KnowEarth: Maskinlæring og menneskelig kunnskap

Systemer for jordobservasjon produserer enorme datavolum. For å utnytte informasjonen mest effektivt, er automatiserte analyser av dataene en pågående forskningsaktivitet. Dyplæring, en populær type AI-modell, har revolusjonert arbeidet og er det fremste verktøyet vi har for å løse oppgaver innen fjernmåling og bildeanalyse.

Moderne modeller er i stor grad datadrevne og ofte trent på tusenvis av annoterte data, altså data der utvalget er kjent. Modellene er kraftige verktøy, men mangler ofte forståelse av den virkelige verden og grunnprinsippene som styrer den. Det resulterer i at modellenes prediksjoner ofte motsier velkjente føringer og regler.

Forbedre dagens dyplæringsmodeller

Målet med dette prosjektet er å forbedre dagens dyplæringsmodeller ved å utnytte og integrere menneskelig kunnskap, føringer og fysikk i modellene. Deretter vil modellene brukes for å avansere automatisk analyse av jordobservasjonsdata. Dette vil effektivisere opplæringen av modellene, og gjøre at vi trenger færre eksempler for å trene modellene med nøyaktighet. Det muliggjør også at ikke-annoterte data kan i større grad brukes for å trene fremtidens dyplæringsmodeller.

Bedre overvåkning av jorda

Prosjektet fokuserer på to jordobservasjonsutfordringer: kartlegging av myrområder og kartlegging av snødekke. Forventede resultater er forbedrede metoder for kartlegging av arealdekke, noe som vil bidra til bedre forvaltning av økosystemene i myrene. I tillegg vil forbedrede kart over snødekke gi bedre estimater av vannressurser tilgjengelig for vannkraftproduksjon og bedre overvåking av klimaendringer i områder med snø, is og permafrost.