Mira Kenzhebay disputerer
Mira Kenzhebay disputerer for ph.d.-graden ved Høgskulen på Vestlandet med avhandlingen «Multi-Source Earth Observation and Machine Learning for Infrastructure Monitoring».
Moderne samfunn er avhengige av infrastruktursystemer som omfatter kritiske anlegg som kraftnett, transportnettverk, forsyningslinjer, urbane systemer og industrianlegg. Disse systemene står overfor økende belastninger fra klimarelaterte farer, aldrende fysiske anlegg, rask byutvikling og miljørisiko knyttet til industrielle utslipp. Effektiv overvåking krever derfor tidsriktig og romlig detaljert informasjon på en skala som tradisjonelle inspeksjonsmetoder ikke kan levere på en konsekvent eller kostnadseffektiv måte.
Satellittbasert jordobservasjon tilbyr et skalerbart supplement til feltundersøkelser gjennom gjentatt dekning av store områder og et økende utvalg av sensormodaliteter. Å omsette disse rike dataene til operasjonelt nyttig informasjon krever imidlertid metoder som kan kombinere ulike datakilder og forbli pålitelige under variasjoner som kjennetegner reelle opptak.
Maskinlæring for satellittbasert overvåking
Denne avhandlingen utvikler og evaluerer maskinlæringsbaserte rammeverk for satellittbasert overvåking av infrastruktursystemer og tilhørende miljørisiko på tvers av tre oppgaver: estimering av trehøyde for analyse av vegetasjonsinntrenging, deteksjon av endringer i urban infrastruktur og deteksjon av metanplumer.
De to første studiene undersøker multimodal fusjon av optiske multispektrale data og syntetisk aperturradar (SAR), med fokus på å hente ut romlig detaljert informasjon fra komplementære, men heterogene kilder. Den tredje studien tar for seg metandeteksjon fra hyperspektrale bilder gjennom en sensoragnostisk hybrid tilnærming som kombinerer fysisk basert uthenting og maskinlæring, og som er utformet for å forbedre overførbarheten på tvers av rombaserte instrumenter.
På tvers av disse oppgavene undersøker avhandlingen hvordan dype læringsarkitekturer kan tilpasses fjernmålingsproblemer der inngangsmodalitetene skiller seg betydelig fra hverandre i sine fysiske egenskaper. Den undersøker verdien av modalitetsspesifikk egenskapsbehandling før fusjon, potensialet til effektive sekvensmodeller som Mamba for optisk--SAR-basert endringsdeteksjon, og betydningen av arkitektur- og etterbehandlingsdesign for å forbedre påliteligheten til metandeteksjon på scenenivå.
Resultatene viser at operasjonell ytelse ikke bare avhenger av pikselnivå-nøyaktighet, men også av romlig overførbarhet, generalisering på tvers av sensorer og produksjon av brukbare deteksjoner under realistiske driftsforhold. Ved å adressere vegetasjonsfarer, urbane strukturelle endringer og metanutslipp innenfor et felles metodisk rammeverk viser avhandlingen hvordan moderne maskinlæring kan støtte infrastrukturovervåkingssystemer som er romlig detaljerte, skalerbare og robuste med hensyn til variasjoner i reelle satellittopptak.
Personalia
Mira Kenzhebay jobber som Earth Observation Data Scientist ved DNV og er ph.d.-kandidat i forskningsgruppen CI2Lab ved Høgskulen på Vestlandet. Hun er tilknyttet Institutt for datateknologi, elektroteknologi og realfag ved Fakultet for teknologi, miljø- og samfunnsvitskap. Doktorgradsarbeidet hennes fokuserer på kunstig intelligens og analyse av satellittdata fra flere kilder for overvåking av infrastruktur, og er gjennomført i samarbeid med StormGeo gjennom GridEyeS-prosjektet og med DNV. Hun har en mastergrad i geoinformasjonsvitenskap og jordobservasjon, med spesialisering i geoinformatikk, fra University of Twente og en videreutdanning på masternivå i dataanalyse fra University of Liverpool. Hennes yrkeserfaring er særlig knyttet til bruk av geodata og avanserte analysemetoder som grunnlag for informerte beslutninger innen overvåking av infrastruktur og vurdering av miljørisiko.
Prøveforelesning
Prøveforelesningen finner sted 3. november 2026 kl 10.15 på Høgskulen på Vestlandet, rom M005, K2 campus Bergen
Tema for prøveforelesning:
«Sequence and Image Modeling in Deep Learning: A Comparative Analysis of Convolutional Neural Networks, Transformers, and State-Space Models»
Disputas
Disputasen finner sted 3. november 2026 kl 13.15 på Høgskulen på Vestlandet, rom M005, K2 campus Bergen
Tittel på avhandling:
«Multi-Source Earth Observation and Machine Learning for Infrastructure Monitoring»
Strømming
https://hvl.zoom.us/j/69466221911?pwd=LqUism8XP3ZnPkYL6UkugV2GVmh2m9.1
Passcode: 922497
Bedømmelseskomite
Komiteleder:
Førsteamanuensis Trygve Buanes, Høgskulen på Vestlandet
Opponenter:
Professor Francesco Pirotti, University of Padova, Italia
professor Kerstin Bach, NTNU
