UNSUPERVISED LEARNING FOR ANOMALY DETECTION IN REMOTE SENSING IMAGERY
Notice bibliographique
Résumé
Landfill fire is a potential hazard of waste mismanagement, and could occur both on and below the surface of active and closed sites. Timely identification of temperature anomalies is critical in monitoring and detecting landfill fires, to issue warnings that can help extinguish fires at early stages. The overarching objective of this research is to demonstrate the applicability and advantages of remote sensing data, coupled with machine learning techniques, to identify landfill thermal states that can lead to fire, in the absence of onsite observations. This dissertation proposed unsupervised learning techniques, notably variational auto-encoders (VAEs), to identify temperature anomalies from aerial landfill imagery. Twenty years of Landsat satellite observations at a number of landfills were examined for hotspots that may be associated with or leading to subsurface fires. The main contribution of this dissertation is to detect temperature anomalies in landfills using the state-of-the-art unsupervised deep learning technique of VAE based on both model reconstruction error and encoder module feature extraction. Additionally, a simple framework for assessing the health state of the landfill at any given time was established by using the clustering findings to generate a past behavior for each location in the landfill and eventually assigning it to one of four risk categories (No Risk, Low Risk, Moderate Risk, and High Risk). This framework can function as a monitoring system, inferring information such as past landfill temperature profiles, predicting possible heat elevation or smoldering events as new observations are added, and identifying the percentage of each of the four risk categories and how they increase or decrease over the lifetime of the landfill.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».