Deep learning voor omgevingsmonitoring door omzetting van aardobservatie data naar geo-indicatoren

De recente Sentinel satellietconstellaties voorzien vrij beschikbare aardobservatie data met geschikte karakteristieken – betreffende spatiale, spectrale en temporele resolutie – om de omgeving te monitoren. Toch blijft het gebruik van informatie afgeleid uit satellietgegevens beperkt binnen het omgevingsbeleid daar het de informatie verkregen uit meetcampagnes op de grond niet volledig vervangt. Tevens winnen deep learning algoritmes steeds meer aan populariteit in verschillende toepassingsdomeinen binnen teledetectie onderzoek. Deze datagedreven modellen zouden het vertrouwen van beleidsmakers in de resultaten kunnen verhogen. Betrouwbare modellen vergen echter grote hoeveelheden gelabelde gegevens die ontbreken voor vele omgevingstoepassingen. Bestaande methodes om de effectiviteit van beperkte trainingsdatasets te verhogen zijn active learning en transfer learning. Het doel van dit PhD onderzoek is deep learning toe te passen op satellietbeelden en om de voorgenoemde technieken uit de testen op actuele toepassingen binnen het omgevingsbeleid.