Opis projektu
Integracja wzorców przestrzennych w ramach ekologicznego uczenia maszynowego
W badaniach nad ekologią kluczowe znaczenie ma tworzenie dokładnych map przestrzennych krytycznych zmiennych dotyczących różnorodności biologicznej i klimatu. Obecnie wykorzystanie metody uczenia maszynowego, takie jak las losowy, charakteryzują się skutecznością, ale często pomijają skomplikowane wzorce przestrzenne nieodłącznie związane z procesami ekologicznymi. Ograniczenie to utrudnia nam badanie złożonych ekosystemów i zmniejsza dokładność prognoz. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie” projektu PRISM rozwiązuje ten problem poprzez połączenie i weryfikację wzorców przestrzennych w modelach uczenia maszynowego. Opierając się na geografii, ekologii i informatyce, zespół projektu PRISM przyjmuje podejście oparte na otwartej nauce, by szeroko rozpowszechniać wyniki badań. W tym celu zespół wspiera współpracę między badaczami i instytucjami, rozwijając umiejętności i metodyki. Celem projektu jest usprawnienie badań, opracowanie dokładniejszych prognoz i lepsze poznanie wzorców przestrzennych.
Cel
Ecological research necessitates the production of spatial maps representing an array of critical variables such as biodiversity, climate, land cover, and soil carbon storage. While current machine learning methods, such as the well-known random forest (RF), have been effective in generating maps for these variables, they often overlook the intricate spatial patterns inherent in ecological processes. The PRISM project seeks to introduce a novel approach that addresses this limitation by integrating and validating spatial patterns within machine learning models. The project will draw upon insights from various fields, including geography, landscape ecology, statistics, and computer science. To ensure the widespread dissemination and accessibility of its findings, PRISM will adopt a comprehensive open science approach, including manuscript publications, the development of open-source software, and the sharing of repositories containing data and code, enabling others to reproduce and build upon the project's results. Through this project, an exchange of knowledge is anticipated between the researcher and the host institution, fostering a collaborative partnership. Under the supervisor's mentorship, the researcher will acquire essential skills in group organization, grant preparation, and research leadership. The researcher will enrich the host institution by creating innovative methods for spatial data analysis, implementing impactful teaching methodologies, and sharing the principles of open science. Ultimately, the PRISM project is poised to fuel the researcher's interdisciplinary growth, positioning him as a valuable asset in both academia and industry. The project's outcomes have the potential to improve how ecological research is conducted, leading to more accurate predictions and a deeper understanding of complex spatial patterns in ecological systems.
Dziedzina nauki
- natural sciencescomputer and information sciencesdata science
- natural sciencesbiological sciencesecologylandscape ecology
- natural sciencesearth and related environmental sciencessoil sciencesland-based treatment
- natural sciencesbiological sciencesecologyecosystems
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
48149 MUENSTER
Niemcy