Computational Intelligence for Multi-Source Remote Sensing Data Analytics

Opis projektu

Wykorzystanie technologii głębokiego uczenia maszynowego na potrzeby obserwacji Ziemi w celu uzyskiwania lepszych danych

Obserwacje Ziemi ulegają znaczącym zmianom ze względu na dużą liczbę obserwacji dokonywanych za pomocą teledetekcji oraz sieci czujników in situ, które dostarczają bardzo precyzyjnych pomiarów lokalnych. Aby móc pozyskiwać dane z przyrządów kosmicznych i naziemnych do szacowania parametrów geofizycznych, potrzebne są nowatorskie rozwiązania. W celu lepszego zrozumienia danych z obserwacji Ziemi pochodzących z wielu źródeł zespół finansowanego ze środków UE projektu CALCHAS zgromadzi dane z obserwacji z różnych źródeł, połączy skale próbkowania powiązane z pomiarami kosmicznymi i in-situ oraz przeanalizuje szeregi czasowe obserwacji dynamicznych. W celu rozszerzenia obecnych możliwości analizy danych pochodzących z jednego źródła wykorzystane zostaną narzędzia matematyczne. Zespół projektu dokona analizy serii czasowych pomiarów z aktywnych i pasywnych przyrządów mikrofalowych oraz wielospektralnych kosmicznych przyrządów do obrazowania oraz pomiarów czujników in-situ.

Cel

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.

Dziedzina nauki

Program(-y)

Temat(-y)

MSCA-IF-2018 - Individual Fellowships

Zaproszenie do składania wniosków

H2020-MSCA-IF-2018

Zobacz inne projekty w ramach tego zaproszenia

System finansowania

MSCA-IF-GF - Global Fellowships

Koordynator

IDRYMA TECHNOLOGIAS KAI EREVNAS

Wkład UE netto

€ 215 492,16

Adres

N PLASTIRA STR 100
70013 Irakleio
Grecja

Region

Νησιά Αιγαίου Κρήτη Ηράκλειο

Rodzaj działalności

Research Organisations

Linki

Kontakt z organizacją Strona internetowa

Uczestnictwo w unijnych programach w zakresie badań i innowacji

sieć współpracy HORIZON

Koszt całkowity

€ 215 492,16

Partnerzy (1)

Partner

UNIVERSITY OF SOUTHERN CALIFORNIA

Stany Zjednoczone