Bidragsydere: AAU, AU og I•GIS

I denne arbejdspakke udnytter vi banebrydende Deep Neural Networks i kombination med multi-source, multi-modal data for at udvide mulighederne ud over mere konventionelle maskinlæringsteknikker. I øjeblikket udvikler og forfiner vi state-of-the-art-tilgange med udgangspunkt i idéer fra Transformers, Graph Neural Networks og Probabilistic Neural Networks. Forventningen er, at de prædiktive kort, der genereres ved hjælp af disse metoder, vil være i stand til at udkonkurrere kort lavet ved hjælp af mere klassiske neurale netværk og etablerede jordbundskortlægningsmetoder. Da vores prædiktive kort vil informere kritiske beslutningsprocesser, betragtes usikkerhed og forklarbarhed som høj prioritet. Af denne grund sammenligner vi en håndfuld forskellige metoder til kvantificering af estimatusikkerhed og modelforklaringer.

På grund af forskelle i datatilgængelighed på national og lokal skala arbejder vi i øjeblikket med variationer i Deep Learning-metoden mellem lokale og nationale modeller. I den sidste del af projektperioden vil vi forsøge at harmonisere de lokale og nationale tilgange med det formål at integrere de mest effektive Deep Learning-metoder på tværs af skalaer. Resultatet bør være en samlet ramme for jordmodellering, der indkapsler både de lokale detaljer såvel som de nationale tendenser uden at ofre forudsigelsesnøjagtighed, usikkerhedskvantificering eller modelforklarbarhed.

Ansvarlig for arbejdspakken er Mark Philip Philipsen ved AAU.