Miðbiksmat í rafmagns- og tölvuverkfræði - Kennedy Adriko

Viðburður á Zoom

Heiti ritgerðar: Learning Embeddings for Earth Observation Applications with Supercomputing (Learning Embeddings for Earth Observation Applications with Supercomputing)

Nemandi: Kennedy Adriko

Doktorsnefnd:

Dr. Morris Riedel, prófessor við Iðnaðarverkfræði-, vélaverkfræði- og tölvunarfræðideild HÍ og Jülich Supercomputing Centre, Forschungszentrum Jülich,Þýskalandi

Dr. Gabriele Cavallaro, dósent við Rafmagns- og tölvuverkfræðideild HÍ og Jülich Supercomputing Centre, Forschungszentrum Jülich,Þýskalandi

Dr. Claudia Paris, lektor við Faculty of Geo-information Science and Earth Observation, University of Twente

Dr. Rocco Sedona, nýdoktor við Jülich Supercomputing Centre , Forschungszentrum Jülich,Þýskalandi

Ágrip

Uppskeruspár á rekstrarskala krefjast þess að náttúrufarsmerki séu unnin úr stóru safni jarðvöktunargervitunglagagna. Gagnageymsla og reiknigeta eru þó verulegur flöskuháls. Landfræðileg grunnlíkön (e. GeoFMs) lofa alhliða, og þjappaðri framsetningu þessara gagna, en hvort þessar innfellingar (e. embeddings) haldist gagnlegar fyrir spágerð yfir misleit skilyrði, mismunandi uppskeruár, rúmskala og loftslag er að mestu órannsakað. Þetta doktorsverkefni spyr hvort þjappaðar, alhliða GeoFM-innfellingar geti alhæft yfir tíma, rúmskala og loftslag fyrir rekstrarlega uppskeruspá. Þessi doktorsrannsókn þróar skalanlegar aðferðir til úrvinnslu á umfangsmiklum, háupplausnar og fjöluppruna jarðvöktunargögnum með notkun afleiddra innfellinga frá landfræðilegum grunnlíkönum. Hún mun þróa náttúrufarsmerkjameðvitaða tíma-kóðara sem mynda fjöltíma innfellingar eftir nytjaplöntuvaxtarstigum og styðja við lærdóm fárra sýna (e. few-shot learning); nota tauga-stjórnaðar afleiðujöfnur til líkangerðar fyrir óreglulegar öflunartímasetningar og skýjahuluorsökuð vöktunargöp; og þróa veðurfars-skilyrtar, stika-skilvirkar aðlögunaraðferðir til yfirfærðar á landfræðilegum grunnlíkönum yfir landsvæði og ólík veðurför. Þessi vinna er unnin innan verkefnisins Earth Observation & Weather Data Federation with AI Embeddings (Embed2Scale), sem er styrkt af Horizon Europe-áætlun Evrópusambandsins, og byggir á þeirri meginreglu að innfellingar eigi að þjóna hagnýtingunni: þær eigi að veita þjappaðar framsetningar sem nýtast áfram við raunhæfar uppskeruspár í stórum stíl.