Sommerschule zu statistischer Analyse, Modellierung und maschinellem Lernen von Agrar-, Forst- und Umweltgeodaten [SAFEST]
University of Pisa Summer - Winter Schools & Foundation Course
Schlüsselinformation
Campus-Standort
Pisa, Italien
Sprachen
Englisch
Studienformat
Auf dem Campus
Dauer
5 Tage
Tempo
Vollzeit
Studiengebühren
EUR 250
Bewerbungsschluss
Infos anfordern
frühestes Startdatum
03 Jun 2024
Einführung
Die internationale Sommerschule zu Agrar-, Wald- und Umweltgeodaten, statistische Analyse, Modellierung und maschinelles Lernen [SAFEST] bietet theoretischen und praktischen Unterricht zu den statistischen Methoden und Werkzeugen für den Umgang und die Analyse von Geodaten, mit besonderem Schwerpunkt auf Bodenmerkmalen, Ernteerträgen oder Pflanzen Biomasse in der Land-, Forst- und anderen Landnutzung unter variablen Bewirtschaftungs- und Umweltbedingungen. Die bereitgestellten Methoden werden auf eine Vielzahl von Maßstäben zugeschnitten, von Grundstücks- über Landschaftsmaßstäben bis hin zu regionalen Maßstäben.
Zu den Themen in der Schule gehören:
- Erweiterte Literaturrecherche und Metaanalyse;
- Nutzung von Referenzdatenbanken zu Landbedeckung, Bodenmerkmalen sowie meteorologischen und Klimadaten;
- Datenvisualisierung, räumliche Bezüge und Projektionen, Nah- und Fernerkundungsdaten, Geländeanalyse;
- Methoden zur Identifizierung, Erfassung und Auswahl von Kovariaten, zur Harmonisierung und Einbeziehung in Modellierungsverfahren;
- Lineare gemischte Modelle zur statistischen Analyse von Boden- und biologischen Daten, Methoden zur Einbeziehung von Räumlichkeit und Bodentiefe als Variablen, Methoden zur Untersuchung unausgeglichener Daten oder zur Einbeziehung von Variablen mit fehlenden Daten, Regressionsmodelle;
- Überblick über Modelle und einige Fallstudien: Klassifizierungs- und Regressionsbaummodelle (Random Forest, Boosted Regression Trees, andere), künstliche neuronale Netze und Faltungs-Neuronale Netze usw.
Die Schule bietet theoretischen Unterricht am Vormittag und praktischen Unterricht am Nachmittag.
Teilnehmer von SAFEST werden in der Lage sein, sich mit Geodaten und deren Handhabung und Analyse in einer Vielzahl von Bereichen zu befassen, darunter Landwirtschaft, Forstwirtschaft, andere Landnutzungen, das Studium der Bodenbiodiversität, Bodenkunde, landwirtschaftliche Systeme und andere Umweltbereiche.
Die Sommerschule erhielt Unterstützung vom SHARInG-MeD-Projekt (ein PRIMA 2022-Aktionsthema 1.2.1 im Rahmen der Fördervereinbarung 2211).
Ziel
Ziel der Schule ist es, die Integration verschiedener Datenverarbeitungsstrategien und Modellierungsverfahren für Geodaten zu fördern, mit besonderem Schwerpunkt auf Pflanzenbiomasse und Bodenmerkmalen, und die Modellierungsaktivitäten in verschiedenen Fachgebieten zu unterstützen, darunter Land- und Forstwirtschaft, Bodenmanagement, Bodenbiodiversität und ihre potenzielle Beziehung zu Wirtschafts-, Umweltindikatoren oder sozialen Daten.
Programmintensität | ECTS |
Vollzeit | 3 |
Zeitraum | Bewerbungsschluss |
3. - 7. Juni 2024 | 15. März 2024 |
Galerie
Ideale Studenten
Der Kurs richtet sich in erster Linie an Masterstudenten der Naturwissenschaften, Doktoranden, junge Forscher, Masterstudenten und Fachleute in den Themenbereichen der Schule.
Admissions
Stipendien und Finanzierung
Für weitere Einzelheiten wenden Sie sich bitte schriftlich an den Koordinator
Es stehen mehrere Stipendienoptionen zur Verfügung. Weitere Informationen finden Sie auf der Website der Universität.
Lehrplan
Zu den Themen in der Schule gehören:
- erweiterte Literaturrecherche und Metaanalyse;
- Nutzung von Referenzdatenbanken zu Landbedeckung, Bodenmerkmalen sowie meteorologischen und klimatischen Daten;
- Datenvisualisierung, räumliche Bezüge und Projektionen, Nah- und Fernerkundungsdaten, Geländeanalyse;
- Methoden zur Identifizierung, Erfassung, Auswahl, Harmonisierung und Einbeziehung von Kovariaten in Modellierungsverfahren;
- lineare gemischte Modelle zur statistischen Analyse von Boden- und biologischen Daten, Methoden zur Einbeziehung von Räumlichkeit und Bodentiefe als Variablen, Methoden zur Untersuchung unausgeglichener Daten oder zur Einbeziehung von Variablen mit fehlenden Daten, Regressionsmodelle; Überblick über Modelle und einige Fallstudien: Klassifizierungs- und Regressionsbäume
- Modelle (Random Forest, Boosted Regression Trees, andere), künstliche neuronale Netze, Faltungs-Neuronale Netze usw.
Die Schule bietet theoretischen Unterricht am Vormittag und praktischen Unterricht am Nachmittag.