| dc.description.abstract | Hyperspektral data gjør det mulig å overvåke jordens tilstand, og åpner dermed for bruksområder innen maskinlæringsmodeller. Likevel kan usikkerhet i data og modeller føre til feilaktige konklusjoner og fatale konsekvenser dersom de ikke blir fullstendig gjort rede for. Dermed er det avgjørende at studier kan vise til analyser av usikkerhet når resultater presenteres.
Denne oppgaven analyserer usikkerheter som påvirker hyperspektral data innen skogforvaltning, med fokus på Support Vector Machines (SVM) og Convolutional Neural Networks (CNN). Usikkerheter kan oppstå fra data, parametere, og modellstrukturen, og sammen få store konsekvenser. I denne analysen etterforskes hver kilde til usikkerhet separat for å forstå faktorene som forårsaker feilklassifiseringer i modeller.
Etterforskning av NIBIOs grunnsannhet og PRISMA’s hyperspektrale data avslørte usikkerhet i dataen. En sammenligning av SVM og CNN viste at støy påvirker modellene likt i de fleste tilfeller. Samtidig resulterte introduksjonen av forvrengninger og uklarheter i en merkbar nedgang i prediksjonsnøyaktighet. Dette var spesielt merkverdig for smile, der prediksjonsnøyaktigheten for CNN ble degradert 76% innen en pixel forvrengning. Resultatene viste også at støy, forvrengninger og uklarhet påvirket CNN-modellene mer enn SVM-modellene.
I tillegg avslørte konvergens av modeller på tvers av batcher at SVM-modellen er mer pålitelig, til tross for at CNN-modellen har høyere prediksjonsnøyaktighet. Studien avslørte også at større datasett ikke nødvendigvis forbedrer prediksjonsnøyaktigheten.
Disse funnene understreker behovet for å forstå og kvantifisere usikkerheter innebygd i hyperspektral data, samt deres innvirkning på prediksjoner fra SVM- og CNN-modeller. De understreker også nødvendigheten av å analysere usikkerheten for alle deler og stadier av modeller for å kunne utvikle pålitelige og robuste modeller. | |
| dc.description.abstract | Hyperspectral Imager (HSI) offer abundant data relevant to assessing Earth’s surface condition, affirming their widespread application across diverse models. However, model-based uncertainties can lead to erroneous conclusions with significant real-world implications if not correctly quantified and addressed. Consequently, our conclusions must be buttressed by rigorous evidence to ensure their utility and reproducibility.
This thesis scrutinizes uncertainties affecting HSI data, specifically focusing on Support Vector Machines (SVM) and Convolutional Neural Network (CNN) within forest management. It investigates uncertainties arising from data, parameters, and model structure, subsequently enhancing our comprehension of factors causing misclassification errors.
The investigation of NIBIO’s ground truth and PRISMA’s HSI revealed data uncertainty and variations in the geographical distribution. The introduction of artifacts resulted in noticeable performance degradation, with smile distortion significantly degrading prediction accuracy, leading the classifiers to misclassify pixels in the spatial edges. When utilizing the One Dimensional (1D) CNN, smile distortions led to a degradation in tree species accuracy of at least 76%, within the first pixel of distortion.
The study revealed that augmenting the number of training images does not uniformly enhance prediction accuracy. Additionally, model convergence across batches revealed that the SVM model might offer greater reliability, despite the CNN exhibiting higher prediction accuracy. Intriguingly, the CNN was observed to be more sensitive to artifacts, displaying a significantly higher level of degradation under all distortions than the SVM. At the same time, the Deciduous class was shown to be more robust towards noise than Spruce and Pine.
The findings of this study underscore the presence of considerable model uncertainty and its impact on SVM and CNN models. They illuminate the path toward refining model performance strategies and contribute to developing reliable decision-making processes in HSI-based applications, ultimately ensuring the robust application of these models in real-world scenarios. | |
