Modelling the spatial and temporal variation of tropical peat across South America: An investigation into the climatic and ecological tipping points of a huge carbon store

• Název práce v češtině: Modelování prostorových a časových variací tropické rašeliny napříč Jižní Amerikou: Výzkum klimatických a ekologických bodů zlomu obrovského úložiště uhlíku
• Název v anglickém jazyce: Modelling the spatial and temporal variation of tropical peat across South America: An investigation into the climatic and ecological tipping points of a huge carbon store
• Klíčová slova: Uhlík; mokřady; rašelina; klimatická změna; paleoekologie; tropy
• Klíčová slova anglicky: Carbon; wetlands; peat; climate change; paleoecology; tropics
• Akademický rok vypsání: 2023/2024
• Typ práce: disertační práce
• Jazyk práce: angličtina
• Ústav: Katedra fyzické geografie a geoekologie (31-330)
• Vedoucí / školitel: Adam Todd Hastie, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 11.10.2023
• Datum zadání: 11.10.2023
• Datum potvrzení stud. oddělením: 11.10.2023
• Konzultanti: RNDr. Tomáš Chuman, Ph.D.

Předběžná náplň práce

-Kvantifikovat distribuci typů rašelinišť, rašeliny a uhlíku v Guyaně a porozumět jejich relativní zranitelnosti vůči změně klimatu a narušení.
V tomto projektu budeme sbírat data z málo prozkoumaných rašelinišť Guyanas, kde nebyla shromážděna prakticky žádná vědecká data. V kombinaci s existujícími daty ze západní a střední Amazonie použijeme tato data k trénování modelů strojového učení k předpovídání distribuce rašeliny a uhlíku.
Data budou použita k parametrizaci a ověření dynamického rašelinového modelu k předpovědi zranitelnosti rašelinišť vůči budoucí změně klimatu a narušení.

Předběžná náplň práce v anglickém jazyce

-To quantify the distribution of peatland types, peat and carbon across the Guianas, and understand their relative vulnerability to climate change and disturbance
In this project, we will collect data from the little-studied peatlands of the Guianas, where virtually no scientific data has been collected. Combined with existing data from western and central Amazonia, we will use these data to train machine learning models to predict the distribution of peat and Carbon.
The data will be used to parametrize and validate a dynamic peat model to predict the peatlands’ vulnerability to future climate change and disturbance.