8. septembril kell 14.15 kaitseb Marta Jemeljanova geograafia erialal doktoritööd „Spatial machine learning approaches for environmental prediction“ („Ruumilise masinõppe meetodid keskkonnanähtuste geograafilises modelleerimises“).
Juhendajad:
professor Evelyn Uuemaa, Tartu Ülikool
kaasprofessor Alexander Kmoch, Tartu Ülikool
Oponent:
professor Alexander Brenning, Jena Friedrich Schilleri Ülikool, Saksamaa
Kokkuvõte
Masinõpet kasutatakse üha enam keskkonnanähtuste geograafiliseks modelleerimiseks olukordades kus otseseid mõõtmisi on vähe. Samas seisneb probleem selles, et masinõppe mudelid eeldavad tavaliselt andmepunktide sõltumatust, kuid keskkonnaandmed on ruumiliselt seotud – lähestikku asuvad kohad on sageli sarnased. See võib muuta mudelite tulemused liialt optimistlikuks või eksitavaks, eriti juhul, kui neid kasutatakse keskkonnaalaste otsuste tegemisel või planeerimisel. Käesolev doktoritöö uurib, kuidas masinõpet saab paremini kohandada ruumiandmetele ning täpsemalt keskendutakse veekvaliteedi seirele. Töös käsitletakse meetodeid, mis arvestavad asjaoluga, et lähestikku asuvad kohad on sageli sarnased, ning analüüsitakse laiemalt masinõppe rakendamise väljakutseid keskkonnaprobleemide lahendamisel. Tulemused näitavad, et kõigile olukordadele sobivat ühtset lahendust ei ole. Masinõppe mudelite loomisel tuleb arvestada mõõtmiste ruumilise jaotusega ning kui hästi need mõõtmised tegelikult modelleeritavat nähtust esindavad. Usaldusväärsete tulemuste saamiseks on oluline mitte lähtuda ainult ühest mudeli täpsusmõõdikust, vaid hinnata ka modelleeritud tulemuse ruumilist mustrit. Masinõppel on suur potentsiaal keskkonnanähtuste, näiteks veekvaliteedi, üleujutuste või mulla omaduste prognoosimisel ruumiandmete põhjal. Kuid selleks, et tulemused oleksid usaldusväärsed, peavad mudelid suutma kirjeldada tegelikke seoseid keskkonnas, mitte ainult andmetes esinevaid juhuslikke mustreid.
