Dissertação

Deep Learning for Spatio-Temporal Forecasting with Gridded Remote Sensing Data EVALUATED

Atualmente, uma ampla coleção de satélites está a ser usada para observar o planeta Terra, monitorizando os seus sistemas naturais e estruturas humanas ao medir um conjunto de variáveis em diferentes intervalos de tempo consistentes e resoluções espaciais. Dado este grande influxo de dados, a necessidade de métodos para o processamento automático dos mesmos tem vindo a aumentar, originando um aumento de popularidade dos métodos de aprendizagem automática. Este tipo de dados contêm uma mistura de dependências espaciais e temporais, indicando como diferentes localizações exibem padrões relacionados e como as variáveis observadas evoluem ao longo do tempo. Além disso, devido à natureza estocástica das variáveis subjacentes, modelos de previsão devem ser capazes de capturar padrões complexos e não lineares. Esta dissertação foca-se na previsão de dados espaço-temporais, apresentando uma arquitetura derivada de um modelo anterior, estendendo-o com um componente recorrente juntamente com a ideia de decodificação feed-backward, permitindo a reutilização dos pesos das camadas convolucionais no codificador, ao gerar as previsões a partir de representações intermédias. Além disso, um conjunto de técnicas diferentes são testadas juntamente com a arquitetura proposta, nomeadamente: novas operações de normalização-ativação, um método de aumento de dados para reduzir o overfitting, e uso de inputs e pesos locais aprendidos em paralelo, permitindo que diferentes localizações sejam guiadas pelas suas próprias características locais intrínsecas. Os modelos foram avaliados através de um conjunto de experiências, usando dois conjuntos de dados provenientes de estudos anteriores, em duas tarefas distintas: previsão de medições futuras e reconstrução de dados em falta.
Previsão com dados espaço-temporais, Redes neuronais profundas, Aprendizagem supervisionada por regressão, Deteção remota, Visão computacional

novembro 18, 2020, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Bruno Emanuel Da Graça Martins

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

Jacinto Paulo Simões Estima

INESC-ID

Investigador Associado