Untitled

Funder

Organizational Unit

Publications

Evolving robust and readable land cover models for improved forest monitoring

Publication . Batista, João E.; Silva, Sara Guilherme Oliveira da

A importância das florestas a nível mundial está bem estabelecida na sociedade, sabendo-se que a desflorestação tem sérias implicações na biodiversidade, nas sociedades rurais dependentes das florestas para comida e sustento, e nas emissões de gases de efeito de estufa que responsáveis pelas alterações climáticas. Mecanismos como o REDD+, desenvolvidos pela UNFCCC, ajudam países em desenvolvimento através de recompensas por evitarem a desflorestação e degradação florestal enquanto promovem a conservação das florestas, desenvolvimento sustentável e melhorias no sequestro de carbono nas florestas. No entanto, para estes mecanismos serem eficazes, é necessário monitorizar florestas de forma eficiente. Este trabalho contribui para os domínios científicos de ciências da computação e de ciências ambientais ao aplicar aprendizagem automática evolutiva neste tópicos, lidando com dois aspetos importantes da monitorização florestal: o mapeamento de tipos de coberto e a deteção de degradação florestal. Este trabalho também contribui para a área de aprendizagem automática através do estudo de métodos para engenharia de atributos que criem modelos robustos e interpretáveis que possam ser lidos, percebidos e corrigidos pelos especialistas das respetivas áreas científicas. Várias aplicações nossas conseguiram aumentar a robustez e transferibilidade de modelos de aprendizagem automática, melhorando o grau de confiança dos modelos de monitorização florestal. Estes modelos podem ser validados estudando se os atributos usados fazem sentido no contexto do problema, e também reduzindo a dimensionalidade dos conjuntos de dados ao ponto de se conseguir visualmente detetar problemas nos dados. Também estudamos a relação entre a complexidade de modelos com a sua interpretabilidade. Interpretabilidade e explicabilidade de modelos têm vindo a tornar-se tópicos populares nos últimos anos. Isto motiva trabalho futuro no uso de aprendizagem automática evolucionaria para forçar a evolução de modelos que sejam mais facilmente interpretáveis através de funções de fitness específicas.

2024-02Doctoral thesis

Open access