Geographical Random Forest model evaluation in agricultural drought assessment
| Název práce v češtině: | Evaluace geografickeho Random Forest algoritmu v posouzení sucha |
|---|---|
| Název v anglickém jazyce: | Geographical Random Forest model evaluation in agricultural drought assessment |
| Klíčová slova: | sucho, posouzení zranitelnosti, Geographical Random Forest |
| Klíčová slova anglicky: | drought, vulnerability assessment, Geographical Random Forest |
| Akademický rok vypsání: | 2019/2020 |
| Typ práce: | diplomová práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra aplikované geoinformatiky a kartografie (31-370) |
| Vedoucí / školitel: | Ing. Lukáš Brodský, Ph.D. |
| Řešitel: | skrytý - zadáno vedoucím/školitelem |
| Datum přihlášení: | 19.12.2019 |
| Datum zadání: | 19.12.2019 |
| Datum odevzdání elektronické podoby: | 27.08.2021 |
| Datum proběhlé obhajoby: | 15.09.2021 |
| Oponenti: | Mgr. Lukáš Brůha, Ph.D. |
| Zásady pro vypracování |
| Dálkový průzkum Země (MZ350P35) Programování pro GIS (MZ370P33) Statistická analýza prostorových dat (MZ370P41) |
| Seznam odborné literatury |
| Bishop C. M. (2006): Pattern Recognition and Machine Learning, Springer. Mehryar, M., Afshin, R., Ameet, T. (2012): Foundations of Machine Learning, MIT press. Ramthi O. etal. (2020): Machine learning approaches for spatial modeling of agricultural droughts in the south-east region of Queensland Australia. Science of The Total Environment, Volume 699. |
| Předběžná náplň práce |
| Cílem diplomové práce je zhodnotit význam rizikových faktorů zemědělského sucha pomocí metod strojového učení. Prvním krokem je revize existujících dat s otevřenou licencí a následně vytvoření databáze družicových, meteorologických, hydrologických a půdních dat za období 2015 - 2020. Na základě rešerše literatury bude navržena metodika detekce sucha s využitím algoritmů strojového učení. Z dostupných dat bude vytvořen model predikce sucha umožňující výběr a hodnocení faktorů modelu, například s algoritmem random forest. Algoritmu strojového učení bude navržen s cílem kvantifikovat významnost jednotlivých faktorů. Výsledný model bude validován na základě známých publikovaných historickým epizod. |
| Předběžná náplň práce v anglickém jazyce |
| The master thesis aims to evaluate the significance of agriculture drought risk factors by means of machine learning algorithms. The first step will be to compile existing open datasets. A database of remote sensing, meteorological, hydrological and soil data for 2015 – 2020 period shall be created. The drought detection methodology concept will be designed based on literature review and review of the machine learning algorithms. The prediction model will be learned from available datasets allowing feature selection and drought hazard evaluation, using for instance the random forest algorithm. The selected algorithm shall quantify the factors importance. The learned prediction model will be validated against the existing published historical episodes. |