Această pagină prezintă o selecție de lucrări de licență și disertații de master propuse și coordonate în cadrul Laboratorului GeoSense. Scopul nostru este de a încuraja studenții să exploreze direcții de cercetare inovatoare în domeniile observării Pământului, analizei geospațiale, monitorizării mediului și interpretării asistate de inteligența artificială a datelor.
Fiecare temă este concepută pentru a îmbina relevanța științifică cu aplicațiile practice, fiind adesea conectată la proiecte de cercetare în desfășurare sau la seturi de date deschise dezvoltate de echipa noastră.
Studenții sunt încurajați să adapteze temele existente, să propună idei noi sau să colaboreze cu cercetătorii din cadrul Laboratorului GeoSense la provocări interdisciplinare.
Lucrări de licență
3. Integrarea metodologiei Retrieval-Augmented Generation (RAG) în analiza imaginilor satelitare.
Obiectiv.
Această lucrare urmărește integrarea metodologiei Retrieval-Augmented Generation (RAG) în analiza imaginilor satelitare, prin combinarea informațiilor vizuale, textuale și a metadatelor asociate datelor de observare a Pământului (Earth Observation – EO). Scopul este dezvoltarea unui cadru multimodal care să permită interogarea contextualizată a seturilor de date EO și generarea de explicații bazate pe date, utilizând atât imaginile satelitare, cât și surse auxiliare de informații.
Va fi implementată o arhitectură RAG adaptată imaginilor satelitare, care va combina un modul de regăsire (retrieval), responsabil pentru căutarea semantică în colecții de imagini, descrieri textuale și metadate, cu un model lingvistic de mari dimensiuni (Large Language Model – LLM), capabil să genereze explicații coerente și contextualizate.
În etapa de preprocesare, imaginile Sentinel-2 vor fi annotate cu descrieri semantice și metadate spațio-temporale, utilizate ulterior pentru indexare contextuală și regăsire. Performanța sistemului va fi testată în două domenii de aplicare: agricultura de precizie și monitorizarea urbană. Criteriile de evaluare vor include acuratețea și relevanța contextuală a răspunsurilor generate, precum și capacitatea modelului de a corela eficient informațiile vizuale și lingvistice.
Rezultate așteptate. Integrarea metodologiei RAG în analiza imaginilor satelitare va permite extragerea automată de informații contextualizate din datele de observare a Pământului, facilitând interpretarea semantică a scenelor satelitare și sprijinind dezvoltarea unor asistenți inteligenți pentru analiza și explicarea datelor de Earth Observation.
Coordonatori: Conf. dr. Daniela FAUR, Dr. Teodor COSTĂCHIOIU
4. Segmentarea semantică temporală a culturilor agricole la nivel de pixel utilizând rețele convoluționale profunde și spațio-temporale.
Obiectiv. Dezvoltarea și evaluarea unor modele de învățare profundă pentru segmentarea semantică a culturilor agricole la nivel de pixel, utilizând serii temporale multispectrale Sentinel-2 din setul de date AgriSen-COG. Studiul își propune să extindă și să testeze metodologia pe regiuni din România, analizând transferabilitatea modelelor între diferite zone agroclimatice europene.
Vor fi implementate și comparate trei arhitecturi avansate pentru segmentarea semantică temporală: U-Net, pentru segmentare spațială utilizând o structură convoluțională de tip encoder–decoder; ConvLSTM, pentru modelarea dinamicii temporale la nivel de pixel; și ConvSTAR, o rețea spațio-temporală profundă capabilă să integreze informații spectrale, spațiale și temporale.
Rezultate așteptate. Se așteaptă obținerea unor hărți de clasificare a culturilor agricole precise și consistente din punct de vedere temporal, demonstrând potențialul metodelor de învățare profundă spațio-temporală pentru extinderea modelelor AgriSen-COG la aplicații la scară națională. (Coordonator Conf. Daniela FAUR)
5. Clasificarea seriilor temporale agregate la nivel de parcelă utilizând modele LSTM, Transformer și TempCNN.
Obiectiv. Implementarea și compararea unor modele secvențiale de învățare profundă pentru clasificarea tipurilor de culturi agricole, pe baza seriilor temporale de indici de vegetație și a variabilelor climatice agregate la nivel de parcelă. Studiul utilizează date din setul de date AgriSen-COG și explorează transferabilitatea modelelor către parcele agricole din România.
Vor fi evaluate trei arhitecturi orientate pe secvențe: LSTM (Long Short-Term Memory), pentru surprinderea dependențelor temporale și a sezonalității culturilor agricole; Transformer, care utilizează mecanisme de atenție și codificare temporală pentru învățarea relațiilor pe termen lung; și TempCNN (Temporal Convolutional Neural Network), pentru extragerea automată a caracteristicilor din serii temporale multivariate. Datele de intrare vor include serii temporale ale indicilor de vegetație și parametri climatici — temperatură și precipitații — agregate la nivel de parcelă.
Rezultate așteptate. Studiul va identifica modelele cu cea mai bună capacitate de generalizare spațio-temporală și va determina combinațiile de variabile cu cea mai mare relevanță agronomică. Rezultatele vor contribui la dezvoltarea unui sistem robust și transferabil de clasificare a tipurilor de culturi agricole, destinat monitorizării dinamicii culturilor și a variațiilor sezoniere ale vegetației la scară națională. (Coordonator Conf. Daniela FAUR)
Disertații de master
In curand
