elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Model and Data Uncertainty for Satellite Time Series Forecasting with Deep Recurrent Models

Rußwurm, Marc und Ali, Syed Mohsin und Zhu, Xiaoxiang und Gal, Yarin und Körner, Marco (2020) Model and Data Uncertainty for Satellite Time Series Forecasting with Deep Recurrent Models. In: 2020 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2020, Seiten 1-4. IGARSS 2020, 2020-09-26 - 2020-10-02, Virtual Symposium. doi: 10.1109/igarss39084.2020.9323890. ISBN 978-172816374-1. ISSN 2153-6996.

[img] PDF
604kB

Kurzfassung

Deep Learning is often criticized as black-box method which often provides accurate predictions, but limited explanation of the underlying processes and no indication when to not trust those predictions. Equipping existing deep learning models with an (approximate) notion of uncertainty can help mitigate both these issues therefore their use should be known more broadly in the community. The Bayesian deep learning community has developed model-agnostic and easy to-implement methodology to estimate both data and model uncertainty within deep learning models which is hardly applied in the remote sensing community. In this work, we adopt this methodology for deep recurrent satellite time series forecasting, and test its assumptions on data and model uncertainty. We demonstrate its effectiveness on two applications on climate change, and event change detection and outline limitations.

elib-URL des Eintrags:https://elib.dlr.de/139306/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Model and Data Uncertainty for Satellite Time Series Forecasting with Deep Recurrent Models
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Rußwurm, Marcmarc.russwurm (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Ali, Syed MohsinSyed.Ali (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiaoxiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Gal, Yarinyarin.gal (at) cs.ox.ac.ukNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Körner, Marcomarco.koerner (at) tum.dehttps://orcid.org/0000-0002-9186-4175NICHT SPEZIFIZIERT
Datum:29 September 2020
Erschienen in:2020 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2020
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1109/igarss39084.2020.9323890
Seitenbereich:Seiten 1-4
ISSN:2153-6996
ISBN:978-172816374-1
Status:veröffentlicht
Stichwörter:Remote Sensing, Deep Learning, Uncertainties, Time Series, Bayesian Neural Networks
Veranstaltungstitel:IGARSS 2020
Veranstaltungsort:Virtual Symposium
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:26 September 2020
Veranstaltungsende:2 Oktober 2020
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Ali, Syed Mohsin
Hinterlegt am:10 Dez 2020 12:14
Letzte Änderung:24 Apr 2024 20:40

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.