Wykorzystanie technik uczenia maszynowego i teledetekcji do wspomagania interpretacji przestrzeni geograficznej

Abstract

Niniejsza praca stanowi próbę opracowania metodyki wspierania procesu badawczego przestrzeni geograficznej, stosowanego w naukach o Ziemi i środowisku, opartego na analizie zobrazowań lotniczych i satelitarnych. Metodyka ta oparta jest o zastosowanie modeli uczenia maszynowego (ang. machine learning, ML), zbudowanych w oparciu o głębokie splotowe sieci neuronowe (ang. deep convolutional neural networks, DCNN). W trakcie powiązanych ze sobą przedmiotowo, przestrzennie i czasowo projektów badawczych Autor wraz z towarzyszącymi mu zespołami badaczy podjął się opracowania zaawansowanych rozwiązań geoinformatycznych. Umożliwiają one opracowanie problemów badawczych dotyczących analizy pokrycia terenu. Autor skupił się przede wszystkim na potwierdzeniu przydatności transformacji, jaka zachodzi w splotowej głębokiej sieci neuronowej podczas procesu uczenia reprezentacji (ang. representation learning) obrazu cyfrowego, w interpretacji przestrzeni geograficznej. W ramach rozprawy powstały cztery wysokiej jakości modele głębokiego uczenia wraz z obsługującymi je programami komputerowymi. Opracowane rozwiązania informatyczne pozwalają na przeprowadzenie nadzorowanej i nienadzorowanej klasyfikacji oraz segmentacji pokrycia terenu przy użyciu zobrazowań satelitarnych i lotniczych. Zwieńczeniem badań jest opracowanie autorskiej metody nienadzorowanej segmentacji przestrzeni geograficznej z wykorzystaniem współzawodniczących generatywnych sieci neuronowych (ang. generative adversarial networks, GAN).