Dissertação
{en_GB= Deep Learning for Spatio-Temporal Forecasting with Gridded Remote Sensing Data} {} EVALUATED
{pt=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., en=Nowadays, a widespread collection of satellites are being used to monitor the Earth's natural systems and man-made structures, measuring a variety of variables at consistent time intervals and spatial resolutions. Given this massive influx of remote sensing data, the necessity of adequate methods for automatic satellite data processing has risen, leading to an increase in popularity for machine learning methods in a variety of practical applications. This type of data often contain a mixture of spatial and temporal dependencies, indicating how different spatial locations exhibit related patterns and how the observed variables evolve over time. Furthermore, due to the stochastic nature of the underlying variables, prediction models must be capable of capturing complex and non-linear patterns. This dissertation focuses on spatio-temporal data forecasting, presenting a novel architecture derived from a previous model, extending it with a recurrent component backbone together with the idea of feed-backward decoding, specifically by re-using the weights of the convolution layers in the encoder, when generating the predictions from intermediate representations. Furthermore, a variety of different techniques are jointly used with the aforementioned architecture, namely (a) novel normalization-activation operations, (b) a data augmentation method to reduce overfitting and improve intermediate representations, and (c) the use of learnable local inputs and weights to allow different locations to be guided by their own intrinsic local features. The models were evaluated through several experiments using two datasets from previous studies, on two different tasks pertaining to the forecasting of future measurements and the reconstruction of missing time-steps.}
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
