有近一半消耗在预处理原始观测结果。而 Earth-2 Global Data Assimilation 能够在单个 GPU 上运行，只需几分钟即可将这些原始数据转换为当前大气的全局快照，包括温度、风速、湿度和气压。
美国国家海洋和大气管理局及 MITRE (一家非营利组织) 合作开发了 Earth-2 Global Data Assimilation (HealDA) 的模型架构。以下视频中，MITRE 为您介绍：
AI 帮助灵长类动物学家保护濒危猩猩 🔗
AI 正在将野生动物保护从劳动密集型且成本高昂的流程转变为高效的自动化系统，帮助类人猿生存和繁衍。
最近，来自婆罗洲和苏门答腊雨林的两项开创性研究表明，GPU 加速的 AI 能够通过航空图像自动探测猩猩巢穴，从而大幅减少种群监测所需的时间和成本，从而更好地了解濒危猩猩的物种密度和分布情况。
传统的猩猩测巢工作需要团队沿着样带 (用于系统测量一个区域的直线路径) 穿过茂密的森林、泥炭沼泽和山地，这种方法的测巢速度大约为每小时 1 公里。
相比之下，基于无人机的勘测可以在相同时间内捕获 18 公里范围内的图像。但是，手动图像分析一直是瓶颈所在，训练有素的专家识别一张图像需要约 1 分钟，这意味着无人机飞行一小时就能完成长达 30 小时的繁琐人工审查工作。
GPU 加速的深度学习有助于解决这一难题。
利物浦约翰摩尔斯大学应用 AI 教授 Paul Fergus 表示：“这些视频的信噪比极低，想要从中捕捉到有效信号，无异于大海捞针 —— 而 GPU 恰好解决了这一难题。对于海量视频处理工作而言，这项技术堪称颠覆性突破。”
根据由 Fergus 参与合著、发表于 American Journal of Primatology (《美国灵长类动物学杂志》) 的一项研究，研究人员训练了一款用于巢穴自动探测的 AI 模型，该模型可在单块 GPU 上，实现五分钟内处理 1800 张图像。该模型使用 8 块 NVIDIA GPU，在包含 800 张高分辨率图像的数据集上进行训练。
发表在 PeerJ 杂志的另一项研究中，研究人员在一块 NVIDIA GPU 上训练了四个 AI 模型。其中一个基于 InceptionV3 架构，在将航拍图像分为包含或不包含巢穴两类时，准确率和精度超过 99%。
“借助由 NVIDIA 提供支持的深度学习，我们现在可以训练模型，根据航拍图像有效地检测和统计猩猩巢穴，”马来西亚沙巴大学热带生物学和保护研究所的计算生态学家 Song-Quan Ong 表示，“这大大减少了监测所需的时间和成本，同时还实现了更广泛、更一致的覆盖。”
三种猩猩都被归类为濒危物种，在过去 75 年中，其数量减少了 80% 以上。它们所面临的威胁日益加剧：大片森林栖息地已被砍伐，用于种植棕榈油、发展纸浆造纸业，以及农业扩张。森林碎片化将种群隔离开来，降低了遗传多样性，并使生存状况愈发岌岌可危。
野生动物交易、狩猎以及农业活动导致的非法捕杀进一步加剧了种群数量下降。雪上加霜的是，猩猩的生命史特别脆弱：雌性每 6 到 9 年才会生产一次，这是所有哺乳动物中最长的生育间隔，这意味着种群无法迅速从损失中恢复。
这些挑战使得快速、可扩展的监测对于指导保护干预措施和评估其有效性至关重要。
利物浦约翰摩尔斯大学灵长类生物学教授 Serge Wich 的任务是将大量数据转化为有意义的实际行动，他表示：“我们需要更快地找出发生改变的地方，这 (AI) 确实有助于实现变化。这将使那些通常需要花费大量时间筛选图像的人员，能够真正投入到实际工作中，例如与当地社区合作，解决实际的生态保护难题。”
智能分拣：AMP 借助 NVIDIA 物理 AI，从垃圾填埋场分流数十亿磅的可回收物 🔗
回收面临成本问题。传统的分拣设施可能需要高达 2500 万美元才能建造完毕，但仍然会遗漏四分之一的可回收材料。
作为 NVIDIA 初创加速计划的可持续未来倡议 (Sustainable Futures initiative) 的成员企业，AMP 正在利用 AI 和机器人技术来改变这一局面，并帮助地球。
除了数百个已经在现有回收点部署数百台机器人协助分拣材料之外，该公司现在还在从头开始构建 AI 原生回收设施，包括在丹佛建造一个全自动工厂，以及在弗吉尼亚州开展一个直接从垃圾中分离出可回收物和有机物的垃圾分流项目。
这些努力使得垃圾变成了宝藏。
迄今为止，AMP 已将超过 20 亿磅的材料从垃圾填埋场中分流 ，从而避免了约 73.9 万公吨的二氧化碳当量排放量，这一数字已扣除其训练和运行 AI 技术所产生的成本。
AMP 的设施具有成本效益，并实现了 90% 的回收率 (指通过回收、堆肥或能源回收成功从填埋场分流出的废物占总产生量的百分比)，而传统工厂的回收率约为 75%。
