Disputas og prøveforelesning er i Auditorium 1 i Geologibygningen. I noen tilfeller vil prøveforelesning og disputas være mulig å delta på digitalt, i så fall blir det lagt ut en lenke til Zoom.
Prøveforelesning
Onsdag 17 desember, 10:15-11:00, Aud 1, Geologibygningen:
Quantification of spatiotemporally noisy environmental variables in situ considering both theoretical and practical perspectives
Kreeringssammendrag
Droner kan måle klimagasser i luften, og kan være nyttige for forskning på og overvåkning av metanutslipp fra ulike kilder. Avhandlingen til Alouette van Hove viser at droner kan måle metanutslipp mer presist ved hjelp av probabilistisk inferens, noe som ble testet i felt med husdyrflokker i Kenya. I simulerte eksperimenter ble dronene lært opp av kunstig intelligens til å velge flyruter som gir mest informasjon, og dermed forbedre utslippsestimatene. Studien viser at slike adaptive strategier for datainnsamling med droner kan gi mer nøyaktige og effektive målinger enn både forhåndsplanlagte og kortsiktige ruter.
Hovedfunn
Populærvitenskapelig artikkel om van Hoves avhandling:
Navigating emission plumes: Inferring sources from drone observations via intelligent path planning
Droner kan foreta målrettede flyvninger og innsamling av data om klimagasser, og kan gi gode estimater om klimagassutslipp fra ulike kilder. I denne avhandlingen presenteres et modulært rammeverk som integrerer probabilistisk inferens og adaptiv dronebasert prøvetaking for å forbedre kvantifiseringen av klimagassutslipp, med en særlig fokus på klimagassen metan. Ved å kombinere Bayesiansk inversjon med forsterkende læring for dronenes flymønster muliggjør denne tilnærmingen robuste informasjonsrike data og dermed en god estimering av utslippsrater og kildeplasseringer basert på «støyende» atmosfæriske observasjoner.
Rammeverket for operering av droner innen overvåkning som van Hove har utviklet er validert gjennom både feltkampanjer i virkelige omgivelser—som overvåking av metanutslipp fra drøvtyggende husdyrflokker i Kenya—og syntetiske eksperimenter. Resultatene viser at Bayesianske metoder overgår de tradisjonelle massebalanseteknikkene ved estimerer utslipp, spesielt for svake utslippskilder (~100 g CH4 h-1) og under turbulente atmosfæriske forhold.
I tillegg viser studien at agenter basert på forsterkende læring optimaliserer droneflyvninger for maksimal informasjonsutbytte ved datainnsamling, og overgår konsekvent forhåndsplanlagte og kortsiktige strategier når det gjelder nøyaktighet i kildeestimering. Disse fremskrittene legger grunnlaget for operative overvåkingssystemer for utslipp som kan støtte klimapolitikk, regulatorisk etterlevelse, overvåking av jordens systemer og åpne for målrettet strategier for utslippsreduksjon.
Foto og annen informasjon:
Pressefoto: Alouette van Hove, portrett; 1500px. Foto: Vibeke Lind/NIBIO
