农业、森林和环境地理数据统计分析、建模和机器学习暑期学校 [SAFEST]

农业、森林和环境地理数据统计分析、建模和机器学习国际暑期学校[SAFEST]将提供有关地理数据处理和分析的统计方法和工具的理论和实践教学，特别强调土壤性状、作物产量或植物可变管理和环境条件下农业、森林和其他土地利用中的生物量。所提供的方法将适应各种尺度，从地块到景观再到区域尺度。

学校的主题包括：

1. 高级文献检索和荟萃分析；
2. 使用土地覆盖、土壤特征以及气象和气候数据的参考数据库；
3. 数据可视化、空间参考和投影、近端和遥感数据、地形分析；
4. 协变量识别、获取、选择、协调和纳入建模程序的方法；
5. 用于土壤和生物数据统计分析的线性混合模型、将空间化和土壤深度作为变量的方法、研究不平衡数据或包括缺失数据的变量的方法、回归模型；
6. 模型概述和一些案例研究：分类和回归树模型（随机森林、增强回归树等）、人工神经网络、卷积神经网络等。

学校将包括上午的理论课和下午的实践课。

SAFEST 的参与者将能够处理许多领域的地理数据及其处理和分析，包括农业、森林、其他土地利用、土壤生物多样性研究、土壤科学、耕作系统和其他环境领域。

暑期学校得到了SHARing-MeD项目（资助协议2211下的PRIMA 2022行动主题1.2.1）的支持。

目标

学校的目标是促进不同数据处理策略和地理数据建模程序之间的整合，特别强调植物生物量和土壤性状，并支持各个专业领域的建模活动，包括农业和森林管理、土壤管理、土壤生物多样性及其与经济、环境指标或社会数据的潜在关系。

该课程主要针对理学硕士生、博士生、年轻研究人员、硕士生、学校主题的专业人士。

学校的主题包括：

• 高级文献检索和荟萃分析；
• 使用土地覆盖、土壤特征以及气象和气候数据的参考数据库；
• 数据可视化、空间参考和投影、近端和遥感数据、地形分析；
• 协变量识别、获取、选择、协调和纳入建模程序的方法；
• 用于土壤和生物数据统计分析的线性混合模型、将空间化和土壤深度作为变量的方法、研究不平衡数据或包括缺失数据的变量的方法、回归模型；模型概述和一些案例研究：分类树和回归树
• 模型（随机森林、增强回归树等）、人工神经网络、卷积神经网络等。

学校将包括上午的理论课和下午的实践课。