Artificial intelligence and machine learning have grown in popularity in recent decades as a result of advances in high-performance computing and open-source software. At the core, machine learning provides a statistical inference based on the inputs provided by the user, in which algorithms learn relationships between input data and output results. The complexity of these algorithms allows for the discovery of patterns and trends invisible to the human analyst, making it important to create analysis-appropriate input for these models to ensure that they answer the questions we are asking. This training will provide attendees an overview of machine learning in regards to Earth Science, and how to apply these algorithms and techniques to remote sensing data in a meaningful way. Attendees will also be provided with end-to-end case study examples for generating a simple random forest model for land cover classification from optical remote sensing. We will also present additional case studies to apply the presented workflows using additional NASA data.
Relevant UN Sustainable Development Goals:
- Goal 2: End hunger, achieve food security and improved nutrition and promote sustainable agriculture
- Goal 13: Take urgent action to combat climate change and its impacts
- Goal 14: Conserve and sustainably use the oceans, seas and marine resources for sustainable development
- Goal 15: Protect, restore and promote sustainable use of terrestrial ecosystems, sustainably manage forests, combat desertification, and halt and reverse land degradation and halt biodiversity loss
Course Dates: April 20, 27, and May 4, 2023
Times and Registration Information:
English Session: 10:00-11:30 EDT (UTC-4): https://go.nasa.gov/3ENDODH
Spanish Session: 14:00-15:30 EDT (UTC-4): https://go.nasa.gov/3J5GCyx
Learning Objectives: By the end of this training attendees will be able to:
- Recognize the most common machine learning methods used for processing Earth Science data
- Describe the benefits and limitations of machine learning for Earth Science analysis
- Explain how to apply basic machine learning algorithms and techniques in a meaningful manner to remote sensing data
- Use an analysis-appropriate training dataset to evaluate conditions and solutions for a given case study
- Complete basic procedures to interpret, refine and evaluate the accuracy of the results of machine learning analysis
Audience: Research and applied scientists interested in learning how to apply basic machine learning techniques to Earth science data (e.g., satellite data such as MODIS, Landsat, Sentinel-2, etc.)
Course Format: Three, 1.5-hour parts
Retweet option (English): https://twitter.com/NASAARSET/status/1631685875917631488
Fundamentos del Aprendizaje Automático para las Ciencias de la Tierra
La inteligencia artificial y el aprendizaje automático se han vuelto más populares en las últimas décadas como resultado de los avances en la computación de alto rendimiento y el software de fuente abierta. En el sentido más básico, el aprendizaje automático produce una inferencia basada en las entradas proporcionadas por el usuario, en la que los algoritmos aprenden las relaciones entre los datos de insumo y los resultados de salida. La complejidad de estos algoritmos permite descubrir patrones y tendencias invisibles para el analista humano y por lo tanto es importante crear entradas adecuadas para el análisis para estos modelos y así estar seguros de estar respondiendo las preguntas que nos interesan. Esta capacitación presentará una visión general del aprendizaje automático orientado hacia las Ciencias de la Tierra y también, cómo aplicar estos algoritmos y técnicas de manera significativa a datos de teledetección. A los participantes también se les proporcionará ejemplos de estudios de caso de principio a fin para generar un modelo “random forest” para la clasificación de la cobertura terrestre a partir de la teledetección óptica. Además presentaremos estudios de caso adicionales para aplicar los flujos de trabajo presentados usando datos adicionales de la NASA.
Objetivos de Desarrollo Sostenible de la ONU Relevantes:
- Objetivo 2: Poner fin al hambre, lograr la seguridad alimentaria y la mejora de la nutrición y promover la agricultura sostenible
- Objetivo 13: Tomar acciones urgentes para combatir el cambio climático y sus impactos
- Objetivo 14: Conservar y utilizar de manera sostenible los océanos, mares y recursos marinos para el desarrollo sostenible
- Objetivo 15: Proteger, restaurar y promover el uso sostenible de ecosistemas terrestres, gestionar bosques de manera sostenible, combatir la desertificación y detener y revertir la degradación de tierras y detener la pérdida de diversidad biológica
Fechas: El 20, 27 de abril y 04 mayo de 2023
Inscripciones:
español: 14h a 15h30 Horario Este de EE.UU (UTC-4): https://go.nasa.gov/3J5GCyx
inglés: 10h a 11h30 Horario Este de EE.UU. (UTC-4): https://go.nasa.gov/3ENDODH
Objetivos de Aprendizaje: Al final de esta capacitación, las/los participantes podrán:
- Reconocer los métodos de aprendizaje automático más comunes utilizados para procesar datos de teledetección relacionados a las ciencias terrestres.
- Describir los beneficios y limitaciones del aprendizaje automático para el análisis de datos de teledetección relacionados a las ciencias terrestres.
- Explicar cómo aplicar técnicas y algoritmos básicos de aprendizaje automático de manera significativa a datos de teledetección.
- Usar datos de teledetección apropiados para un análisis donde se evaluarán las condiciones y soluciones de un estudio de caso determinado.
- Realizar procedimientos básicos para interpretar, refinar y evaluar la precisión de los resultados del análisis con aprendizaje automático.
Audiencia Meta: Investigadores y científicos aplicados interesados en aprender los fundamentos de cómo aplicar técnicas básicas de aprendizaje automático a datos de ciencias de la Tierra (p.ej. datos de satélites como MODIS, Landsat, Sentinel-2 etc.).
Formato del Curso: Tres sesiones de una hora y media
Retweet option (Spanish): https://twitter.com/NASAARSET/status/1631685871622828032