景象变革是一个须要利用大数据研究的重大问题。
英国自然环境研究理事会（NERC）地球不雅观测数据采集和剖析做事中央（NEODAAS）是少数几家能够从环球视角不雅观测环境科学的机构之一。
自二十世纪90年代以来，作为英国自然环境研究理事会的下属机构，并在英国国家地球不雅观测中央（NCEO）的监督下，该机构一贯在为研究职员免费供应数百颗卫星采集的地球不雅观测数据。
用于地球不雅观测的大规模图形处理单元集群（MAGEO）搭载了NVIDIA DGX系统，帮助英国普利茅斯海洋实验室的NEODAAS团队开展前沿研究，通过深度学习开辟利用地球不雅观测数据的新路子。
借助NVIDIA的加速打算平台，他们现在剖析这些海量数据的速率比之前所想象的还要快。

推动地球不雅观测技能的发展

150多颗环抱地球运行的卫星每天通过传感器采集超过10TB的地球不雅观测数据。
这些数据的处理和剖析都须要耗费大量的打算力。
为将深度学习技能运用于这些数据，从而获取关于地球康健状态的宝贵洞见，NEODAAS安装了MAGEO。
这个大型加速打算集群由5个NVIDIA DGX-1系统组成，通过NVIDIA Mellanox InfiniBand网络互连，同时连接到0.5PB的专用存储。
安装MAGEO的资金来自于2019年NERC的改造项目招标，这使NEODAAS能够借助大量NVIDIA GPU通过深度学习和其他算法得到地球不雅观测数据，同时充分利用打算力和NEODAAS事情职员的专业知识。
普利茅斯海洋实验室数据科学家Stephen Goult表示：“MAGEO为加速AI和环境智能研究供应了一个很好的机会。
由于紧邻NEODAAS档案库，因此它可以利用大量卫星数据进行快速原型设计和演习，这终极将改变我们利用和理解地球不雅观测数据的办法。
”通过利用NVIDIA DGX系统，NEODAAS团队进行了原来无法进行的剖析，并大大加快了研究速率，将演习韶光从几个月缩短到几天。
NEODAAS还得到了支持举办NVIDIA深度学习学院课程的资金。
为了促进环境和地球不雅观测领域的AI发展和演习，英国国家地球不雅观测中央的成员于3月学习了该课程。
Goult 表示：“该课程非常成功。
学员们都感到自己学到了许多知识，对将AI运用到自己的研究领域跃跃欲试。
在培训课程期间，学员间的互换引发了好几个利用AI办理地球不雅观测问题的新项目。
”

改变叶绿素探测方法

NEODASS团队还利用MAGEO研究了如何从地球不雅观测的数据中得到主要洞见。
该研究所的造诣还包括开拓一种帮助监测地球海洋中浮游植物浓度的新型叶绿素探测器。
眇小的浮游植物是各种海洋生物的食品来源，坚持着从微型浮游生物到大型蓝鲸的整条生物链。
但它们还有另一个用场——促进地球的康健。
与成长在陆地上的植物一样，浮游植物也通过叶绿素捕捉阳光，然后通过光合浸染将阳光转化为化学能。
在光合浸染过程中，浮游植物会花费二氧化碳。
这个过程的副产品——碳会在浮游植物去世亡时被带到海洋底部或者在浮游植物被吃掉时进入到食品链的其他层。
每年，浮游植物将约100亿吨碳从大气转移到深海。
由于二氧化碳含量高是造成景象变革的紧张缘故原由之一，因此浮游植物对减少大气中的二氧化碳和气候变革影响至关主要。
浮游植物的涨幅哪怕只低落一点，也会造成毁灭性的后果。
NEODAAS采取MAGEO与科学家互助开拓和演习了一个神经网络，实现了一种可研究环球浮游植物充裕性的新型叶绿素探测器。
这项技能利用的是粒子束衰减系数数据，该数据通过粒子束在海水中传播时因悬浮颗粒而造成的能量丢失来打算。
凭借该技能，科学家能够利用显著增加的数据准确丈量叶绿素，而且比目前的实验室法本钱更低、速率更快。
而后者曾被认为是繁芜体系液相色谱剖析的“黄金标准”。
普利茅斯海洋实验室演习学生Sebastian Graban表示：“凭借高度并行的环境以及NVIDIA NVLink和NVIDIA DGX系统中Tensor Core架构所带来的打算性能，原来在单个GPU上须要16个月才能完成的事情在MAGEO上只须要10天就能完成。
所演习出的神经网络能够非常准确地预测叶绿素充裕度，并且将为专家供应一种更好、更快的浮游植物监测方法。
”