Mohammad Kakooei

Mohammad Kakooeis forskning fokuserar på skärningspunkten mellan maskininlärning (ML), artificiell intelligens (AI) och jordobservation (EO), med tillämpningar inom katastrofhantering, marktäckekartläggning, urbana studier, socioekonomisk analys och hållbar utveckling. Han kombinerar avancerade AI-metoder, satellitbilder, molnbaserad databehandling och storskalig dataanalys för att hantera verkliga miljömässiga och samhälleliga utmaningar.

Hans arbete omfattar skadebedömning efter katastrofer, övervakning av skogsbränder, analys av urban expansion, kartläggning av marktäcke och våtmarker samt storskaliga socioekonomiska studier, såsom kartläggning av fattigdom och välstånd i Afrika. Dessa projekt har genomförts i samarbete med institutioner såsom KTH Kungliga Tekniska högskolan, Chalmers tekniska högskola, Harvard University och Linköpings universitet.

Därutöver har han erfarenhet av högpresterande beräkningar genom GPU-programmering med CUDA, samt utveckling av AI-baserade medicintekniska produkter som integrerar datorseende, inbyggda system och sensorteknik.

Hans forskningsresultat omfattar publikationer i ledande vetenskapliga tidskrifter, offentligt tillgängliga dataset och webbapplikationer, patent samt bidrag till internationella vetenskapliga samarbeten och sakkunniggranskning.

Mohammad Kakooei har undervisat och bidragit till kurser inom maskininlärning, artificiell intelligens, datorseende, fjärranalys och digitala system på både grundnivå och avancerad nivå. Utvalda kurser inkluderar:

• Introduction to Data Science and AI – Chalmers tekniska högskola
• Design of AI Systems – Chalmers tekniska högskola
• Deep Statistics: AI and Earth Observations for Sustainable Development – Harvard University
• AI for Earth and Environmental Sciences – Göteborgs universitet
• Microprocessor and Assembly Language – Babol Noshirvani University of Technology
• Digital Systems – Babol Noshirvani University of Technology

Mohammad Kakooei har samarbetat med forskare, universitet och organisationer världen över i tvärvetenskapliga projekt relaterade till artificiell intelligens, jordobservation, hållbarhet och socioekonomisk utveckling. Hans samarbeten inkluderar forskningspartnerskap med KTH Kungliga Tekniska högskolan, Harvard University, Göteborgs universitet, AI Sweden och UNHCR.

• Kakooei, Mohammad, James Bailie, Markus B. Pettersson, Albin Söderberg, Albin Becevic, and Adel Daoud. "A high resolution urban and rural settlement map of Africa using deep learning and satellite imagery." Scientific Reports 16, no. 1 (2026): 637.
• Kakooei, Mohammad, and Adel Daoud. "Increasing the confidence of predictive uncertainty: earth observations and deep learning for poverty estimation." IEEE Transactions on Geoscience and Remote Sensing (2024).
• Kakooei, Mohammad, and Yasser Baleghi. "Mapping Building Heights at Large Scales Using Sentinel-1 Radar Imagery and Nighttime Light Data." Remote Sensing 16, no. 18 (2024): 3371.
• Pettersson, Markus B., Mohammad Kakooei, Julia Ortheden, Fredrik D. Johansson, and Adel Daoud. "Time series of satellite imagery improve deep learning estimates of neighborhood-level poverty in africa." In Proceedings of the Thirty-Second International Joint Conference on Artificial Intelligence, pp. 6165-6173. 2023.
• Kakooei, Mohammad, and Yasser Baleghi. "Fusion of vertical and oblique images using Intra-Cluster-Classification for building damage assessment." Computers and Electrical Engineering 105 (2023): 108536.
• Kakooei, Mohammad, and Yasser Baleghi. "Spatial-Temporal analysis of urban environmental variables using building height features." Urban Climate 52 (2023): 101736.
• Amani, Meisam, Sahel Mahdavi, Mohammad Kakooei, Arsalan Ghorbanian, Brian Brisco, Evan R. DeLancey, Souleymane Toure, and Eugenio Landeiro Reyes. "Wetland change analysis in Alberta, Canada using four decades of landsat imagery." IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 14 (2021): 10314-10335.
• Kakooei, Mohammad, Yasser Baleghi, and Meisam Amani. "Adaptive thresholding for detecting building facades with or without openings in single-view oblique remote sensing images." Journal of Applied Remote Sensing 15, no. 3 (2021): 036511-036511. 
• Amani, Meisam, Arsalan Ghorbanian, Seyed Ali Ahmadi, Mohammad Kakooei, Armin Moghimi, S. Mohammad Mirmazloumi, Sayyed Hamed Alizadeh Moghaddam et al. "Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review." IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 13 (2020): 5326-5350.
• Ghorbanian, Arsalan, Mohammad Kakooei, Meisam Amani, Sahel Mahdavi, Ali Mohammadzadeh, and Mahdi Hasanlou. "Improved land cover map of Iran using Sentinel imagery within Google Earth Engine and a novel automatic workflow for land cover classification using migrated training samples." ISPRS Journal of Photogrammetry and Remote Sensing 167 (2020): 276-288.
• Kakooei, Mohammad, and Amir Tabatabaei. "A fast parallel GPS acquisition algorithm based on hybrid GPU and multi-core CPU." Wireless Personal Communications 104 (2019). 

Offentliga dataset och produkter
För att stödja forskarsamhället och bredare samhällsbehov har jag publicerat flera offentligt tillgängliga dataset och produkter. Dessa inkluderar:

• Iran Land Cover Map – Länk
• Time-Series Africa Urban-Rural Map – Länk
• Time-Series Africa Poverty Map – Länk
• ELC10: European 10 m Resolution Land Cover Map 2018 – Länk

Webbapplikationer
För att förbättra tillgänglighet och användbarhet har jag utvecklat webbapplikationer kopplade till dessa dataset och produkter. Dessa applikationer inkluderar:

• Urban Area Extraction – Länk
• Africa Poverty Map – Länk
• Africa Urban-Rural Map – Länk