|
|
Exploring correlation between vegetation indices and plant nitrogen uptake
Pavlačková, Alena ; Doležalová Weissmannová, Helena (oponent) ; Kučerík, Jiří (vedoucí práce)
Excessive fertilization can cause environmental pollution, such as water contamination and greenhouse gas emissions, along with economic losses. To mitigate these issues, it is important to adjust fertilization rates to the specific needs of crops. This thesis explores the use of remotely sensed vegetation indices to monitor crop nitrogen uptake and guide fertilization application. The study was conducted in Oensingen, Switzerland, during an internship at ETH Zürich. The main objective was to develop a prediction model based on vegetation indices to estimate the nitrogen uptake of grass-clover mixtures and winter wheat. Additionally, the correlation between various vegetation indices and crop characteristics, especially nitrogen uptake, was analyzed. Vegetation indices (NDVI, NDRE, GNDVI, MCARI, EVI) were derived from Sentinel-2 images using Google Earth Engine. Various crop characteristics, including the Leaf Area Index (LAI) and crop height, were measured, and winter wheat samples were analyzed for nitrogen uptake using an elemental analyzer. Additional nitrogen uptake data for grass from previous years was also included. In total, data from the years 2021-2023, that included both grass-clover mixture and winter wheat values, were used in the analysis. Correlation and regression analysis were performed to examine the relationships between vegetation indices and the measured crop characteristics. The index showing the strongest relationship with crop nitrogen uptake was then used to create a prediction model. The analysis revealed that the Enhanced Vegetation Index (EVI) was the most effective predictor of nitrogen uptake. The constructed prediction model based on EVI values achieved a high coefficient of determination (R$^2$) of 0.89, a low root mean square error (RMSE) of 1.05, and a mean absolute error (MAE) of 0.89. The results indicate that EVI is a reliable index for predicting nitrogen uptake in crops. The developed EVI-based model could be potentially used for optimizing nitrogen application in crops, which can reduce the negative environmental and economic impacts of over-fertilization.
|
|
|
Korekce koncept driftu v predikčních modelech
Michálková, Eva ; Provazník, Valentine (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se zabývá problematikou analýzy koncepčního driftu. Koncepční drift je nežádoucí jev objevující se vlivem dynamického charakteru světa. Tento jev může negativně ovlivňovat přesnost a spolehlivost predikčních modelů. Lze ho korigovat pomocí detekce a následné korekce. Jednou z oblastí, kde se tato problematika v poslední době nově objevuje, je lékařská diagnostika z metabolomických dat. Analýza metabolomických dat může vést ke včasnému odhalení některých závažných onemocnění, což může hrát velkou roli při následné léčbě. Při diagnostice onemocnění představují predikční modely její vylepšení, urychlení a personalizaci. První část práce představuje problematiku koncepčního driftu, metody jeho detekce a korekce, význam metabolomiky a predikčních modelů. Druhá část práce pojednává o implementaci dostupných algoritmů pro detekci a korekci koncepčního driftu a implementaci vlastní automatické korekce koncepčního driftu. Na závěr jsou popsány dosažené výsledky a jejich diskuze.
|
|
|
Koncept drift v metabolomické analýze
Koštoval, Aleš ; Provazník, Ivo (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se zabývá problematikou strojového učení, konkrétně analýzou drift konceptu. Jedná se o nechtěný jev, který lze detekovat v predikčních modelech. Pomocí detekce s následnou korekcí drift konceptu se predikční modely stávají spolehlivějšími a jsou schopny adekvátně reagovat na vstupní data reprezentující dynamickou informaci. Za vhodného reprezentanta těchto dat lze považovat metabolomická data. Metabolomická data a jejich analýza může pomoc k včasné detekci nemocí jako je diabetes mellitus, či rakovina. V první části práce jsou popsány teoretické poznatky z oblasti analýzy drift konceptu a metabolomické analýzy. Druhá část pojednává o postupu modelování predikčních klasifikátorů a implementaci algoritmů pro detekci drift konceptu. Praktická část práce byla realizována v programovacím jazyce Python. Na závěr jsou v rámci druhé časti popsány dosažené výsledky a jejich diskuze.
