Projektbeschreibung
Deep Learning für bessere Erdbeobachtungsdaten
Die Erdbeobachtung durchlebt zurzeit erhebliche Wandlungen aufgrund der enormen Menge an Beobachtungen, die in Form äußerst genauer und lokalisierter Messungen der Fernerkundung und in In-situ-Sensornetzwerken realisiert werden können. Neuartige Lösungen sind erforderlich, um Daten von im Weltall befindlichen und bodengestützten Instrumenten zur Schätzung geophysikalischer Parameter erfassen zu können. Um besser mit Daten aus mehreren Erdbeobachtungsquellen umgehen zu können, wird das EU-finanzierte Projekt CALCHAS Beobachtungen aus verschiedenen Quellen erfassen, Stichprobenskalen von weltraumgestützten und In-situ-Messungen zusammenfassen und Zeitreihen dynamischer Beobachtungen analysieren. Mathematische Instrumente werden zur Ausweitung der aktuellen Kapazitäten von Datenanalysen eingesetzt werden, die lediglich auf einer einzelnen Quelle beruhen. Das Projekt wird die Zeitreihen von Messungen aktiver und passiver, mikrowellengestützter und multispektraler, im Weltraum positionierter Bildgebungsinstrumente sowie In-situ-Sensormessungen analysieren.
Ziel
Earth Observation (EO) is undergoing a radical transformation due to the massive volume of observations acquired by remote sensing and in-situ sensor networks. While satellites provide coarse-resolution, yet global-scale monitoring of environmental processes, in-situ sensor networks acquire high-accuracy localized measurements. Extracting information from spaceborne and ground based instruments requires innovative solutions which will allow the autonomous integration of diverse in nature and scale observations in order to provide high-quality geophysical parameter estimation. CALCHAS will demonstrate cutting edge technologies targeting three major factors towards the vision of fully automated multi-source EO data understanding, namely (i) the fusion of observations from different sources and modalities, (ii) the efficient aggregation of the sampling scales associated with spaceborne and in-situ measurements, and (iii) the analysis of time-series of dynamic observations. To that end, the paradigm-shifting signal processing and learning framework of Deep Learning will be utilized and extended through powerful mathematical tools and appropriate methodologies like supervised and generative learning, dramatically extending the current scope of single source data analysis. The developed framework will be employed for analyzing time-series of measurements from active and passive microwave and multispectral spaceborne imaging instruments (SMAP, SMOS and Sentinels), and in-situ sensor measurements, targeting the high-accuracy spatial and temporal resolution enhancement for observations and soil moisture estimation. The merits of the developed technology will be demonstrated in two intelligent water management case studies, namely optimized irrigation management and water pipeline leakage detection.
Wissenschaftliches Gebiet
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringsensorssmart sensors
- engineering and technologyenvironmental engineeringremote sensing
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- engineering and technologyenvironmental engineeringnatural resources managementwater management
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF-GF - Global FellowshipsKoordinator
70013 Irakleio
Griechenland