Μοντελοποίηση ιδιοτήτων εδαφών από υπερφασματικές υπογραφές με χρήση τεχνικών υπολογιστικής νοημοσύνης

Abstract

This doctoral dissertation focuses on the estimation of the physicochemical properties of soil samples through their diffuse reflectance spectrum in the visible--infrared electromagnetic spectrum captured in the laboratory. The overarching objective entails the development of novel methodologies which fall under the general framework of explainable artificial intelligence, in order to involve an interpretability aspect. These interpretation capabilities that the models possess enable researchers and end-users to understand, appropriately trust, and manage them, because it allows the models to explain their inference process, to identify their merits and weaknesses, and to demonstrate how they would respond in the future or in new input data, thus safeguarding their transferability. To this end, the dissertation focuses on the development of methodologies which belong to the computational intelligence domain. More concretely, initially a family of evolutionary fuzzy systems is proposed. One of their unique characteristic is the high interpretability degree, given that they employ simple yet understandable models, which are made up from rules that resemble the human deductive reasoning process. Every member of this family of systems showcases concrete advantages over the other evolutionary fuzzy systems that have been proposed in the literature, and it is capable of tackling problems of large dimensionality in the input space as well achieving the necessary balance between the accuracy of prediction and the structural complexity of the developed rule bases. Following that, several machine learning techniques and a deep learning model are proposed which are designed having as a goal the achievement of enhanced accuracy of prediction, but also at the same time integrating interpretability capacities which assist in providing understandable results and explaining the models' reasoning process. Within the frame of the above, the combined use of different spectral pre-processing techniques is proposed, which aims to make use of the complementary information contained within the different spectral sources that originate from them. The proposed techniques are applied in large soil spectral libraries that have been developed in the past years.

Η παρούσα διατριβή πραγματεύεται το πρόβλημα της μοντελοποίησης των φυσικοχημικών ιδιοτήτων ενός εδαφικού δείγματος μέσω της φασματικής υπογραφής διάχυτης ανάκλασης του στο ορατό--υπέρυθρο ηλεκτρομαγνητικό φάσμα που λαμβάνεται στο εργαστήριο. Κύριος στόχος της αποτελεί την ανάπτυξη καινοτόμων μεθοδολογιών που εντάσσονται στο ευρύτερο πλαίσιο της ερμηνεύσιμης τεχνητής νοημοσύνης, ούτως ώστε τα μοντέλα να χαρακτηρίζονται από σημαντικό βαθμό ερμηνευσιμότητας. Το χαρακτηριστικό τους αυτό επιτρέπει τους ερευνητές και τους χρήστες να τα κατανοήσουν, να τα εμπιστευτούν καταλλήλως, αλλά και να τα διαχειριστούν, διότι επιτρέπει στα μοντέλα να εξηγήσουν τη διαδικασία συμπερασμού τους, να χαρακτηρίσουν τα δυνατά και αδύνατα σημεία τους, και να καταδείξουν πώς θα συμπεριφέρονται στο μέλλον ή σε νέα δεδομένα, διασφαλίζοντας τη μεταφερσιμότητά τους. Για τον σκοπό αυτό προτείνονται μεθοδολογίες που εντάσσονται στο γνωστικό αντικείμενο της υπολογιστικής νοημοσύνης. Συγκεκριμένα, αρχικώς προτείνεται μία οικογένεια αλγορίθμων για την ανάπτυξη εξελικτικών ασαφών συστημάτων. Ιδιαίτερο χαρακτηριστικό αυτών των συστημάτων είναι ο μεγάλος βαθμός ερμηνευσιμότητας τους, καθώς δημιουργούν απλά και εύληπτα μοντέλα βασισμένα σε κανόνες που προσιδιάζουν στις απλές συμπερασματικές προτάσεις του ανθρώπινου νου. Κάθε μέλος αυτής της οικογένειας εμφανίζει συγκριτικά πλεονεκτήματα σε σχέση με άλλα εξελικτικά ασαφή συστήματα που έχουν προταθεί στη βιβλιογραφία, και είναι σε θέση να αντιμετωπίζει προβλήματα μεγάλης διαστατικότητας του χώρου εισόδου επιτυγχάνοντας την επιθυμητή ισορροπία μεταξύ της ορθότητας των προβλέψεων και της δομικής πολυπλοκότητας των παραγόμενων βάσεων κανόνων. Κατόπιν, παρουσιάζονται τεχνικές μηχανικής μάθησης και μία τεχνική βαθιάς μάθησης που σχεδιάζονται έχοντας ως στόχο την επίτευξη μικρότερων σφαλμάτων πρόβλεψης αλλά και ταυτοχρόνως την εισαγωγή δομικών στοιχείων που επιτρέπουν την ερμηνεία των αποτελεσμάτων και των διαδικασιών συμπερασμού των μοντέλων. Στο πλαίσιο των ανωτέρω μεθοδολογιών, προτείνεται και η συνδυαστική χρήση διαφορετικών τεχνικών προ-επεξεργασίας φάσματος με γνώμονα την αξιοποίηση της συμπληρωματικής πληροφορίας που προκύπτει από τη χρήση αυτών. Οι προτεινόμενες διαδικασίες εφαρμόζονται σε μεγάλες φασματικές βιβλιοθήκες εδαφών που έχουν αναπτυχθεί τα τελευταία χρόνια.