|
|
|
Korekce koncept driftu v predikčních modelech
Michálková, Eva ; Provazník, Valentine (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se zabývá problematikou analýzy koncepčního driftu. Koncepční drift je nežádoucí jev objevující se vlivem dynamického charakteru světa. Tento jev může negativně ovlivňovat přesnost a spolehlivost predikčních modelů. Lze ho korigovat pomocí detekce a následné korekce. Jednou z oblastí, kde se tato problematika v poslední době nově objevuje, je lékařská diagnostika z metabolomických dat. Analýza metabolomických dat může vést ke včasnému odhalení některých závažných onemocnění, což může hrát velkou roli při následné léčbě. Při diagnostice onemocnění představují predikční modely její vylepšení, urychlení a personalizaci. První část práce představuje problematiku koncepčního driftu, metody jeho detekce a korekce, význam metabolomiky a predikčních modelů. Druhá část práce pojednává o implementaci dostupných algoritmů pro detekci a korekci koncepčního driftu a implementaci vlastní automatické korekce koncepčního driftu. Na závěr jsou popsány dosažené výsledky a jejich diskuze.
|
|
|
Koncept drift v metabolomické analýze
Koštoval, Aleš ; Provazník, Ivo (oponent) ; Schwarzerová, Jana (vedoucí práce)
Tato bakalářská práce se zabývá problematikou strojového učení, konkrétně analýzou drift konceptu. Jedná se o nechtěný jev, který lze detekovat v predikčních modelech. Pomocí detekce s následnou korekcí drift konceptu se predikční modely stávají spolehlivějšími a jsou schopny adekvátně reagovat na vstupní data reprezentující dynamickou informaci. Za vhodného reprezentanta těchto dat lze považovat metabolomická data. Metabolomická data a jejich analýza může pomoc k včasné detekci nemocí jako je diabetes mellitus, či rakovina. V první části práce jsou popsány teoretické poznatky z oblasti analýzy drift konceptu a metabolomické analýzy. Druhá část pojednává o postupu modelování predikčních klasifikátorů a implementaci algoritmů pro detekci drift konceptu. Praktická část práce byla realizována v programovacím jazyce Python. Na závěr jsou v rámci druhé časti popsány dosažené výsledky a jejich diskuze.
|
|
|
Srovnání možností software Dyna-Clue a LandChangemodeler pro predikční modelování suburbánního rozvoje modelového území v zázemí Prahy
Indrová, Magdalena ; Kupková, Lucie (vedoucí práce) ; Grill, Stanislav (oponent)
Srovnání možností software Dyna-CLUE a Land Change Modeler pro predikční modelování suburbánního rozvoje modelového území v zázemí Prahy Abstrakt Cílem práce bylo pomocí softwaru Dyna-CLUE a Land Change Modeler (LCM) predikovat vývoj využití suburbánního území v zázemí hlavního města Prahy a na základě dosažených výsledků porovnat možnosti těchto softwarů. V práci byla využita časová řada dat krajinného pokryvu získaná na katedře aplikované geoinformatiky a kartografie, územní plány jednotlivých obcí a informace o třídách BPEJ poskytnuté Výzkumným ústavem meliorací a ochrany půdy. Na základě těchto dat byla v obou softwarech zpracována predikční mapa krajinného pokryvu pro rok 2020. Oba výsledky byly následně porovnány. Bylo zjištěno, že modely respektují zákaz rozvoje zástavby v předem stanovených oblastech. V souladu s územními plány se také v obou softwarech podařilo správně rozmístit novou rezidenční zástavbu. U komerční zástavby nebyl tento požadavek zcela naplněn. Z výsledků práce je patrné, že oba modely jsou schopné vytvořit korektní mapu zobrazující stav krajinného pokryvu v budoucím okamžiku na základě zadaných požadavků, ovšem velká nestabilita LCM a nutnost použití jiných softwarů při práci s Dyna-CLUE práci do určité míry komplikují. Klíčová slova: Dyna-CLUE, Land Change Modeler, predikční...
|
host ::
RSS.