Pokročilé metody machine learning a AI pro identifikaci erozní ohroženost

Disertační práce bude zaměřena na využití pokročilých metod strojového učení (machine learning) a umělé inteligence (AI) pro zlepšení identifikace a predikce erozní ohroženosti zemědělské půdy. Cílem je rozvinout a otestovat moderní modelové přístupy, včetně metod hlubokého učení (Deep Learning) a neuronových sítí (Artificial Neural Network), které umožní přesnější prostorové vymezení rizikových oblastí s ohledem na proměnlivé zejména klimatické podmínky.

Práce bude zahrnovat sběr, předzpracování a analýzu prostorových dat pomocí GIS nástrojů, jejich integraci a následnou aplikaci modelů strojového učení. Kandidát využije jak tradiční metody (např. Decision Tree, Random Forest), tak i pokročilé modely (např. konvoluční neuronové sítě - CNN) s cílem optimalizovat predikční výkon a interpretovatelnost výsledků. Přitom je nezbytné kvalitní rešerší navázat na aktuální publikované a dostupné výzkumy a pružně na ně reagovat a umět je využít a dále rozvíjet.

Očekávaným výstupem bude návrh metodiky využití AI v hodnocení erozní ohroženosti a vytvoření prototypu modelu, který bude možné dále aplikovat při plánování opatření k ochraně půdního fondu a stejně jako ochraně před offsite efekty. Výsledky mohou být uplatněny při aktualizaci map erozní ohroženosti, v zemědělské praxi, krajinném plánování i v environmentálním modelování. Předpokládá se publikování odborných článků v tuzemských i zahraničních časopisech, ale také mezinárodní spolupráce se zahraničními vědecko-výzkumnými institucemi a zapojení do běžících výzkumných aktivit s vazbou na téma disertační práce. Předpokladem kandidáta jsou předchozí zkušenosti pokročilých GIS nástrojů a práce s vektorovými a hlavně rastrovými daty, základy programovacího jazyka Python a znalosti orientace v oblasti hydrologie, ochrany půd a erozní problematiky.