AMP 软件总监 Joe Castagneri 表示：“如果我们肆意挥霍有限资源，必将对地球造成伤害。如果没有塑料回收，就只能使用石油衍生的原生塑料。如果不从垃圾填埋场分流有机物，它就会在厌氧条件下分解为甲烷。AI 和自动化带来了高效的方法，让我们能够分类和重复使用有限资源，并充分挖掘其价值。”
通过使用 NVIDIA Hopper GPU，该公司已将 AI 推理能耗减半。此外，得益于 AI 和机器人技术使分拣速度更快、更高效，AMP 使用的传送带数量仅为同等规模传统工厂的三分之二，这意味着更少的钢材消耗、更低的能耗、更小的能源足迹。
AMP 在 NVIDIA GPU 上训练其 AI 模型，并使用开源软件在边缘运行推理 NVIDIA TensorRT 库和 Triton 推理服务器。该公司还在探索 NVIDIA Isaac Sim 在现实世界中构建之前，先在仿真环境中开发和优化其设施。
Castagneri 表示：“在垃圾处理行业，AI 和自动化技术可以降低从垃圾中回收有价值物料的成本。这反过来又提高了我们首轮回收的垃圾总量，以及可以从中盈利的数量。如果能更高效地利用资源，就能改善环境。”
NVIDIA 初创加速计划“可持续未来倡议”计划中的其他公司，同样正在绿色计算、可持续基础设施和野生动物保护等领域开拓创新。
海啸到来之前：研究人员开发海啸早期预警系统 🔗
本作品为基于海底法向速度源数据与声重力模型输出结果创作的艺术化渲染图，入选 SC25“Art of HPC”参展作品。论文发表链接：https://doi.org/10.1145/3712285.3771787
在太平洋海底，胡安・德富卡板块 (Juan de Fuca plate) 俯冲到北美板块下方形成了一条长达 1000 公里的断层带，即卡斯凯迪亚断层 (Cascadia fault)。自 1700 年 1 月 26 日该断层上次破裂以来，这里的地应力一直在不断积累。古地震学证据表明，该断层的平均复发间隔约为 250 年。这一数字令人担忧。
一旦灾害发生，高达 30 米的海啸，将在短短 15 分钟内，抵达俄勒冈州和华盛顿州的海岸。现有的海啸早期预警系统基于简化的假设，可能会导致警报延迟、错误或遗漏。
通过解决所谓的反向问题，可以实现更准确的预测：从海底传感器的压力读数中反推导致其发生的海底运动，然后再次正演预测海啸波的路径和波浪高度。
多年来，德克萨斯大学奥斯汀分校的教授 Omar Ghattas 及其合作者 Stefan Henneking 一直在研究这个问题。他们的团队 (包括德克萨斯大学奥斯汀分校、加州大学圣地亚哥分校和劳伦斯利弗莫尔国家实验室) 凭借其足够快的计算速度，荣获 ACM 戈登・贝尔奖。
这个解决方案打开了一个巧妙的数学原理：卡斯凯迪亚断层断裂的物理特性不会因其发生的时间而改变。这种时移不变性可以预先计算困难部分，即每个传感器提前运行一次全物理波方程，这样，当传感器探测到真正的断裂时，只需进行快速计算。在 GPU 上运行时，只需不到 0.2 秒，比现有方法提速 100 亿倍，并且不仅能返回预测结果，还可以给出预测结果的不确定性评估。
这样一来，人们只需在断层破裂后几分钟就能收到警告，有近 10 分钟的时间撤离到地势较高处。计算能力不再限制预警速度。
Ghattas 在上个月的 GTC 大会上表示：“我们没有 50 年的时间来解决传统算法所面临的反向问题，我们只有不到 15 分钟的时间。”
所见即所得：应用于地球观测 🔗
Planet 运行着世界上最大的地球观测卫星群。该公司的使命是每天对整个地球进行成像，让变化清晰可见、并具备可操作性。 Planet 团队已成功发射了近 650 颗卫星，为全球客户提供了超过 3000 亿平方公里的图像、50PB 的地球数据和大量有价值的洞察。
然而，许多人可能不知道，原始卫星图像实际上并不是图像，而是一个压缩的字节数组，必须解压缩、正射校正 (即精确映射到地球表面，并校正传感器物理特性与轨道几何带来的影响)，然后进行处理。当人们看到图像时，它们可能已经是数小时前的了。
在上个月的 NVIDIA GTC 大会上，Planet 公司的航天器副总裁 Kiruthika Devaraj 以这种方式描述了这一问题：地球观测以天文学为模型，其重点是窥探遥远的过去。而她认为，地球观测需要变得更像生物学：将计算的“大脑”尽可能靠近传感器的“眼睛”，从而使洞察速度更接近采集速度。
在此次大会上展示了 Planet 与 NVIDIA 历时三个月的合作成果，旨在弥合这一差距。该团队使用原生 GPU 构建了一个管线，直接处理压缩的原始卫星数据。相比之下，在计算成本高昂、存储成本低廉的情况下构建的传统架构可能需要长达 100 – 300 倍的时间才能完成同样的工作。
收听 Devaraj 关于 Planet 和 NVIDIA 提供的边缘计算的可能性的讨论。