机构名称：
¥ 1.0
机器学习应用于地球观察（EO）数据，以得出用于表征，理解和保护自然资源的数据集，从而促进了国际协定的进步。但是，派生的数据集包含固有的不确定性，需要可靠地量化以避免向下流后果。应对报告不确定性的需求的增加，我们将注意力集中在EO领域内的共形预测的希望。共形预测是一种不确定性定量（UQ）方法，该方法具有统计有效和信息性的预测区域，同时同时是计算高效，模型无关的，无分布的，并且可以在不需要访问下面的模型和训练数据集的情况下以HOC的方式应用。我们评估了EO-MAIG中不确定性定量的当前状态，发现只有21％的审查数据集融合了一定程度的不确定性信息，并且不可靠的方法普遍存在。接下来，我们介绍了Google Earth Engine本地模块，这些模块可以集成到现有的预测建模工作流中，并通过将它们应用于跨越大陆的数据集中到全球尺度，回归和分类任务，以传统学习和深度学习工作来证明这些工具的多功能性，效率和可扩展性。我们预计，易于使用的保形预测因子（例如这里提供的预测）的可用性会增加
概率的不确定性定量
主要关键词
相关文件推荐
