DI Markku Luotamo puollustaa väitöskirjaansa "Advances in Region-Based Multisource Machine Learning for Remote Sensing" perjantaina 9.6.2023 klo 12 Helsingin yliopiston Physicum-rakennuksen auditoriossa E204 (Gustaf Hällströmin katu 2, 2. kerros). Vastaväittäjänä toimii opettava tutkija Jorma Laaksonen (Aalto-yliopisto) ja kustoksena apulaisprofessori Arto Klami (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Markku Luotamon väitöskirja on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Multi-source Probabilistic Inference -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut apulaisprofessori Arto Klami (Helsingin yliopisto).
Monilähteinen koneoppiminen aluepohjaisessa kaukokartoituksessa
Mitä yhteistä tekoälyn kannalta on valokuvaajan edessä olevilla esteillä ja ilmakehän pilvillä? Entä miten voidaan päätellä satelliittikuvista peltokuvion kasvipeite pilvien läpi, ja kuinka varmasti? Käsillä oleva väitöskirjatyö kehittää uusia koneoppimismenetelmiä vastaamaan tämänkaltaisiin kysymyksiin. Työ keskittyy kaukokartoituksessa ja konenäössä esiintyviin tilanteisiin, joissa tutkittava kohde voi olla kuvasisällöltään (a) epämääräisen muotoinen, (b) enimmäkseen yhtenäinen, mutta hieman vaihteleva, kuten peltoala tai pilvimuodostelma, tai (c) osittain tai kokonaan pilvien peittämä.
Konenäön ja tekoälyn kiihtyvä kehityskaari on edistänyt ja monipuolistanut satelliittikuvien tulkintakeinoja niin, että yhä monimuotoisempia ilmiöitä, hahmoja ja kohteita voidaan tunnistaa tarkemmin. Tarkkoja kameroita voidaan hyödyntää kaukokartoitukseen niin satelliiteissa, ilmakuvauksessa kuin kannettavissa laitteissa tuottamaan kuvia hyvin erilaisissa mittakaavoissa. Optinen kamera erottaa yhä tarkemmin ja laajemmin myös ihmissilmälle näkymätöntä valoa ja lämpösäteilyä nk. multi- ja hyperspektrikuvina, ja tutkakuva läpäisee pilvipeitteen.
Kaukokartoituskuvien automaattinen tulkinta perustuu säännönmukaisuuksien havaitsemiseen esimerkiksi kuvan tai sen osien väreissä, kuviorakenteissa tai ajallisissa muutoksissa. Varhaisista asiantuntijoiden muotoilemista, yksittäisten kuvapisteiden tulkintasäännöistä on laajalti edetty automaattiseen oppimiseen, jossa voidaan yhdistellä erilaisia kuvalähteitä eri etäisyyksiltä satelliitti- ja ilmakuvista paikallisiin mittauksiin. Päättely voi kohdistua kooltaan ja muodoltaan vaihteleviin alueisiin, ja kuvien rakennetta voidaan tulkita tarpeen mukaan vaihtelevissa kuvaulottuvuuksissa eri tarkkuuksilla.
Olosuhteet tai rajoitteet datan hankinnassa tai analyysimenetelmien käytössä voivat kuitenkin edelleen hankaloittaa kuvien digitaalista tulkintaa monissa tilanteissa. Tässä väitöskirjatyössä tutkimme mittasuhteiltaan vaihtelevien kuvapiirteiden ominaisuuksia, aineistojen epätäsmällisesti merkittyjen viitetietojen eli annotaatioiden käyttöä koneoppimisessa, hienovaraisen vaihtelun tulkintaa rajatulla alueella, harvoja tai pistemäisiä havaintoja spatiaali- tai spektriulottuvuuksissa sekä laskennan tehokkuutta ja toteutettujen ohjelmistojen operoitavuutta. Epäsäännöllisen muotoiset alueet ja laskennan työnkulun automatisointi laajan paikkatiedon käsittelyssä yhdistävät tässä työssä esiteltäviä koneoppimistilanteita.
Työn kuusi pääkontribuutiota ovat seuraavat: 1) kuvien segmentointiin, esimerkiksi ilmakehän pilvien tunnistamiseen, soveltuva hermoverkkoarkkitehtuuri, jossa verkon rakenne on suunniteltu yhdistelemään eri mittakaavoja kustannustehokkaasti ja oppimaan epätäsmällisistä kuva-alueiden merkinnöistä, 2) heikosti annotoidulle kuvadatalle sopiva ilmakehän pilvien tunnistusmenetelmä, joka parantaa tunnistuksen tarkkuutta verrattuna laajalti käytössä olevaan verrokkimenetelmään, 3) alueen koosta riippumaton esitystapa, jolla voidaan kuvata alueita, kuten monikulmioiden rajaamia peltokuvioita, nk. tiheysestimaatteina ja joka tukee monilähteistä koneoppimista ja epävarmuuden arviointia, 4) valinnaisille regressioalgoritmeille soveltuva laskennan työnkulkuohjelmisto, jolla voidaan arvioida maaperänäytteiden orgaanista hiilipitoisuutta kannettavan hyperspektrikameran kuvista, 5) pilvien tunnistustarpeen tarkastelu aikasarja- ja neuroverkkopohjaisessa satoennustetehtävässä sekä 6) analyysi tunnistettavien MLOps-tehtävien automaatiopotentiaalista eri koeasetelmissa.
Työn aineistoina käytetään multispektri- ja tutkasatelliitti-instrumenttien korkearesoluutioisia kuvia sekä paikannettujen maaperänäytteiden hyperspektrikuvia. Viite- ja esimerkkitiedot algoritmien opetuksessa pohjautuvat viranomaisten keräämiin rajaus- ja ilmoitustietoihin sekä maaperänäytteiden fyysiseen analyysiin.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston e-thesis-palvelussa osoitteessa http://urn.fi/URN:ISBN:978-951-51-9308-7.
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: markku.luotamo@helsinki.fi.