Doktorsvörn í reikniverkfræði - Surbhi Sharma

Streymi:
https://eu01web.zoom.us/j/65385009787 | Chat | Microsoft Teams

Doktorsefni:
Surbhi Sharma

Heiti ritgerðar:
Að bæta flokkun landsþekju og landnýtingar með merkingarlega samræmdu og gagnanýttu djúpnámi á fjölheimildargögnum úr jarðeftirliti

Andmælendur:
Dr. Vito Pascazio, prófessor í fjarskiptum, Háskólinn í Napólí, Ítalíu
Dr. Gülşen Taşkın Kaya, dósent, Stofnun almannavarna, Tækniskólinn í Istanbúl, Tyrklandi

Leiðbeinandi:
Dr. Morris Riedel, prófessor við Iðnaðarverkfræði-, vélaverkfræði- og tölvunarfræðideild Háskóla Íslands

Einnig í doktorsnefnd:
Dr. Gabriele Cavallaro, dósent við Rafmagns- og tölvuverkfræðideild Háskóla Íslands
Dr. Claudia Paris, lektor við Háskólann í Twente, Hollandi

Doktorsvörn stýrir:
Dr. Sigrún Nanna Karlsdóttir, prófessor við Iðnaðarverkfræði-, vélaverkfræði- og tölvunarfræðideild Háskóla Íslands

Ágrip:
Kortlagning landnotkunar og landþekju (LULC) úr jarðathugunargögnum (EO) gegnir grundvallarhlutverki í umhverfisvöktun, borgarskipulagi, landbúnaðarstjórnun og mati á loftslagsbreytingum. Nýlegar framfarir í gervitunglförum, vélanámi (ML), djúpnámi (DL) og grunnlíkönum hafa verulega bætt kortlagningarmöguleika á stórum svæðum. Hins vegar eru enn til staðar miklar áskoranir, þar á meðal merkingarleg ósamræmi milli gervitunglamynda og staðbundinna mælinga, skortur á stórum viðmiðunargagnasöfnum með nákvæmum upplýsingum um LULC til þjálfunar og mats á háþróuðum DL-líkönum, fjölbreyttar gagnaveitur, blönduð pixlaáhrif, takmarkað framboð af merktum þjálfunargögnum og þörf á reikniritanlega skalanlegum úrvinnslurömmum. Til að takast á við þessar áskoranir þarf að beita aðferðum sem samþætta margar gagnagerðir og bæta merkingarlegt samræmi, gagnanýtni og framsetningu rúmupplýsinga. Þessi ritgerð kynnir heildstæðan ramma til að efla LULC-kortlagningu með gervitunglum með fjórum samverkandi rannsóknarstefnum. Í fyrsta lagi kannar hún merkingarlegt samband milli gervitunglamælinga og staðbundinna vettvangsgagna með því að nýta landfræðilega merktar vettvangsmyndir sem millilag athugana. Greiningin sýnir að áberandi ósamræmi milli gervitungls og vettvangsbundinna upplýsinga stafar oft ekki einungis af takmörkunum gervitunglamælinga heldur einnig af óskýrleika í túlkun á vettvangi og ósamræmi í flokkunarkerfum landþekju. Í öðru lagi býr ritgerðin til Sen4Map, stórt viðmiðunargagnasafn sem sameinar Sentinel-2-myndir við samræmdar svæðismælingar (Area Frame Survey) á landnotkun/landþekju (LUCAS) og aðrar aukaupplýsingar. Viðmiðunin inniheldur ítarlegar merkingar sem ætlaðar eru til að styðja við þróun og mat á traustum DL-líkönum fyrir LULC-kortlagningu. Í þriðja lagi þróar ritgerðin aðferðir til að áætla LULC á undirpixlastigi (sub-pixel) til að fanga fínskalaða misleitni í landslagi sem fer út fyrir upprunalega rúmupplausn gervitunglamynda. Sem sönnun á virkni hugmyndarinnar áætlar ramminn sem lagður er fram hlutfall byggðs lands úr Sentinel-2 myndum með innfellingum (embeddings) landfræðilegra grunnlíkana, sem sýnir möguleika forþjálfaðra framsetninga, sem fanga litrófs- og rúmupplýsingar, til undirpixlaeinkenninga. Að lokum kannar ritgerðin gagnanýtnar námsaðferðir fyrir jarðathugun (EO) með því að rannsaka fárra sýna nám (few-shot) með metanámi (meta-learning) á opinberlega aðgengilegum viðmiðunargagnasöfnum í fjarkönnun (RS). Þessar nálganir sýna bætta alhæfingarhæfni við takmarkaða merkingu, draga úr þörf fyrir umfangsmikil merkt gagnasöfn og viðhalda samkeppnishæfum kortlagningarafköstum í fjölbreyttum umhverfum. Auk aðferðafræðilegra framfara leggur ritgerðin einnig fram skalanlegar reiknanlegar lausnir með gagnalíkani byggðu á HDF5 sem er fínstillt fyrir háafkasta tölvuumhverfi (HPC), sem styður við skilvirka geymslu, aðgang og vinnslu stórra fjölheimilda EO gagnasetta. Samanlagt stuðla aðferðir sem lagðar eru fram að merkingarlega samræmdari, gagnanýtnari og skalanlegri gervitunglsmiðuðum kerfum til LULC-kortlagningar. Þegar jarðathugun (EO) færist í átt að grunnlíkönum, sameinuðum innfellingum og aðgerðamiðaðri landfræðilegri greind, leggja framlögin í þessari ritgerð grunninn að gagnasöfnum, merkingargrindum og innfellingarmiðuðum aðferðum sem nauðsynlegar eru til að styðja næstu kynslóð LULC-kortlagningar.

Um doktorsefnið:
Surbhi Sharma hlaut B.Tech.-gráðu í rafeindatækni og fjarskiptaverkfræði frá Amity-háskólanum í Indlandi árið 2015 og M.Sc.-gráðu í landfræðilegum upplýsingavísindum og jarðeftirliti með sérhæfingu í landfræðilegri upplýsingatækni sameiginlega frá Indian Institute of Remote Sensing, Indian Space and Research Organization (ISRO), Indlandi, og deild landfræðilegra upplýsingavísinda og jarðeftirlits (ITC), Háskólans í Twente, Hollandi, árið 2018. Hún er meðlimur í Simulation and Data Lab Remote Sensing (EuroCC – þjóðlegu samkeppnismiðstöðinni fyrir háframmistöðu tölvunarfræði og gervigreind á Íslandi). Rannsóknaráhugi hennar beinist að stigstærðum aðferðum í vélanámi og djúpnámi fyrir fjarvöktun, með sérstakri áherslu á háþróaðar djúpar millifærslunámsaðferðir sem nýta nútímaleg háframmistöðutölvukerfi (HPC).