AI Empowers · Milieu
Luchtkwaliteit voorspellen uit satellietbeelden
Loont deep learning op satellietbeelden om CO₂, O₃ en NOₓ te voorspellen? We hebben het getest.
- Milieu
- Computer vision
- Voorspellende analyses
Het probleem
Het agentschap wilde de niveaus van CO₂, O₃ en NOₓ voorspellen en vroeg zich af of deep learning op satellietbeelden de kost waard was.
De oplossing
We vergeleken een CNN op satellietbeelden met klassieke machine learning op metadata plus heuristieken, bijgehouden in MLflow op Databricks. Axel gaf ook een Databricks-opleiding van vijf dagen.
Het resultaat
Klassieke ML haalde dezelfde nauwkeurigheid als de CNN, voor een fractie van de kost. Het juiste model is niet altijd het grootste.
Het hele verhaal
Twee aanpakken
Een CNN, gebouwd met Keras, leerde uit satellietbeelden. Een klassiek model gebruikte gestructureerde metadata, zoals sensormetingen, weer en geografie, aangevuld met domeinkennis.
Wat we vonden
Het metadatamodel deed het ongeveer even goed. De CNN pikte ruimtelijke patronen op en won een klein beetje, maar had veel meer data, rekenkracht en trainingstijd nodig, en is moeilijker uit te leggen.
Naar productie
Experimenten, tuning en de vergelijking van modellen liepen in MLflow op Databricks. Het beste model draait op Azure Machine Learning.
De les
Voor je voor deep learning kiest: weeg af hoe klaar je data is, wat het kost tegenover wat het oplevert, en of je resultaten moet kunnen uitleggen aan regelgevers. Klassieke machine learning met sterke domeinkennis volstaat vaak.
Technologie
Vraag het Pai
Vraag Pai naar deze case
Pai is een AI. Hij weet alleen wat op deze pagina staat.
Pai is een AI. De antwoorden komen van deze casepagina. Deel geen gevoelige gegevens.
Chats worden 30 dagen bewaard, tenzij je dat uitschakelt in Privacy en keuzes.