Obrana nacrta doktorskog rada :: Tin Batur, mag. ing. agr.

Prostorno i vremensko predviđanje zaslanjenosti tla primjenom višesenzorskih podataka i modela strojnog učenja

20.3.2026. :: 12:00 sati :: Velika vijećnica Sveučilišta u Zagrebu Agronomskog fakulteta

Predloženi mentor:

• izv. prof. dr. sc. Monika Zovko, Sveučilište u Zagrebu Agronomski fakultet

Povjerenstvo za ocjenu nacrta doktorskog rada:

• doc. dr. sc. Marina Bubalo Kovačić, Sveučilište u Zagrebu Agronomski fakultet
• doc. dr. sc. Marko Reljić, Sveučilište u Zagrebu Agronomski fakultet
• izv. prof. dr. sc. Vinko Lešić, Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva

Sažetak na hrvatskom:
Porast razine mora i klimatske promjene intenziviraju zaslanjivanje tla u delti Neretve i ugrožavaju poljoprivrednu proizvodnju u delti Neretve, a tradicionalni monitoring niske je prostorno-vremenske rezolucije i skup. Cilj ovog istraživanja je usporediti točnost modela predviđanja zaslanjenosti tla modela temeljenih na pojedinačnim i integriranim spektralnim indeksima i izraditi karte klasifikacije stupnja zaslanjenosti tla. Predloženim istraživanjem predviđena su opsežna terenska i daljinska istraživanja zaslanjivanja tla. Prognostički modeli razviti će se algoritmima strojnog učenja, a njihova robusnost ocijeniti regresijskim metrikama. Istraživanje će razviti automatizirani geoprostorni okvir za obradu heterogenih podataka te izraditi karte visoke rezolucije za proaktivno upravljanje vodnim i poljoprivrednim resursima

Sažetak na engleskom:
Sea level rise and climate change are intensifying soil salinization in the Neretva Delta, threatening agricultural production, while traditional monitoring is of low spatial-temporal resolution and expensive. The aim of this research is to compare the accuracy of soil salinity prediction models based on individual and integrated spectral indices and to develop soil salinity level classification maps. The proposed research plans extensive field and remote sensing surveys of soil salinization. The prognostic models will be developed using machine learning algorithms, and their robustness will be assessed using regression metrics. The research will develop an automated geospatial framework for processing heterogeneous data and create high-resolution maps for proactive water and agricultural resource management.