Login
- Original title:
- Trustworthiness of Deep Learning for Earth Observation: Uncertainty Quantification and Distribution Shifts
- Translated title:
- Vertrauenswürdigkeit von Deep Learning in der Erdbeobachtung: Unsicherheitsquantifizierung und Verteilungsverschiebungen
- Author:
- Gawlikowski, Jakob Joachim
- Year:
- 2026
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Engineering and Design
- Institution:
- Data Science in Earth Observation (Prof. Zhu)
- Advisor:
- Zhu, Xiao Xiang (Prof. Dr. habil.)
- Referee:
- Zhu, Xiao Xiang (Prof. Dr. habil.); Triebel, Rudolph (Prof. Dr. habil.); Camps-Valls, Gustau (Prof., Ph.D.)
- Language:
- en
- Subject group:
- GEO Geowissenschaften
- TUM classification:
- BAU 967; MSR 915
- Abstract:
- Machine learning has revolutionised Earth observation, but many applications require robust, trustworthy models. This dissertation investigates uncertainty quantification in neural networks, particularly under data and domain shifts. It presents methods for detecting unknown data, modelling multivariate uncertainty in segmentations, and approaches for analysing and robustly utilising multiple data sources with different sources of disturbance.
- Translated abstract:
- Maschinelles Lernen hat die Erdbeobachtung revolutioniert, doch viele Anwendungen erfordern robuste, vertrauenswürdige Modelle. Diese Dissertation untersucht die Unsicherheitsquantifizierung in neuronalen Netzen, insbesondere unter Daten- und Domänenverschiebungen. Vorgestellt werden Verfahren zur Detektion unbekannter Daten, zur Modellierung multivariater Unsicherheit in Segmentierungen sowie Ansätze zur Analyse und zur robusten Nutzung mehrerer Datenquellen mit unterschiedlichen Störfaktoren.
- WWW:
- https://mediatum.ub.tum.de/?id=1842399
- Date of submission:
- 26.02.2026
- Oral examination:
- 29.06.2026
- File size:
- 44187205 bytes
- Pages:
- 271
- Urn (citeable URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260629-1842399-0-4
- Published:
- 27.07.2026
BibTeX