Prestaties van geofruimtelijke AI-modellen bij wisseling van regio
Onderzoekers hebben gekeken naar de betrouwbaarheid van een specifiek geofruimtelijke fundatiequetestmodel voor gewasclassificatie. Uit de evaluatie blijkt dat de prestaties afnemen wanneer het model wordt toegepast buiten de bekende trainingsgebieden.
Wetenschappers hebben onderzocht hoe goed een bekend geofruimtelijk fundatiemodel, getraind op grote satellietarchieven, presteert bij het in kaart brengen van gewassen in andere regio's en continenten. Uit de analyses bleek dat de nauwkeurigheid van het model terugloopt wanneer het wordt ingezet in omgevingen die afwijken van de oorspronkelijke trainingsdata.
Betrouwbaarheid van satellietdata
Geofruimtelijke modellen worden steeds vaker ingezet om landbouwgebieden en oogsten te analyseren op basis van satellietbeelden. Dit type kunstmatige intelligentie helpt bij het interpreteren van grote hoeveelheden aardobservatiedata. Het is echter een bekende uitdaging in het veld dat modellen moeite kunnen hebben met geografische en seizoensgebonden verschuivingen, wat de operationele inzetbaarheid in nieuwe gebieden beperkt.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel