Linda Gulbe - jaunā datorzinātņu doktore

Darbu recenzēja profesore Dr.sc.comp. L. Niedrīte (LU), vadošais pētnieks Dr.sc.comp. K. Freivalds (LU MII), zin. padomnieks, Dr.geogr. U. Petersons (Tartu Universitāte, Igaunija).

Par promocijas darbu

Promocijas darbā izstrādāti risinājumi koku vainagu kartēšanai, izmantojot dažādas telpiskās izšķirtspējas tālizpētes datus. Koku vainagu kartēšanas uzdevums ietver gan datu klasifikāciju divās klasēs (koku vainagu nosegums un cits zemes pārseguma tips), gan atsevišķu koku noteikšanu un to kontūru atrašanu.

Koku vainagu nosegums tika kartēts, izmantojot vidējas telpiskās izšķirtspējas multispektrālos satelītattēlus, augstas telpiskās izšķirtspējas ortofotokartes un Lidar datus. Atsevišķi koku vainagi tika noteikti, izmantojot ortofotokartes un Lidar datus.

Risinājumi ietver 3 jaunas metodes: hibrīdās klasifikācijas darbplūsmu koku vainagu noseguma noteikšanai, šablonu ģenerēšanas metodi koku vainagu atdalīšanai un lēmumu balstītu koku vainagu atdalīšanas metodi, kas izmanto dažādu datu avotu kopīgu apstrādi. Papildinājumi izstrādāti arī bieži izmantotajai šablonu salīdzināšanas metodei. Tai pievienota atbilžu filtrācija un iespēja kopīgi apstrādāt dažādu sensoru iegūtus attēlus. Ņemot vērā dziļās apmācības popularitāti objektu atpazīšanas uzdevumu realizācijā, veikts arī konvolūcijas neironu tīklu U-Net un Mask R-CNN pielietojuma novērtējums Latvijas mežu kartēšanai.

Papildu metožu izstrādei, tika veiktas arī gadījumu izpētes, lai noskaidrotu atbildes uz pētījuma jautājumiem par metožu parametru efektīvu iestatīšanu un metožu rezultātu interpretāciju un izskaidrošanu. Satelītattēlu gadījumā tika pētīta atmosfēras un apgaismojuma, kā arī meža inventarizācijas parametru ietekme uz klasifikācijas rezultātiem.

Izstrādāto metožu rezultāti tika salīdzināti ar citu literatūrā bieži pieminētu metožu rezultātiem, izmantojot neatkarīgas testa datu kopas.

Koku vainagu noseguma kartēšanas augstākā kopējā precizitāte 94.2% tika sasniegta, izmantojot hibrīdo klasifikāciju un 92.8%, izmantojot sliekšņošanas darbplūsmu. kNN, lēmuma balstītās metodes TCID un U-Net rezultātiem precizitāte bija zemāka.

Augstākā koku vainagu identifikācijas precizitāte bija 63.3% (šablonu salīdzināšanas metode ar pielāgotām parametru vērtībām) un no 277 koku vainagiem 189 bija novērojama vairāk kā 60% atbilstība palīgdatiem(lēmumu balstītā koku vainagu atdalīšanas metode).