Escola de Verão sobre Análise Estatística, Modelagem e Aprendizado de Máquina de Geodados Agrícolas, Florestais e [Safest]
University of Pisa Summer - Winter Schools & Foundation Course
Informação chave
Localização do campus
Pisa, Itália
Idiomas
Inglês
Formato de estudo
No campus
Duração
5 dias
Ritmo
Período integral
Propinas
EUR 250
Prazo para inscrição
Solicitar Informações
Data de início mais cedo
03 Jun 2024
Introdução
A Escola Internacional de Verão sobre Análise Estatística, Modelagem e Aprendizado de Máquina de Geodados Agrícolas, Florestais e Ambientais [SAFEST] fornecerá ensino teórico e prático sobre métodos e ferramentas estatísticas para tratamento e análise de geodados, com ênfase especial nas características do solo, rendimento das culturas ou plantas. biomassa nos usos agrícolas, florestais e outros usos da terra sob gestão e condições ambientais variáveis. Os métodos fornecidos serão adaptados a uma ampla gama de escalas, desde parcelas a paisagens e escalas regionais.
Os tópicos da escola incluem:
- Pesquisa avançada de literatura e meta-análise;
- Utilização de bases de dados de referência sobre cobertura do solo, características do solo e dados meteorológicos e climáticos;
- Visualização de dados, referências e projeções espaciais, dados de sensoriamento proximal e remoto, análise de terreno;
- Métodos para identificação, aquisição e seleção de covariáveis, harmonização e inclusão em procedimentos de modelagem;
- Modelos lineares mistos para análise estatística de dados de solo e biológicos, métodos para incluir espacialização e profundidade do solo como variáveis, métodos para estudar dados desequilibrados ou incluir variáveis com dados faltantes, modelos de regressão;
- Visão geral dos modelos e alguns estudos de caso: modelos de árvores de classificação e regressão (floresta aleatória, árvores de regressão impulsionada, outros), redes neurais artificiais e redes neurais convolucionais, etc.
A escola incluirá aulas teóricas pela manhã e aulas práticas à tarde.
Os participantes do SAFEST serão capazes de lidar com geodados e seu manuseio e análise em diversas áreas, incluindo agricultura, floresta, outros usos da terra, estudo da biodiversidade do solo, ciência do solo, sistemas agrícolas e outras áreas ambientais.
A Escola de Verão recebeu o apoio do projeto SHARInG-MeD (um tema de ação 1.2.1 do PRIMA 2022 no âmbito do acordo de subvenção 2211).
Alvo
O objetivo da escola é estimular a integração entre diferentes estratégias de tratamento de dados e procedimentos de modelagem de geodados, com especial ênfase na biomassa vegetal e características do solo, e apoiar as atividades de modelagem em diversas áreas de especialização, incluindo manejo agrícola e florestal, manejo do solo, biodiversidade do solo e a sua relação potencial com indicadores económicos, ambientais ou dados sociais.
Intensidade do Programa | ECTS |
Tempo total | 3 |
Período | Prazo de inscrição |
3 a 7 de junho de 2024 | 15 de março de 2024 |
Galeria
Alunos ideais
O curso destina-se principalmente a alunos de mestrado, alunos de doutoramento, jovens investigadores, alunos de mestrado, profissionais das temáticas da escola.
Admissões
Bolsas de estudo e financiamento
Por favor, escreva para o coordenador para mais detalhes
Várias opções de bolsas estão disponíveis. Por favor, verifique o site da universidade para mais informações.
Currículo
Os tópicos da escola incluem:
- pesquisa bibliográfica avançada e meta-análise;
- utilização de bases de dados de referência sobre cobertura do solo, características do solo e dados meteorológicos e climáticos;
- visualização de dados, referências espaciais e projeções, dados de sensoriamento proximal e remoto, análise de terreno;
- métodos para identificação, aquisição, seleção, harmonização e inclusão de covariáveis em procedimentos de modelagem;
- modelos lineares mistos para análise estatística de solo e dados biológicos, métodos para incluir espacialização e profundidade do solo como variáveis, métodos para estudar dados desequilibrados ou incluir variáveis com dados faltantes, modelos de regressão; visão geral sobre modelos e alguns estudos de caso: árvores de classificação e regressão
- modelos (floresta aleatória, árvores de regressão impulsionada, outros), redes neurais artificiais, redes neurais convolucionais, etc.
A escola incluirá aulas teóricas pela manhã e aulas práticas à tarde.