Kvantificering af biomasse med satellitter og machine learning
Session
Studerende har ordet
Abstract
Vi har studeret estimation af biomasse over jorden som et potentielt rumligt, tidsmæssigt eller hybridt modelleringsproblem. Ved træning af en række konvolutionelle neurale netværk (CNN'er) til at estimere AGBM (Above Ground Biomass) i finske skove, vil vi forbedre den målestok (benchmark), der er sat af Mathworks.
Vi konkluderer, at mens en strengt rumlig model forbedrede benchmark, så er den tidsmæssige dimension vigtig for ydeevnen. CNN overvurderer sammenhængen mellem AGBM-værdierne for nabopixels og udfordres af både tætte skove og områder med mere sparsom vegetation.
Vha. en ablationsundersøgelse har vi fundet, at et estimat for sandsynligheden for skyer i satellitbillederne er afgørende for god ydeevne. Vi oplever også, at modellen udfordres, når den trænes på data, der kun er udvalgt om sommeren. Projektet har evalueret dataopsamlingsprocessen, satellitterne og spektralbåndene, og vi anbefaler på denne baggrund modelrammer for at maksimere ydeevnen ved træningsopgaven.
Målgruppe
Målgruppen for indlægget er alle deltagere ved Kortdage 2023, der interesserer sig for samspillet mellem klima, geoinformatik og machine learning.
Yderligere uddybning af abstract
Som en del af faget Geospatial Data Science på kandidatuddannelsen Data Science v. IT-Universitet i København lavede jeg et projekt om at benytte Deep Learning til at beregne biomasse.
Projektet tog udgangspunkt i 28 klimarelaterede remote sensing-projekter, som det Europæiske Rumagentur (ESA) har kortlagt. Et af disse omhandler at blive bedre til at estimere biomasse fra satellitter fremfor droner, da sidstnævnte er meget sårbart og dyrt.
AGBM-beregninger (Above Ground Biomass) kan hjælpe med at vurdere skovens sundhed, estimere sandsynligheder for skovbrande og oversvømmelser, samt være en vigtig parameter i CO2-beregninger grundet skoves egenskaber som "carbon-sinks".
På Data Science-uddannelsen bruger vi størstedelen af vores studietid på at lære om komplekse modeller og datastrukturer, heriblandt komplekse netværk, statistisk machine learning, men vigtigst neural (dyb) machine learning, også kaldet kunstig intelligens.
Historisk har man mest benyttet sig af relativt simple træ-baserede modeller grundet deres forklarlighed og simple implementering. Vi forsøgte i stedet at implementere en "dyb" neural model, der er velegnet til kompleks billededata for at se, hvor meget forbedring vi kunne opnå.
Derudover lavede vi en slags risikoanalyse ved at analysere hvilke satellitter, der var vigtigst for modellens præstation.
Projektet har udviklet sig til et yderligere projekt omhandlende remote sensing af klima-relevante parametre vha. machine learning. Dette skal blive til mit kandidatprojekt til foråret.
_64ecc15480a46.jpg)