Maskinlæring / GeoAI
Maskinlæring og GeoAI muliggjør automatisert, storskala, datadrevet analyse av geospatiale data og har blitt stadig viktigere verktøy i geovitenskapelig forskning. Ved å støtte nøyaktig, konsistent og automatisert kartlegging over store og komplekse regioner, styrker disse metodene vår evne til å overvåke prosesser på jordoverflaten, utnytte omfattende arkiver med fjernmåling fullt ut og forbedre forståelsen av miljøendringer over tid og rom.
Om metoden:
Maskinlæring og GeoAI muliggjør automatisert, storskala analyse av geografiske data, noe som gir effektiv deteksjon, kartlegging og overvåking av overflateegenskaper og prosesser som er vanskelige og tidkrevende å identifisere ved hjelp av tradisjonelle metoder.
Spesielt er dype læringsmetoder – særlig konvolusjonelle nevrale nettverk (CNNs, fra engelsk convolutional neural networks) – godt egnet for å lære subtile spektrale, romlige og kontekstuelle mønstre fra fjernmålingsdata. Når disse modellene er trent opp, kan de pålitelig identifisere og kartlegge et bredt spekter av landformer og andre landskapselementer. Dette inkluderer å skille ren is fra isbreer dekket av sedimenter, oppdage steinbreer og morener med komplekse teksturer, identifisere sprekker og strømningsstrukturer og karakterisere snø- og isegenskaper som utstrekning, albedo eller overflatetilstand.
Ved å integrere informasjon fra flere datakilder og romlige skalaer, er disse modellene spesielt effektive i heterogene og utfordrende miljøer hvor tradisjonelle kartleggingsmetoder er upraktiske eller umulige å gjennomføre.
Maskinlæring og GeoAI forbedrer vår evne til å overvåke prosesser på jordoverflaten, utnytte omfattende fjernmålingsarkiver og forbedre forståelsen av miljøendringer på tvers av rom og tid.