Izpratne par augsnes bioloģiskās daudzveidības stāvokli pasaulē ir salīdzinoši zema. Tas rada grūtības noteikt augšņu ekoloģiskā stāvokļa kategorijas (kas ir vesela vai nevesela augsne) un veidot vadlīnijas efektīvam augsnes veselības monitoringam. Lai gan detalizēta augsnes bioloģiskās daudzveidības izpēte sniegtu būtisku informāciju, tā bieži vien ir sarežģīta un izmaksu ziņā dārga. Tāpēc kā vienkāršāks un pieejamāks risinājums ir izstrādāts bioloģiskās kvalitātes indekss QBS-ar, kas balstās uz augsnes posmkāju analīzi. Šī projekta galvenais mērķis ir izstrādāt mašīnmācīšanās modeļus, kas var noteikt QBS-ar, analizējot no augsnes paraugiem iegūto mazo posmkāju populācijas attēlus. Šie modeļi būs piemēroti plaša mēroga pētījumiem, tostarp augsnes monitoringa programmām.
EDI projektā izstrādā mašīnmācīšanās modeļus dažādu augsnes posmkāju detektēšanai un pēta metodes šo modeļu darbības uzlabošanai. Tajā skaitā tiek pētītas izskaidrojamā mākslīgā intelekta metodes, lai atklātu, kādi attēlu parametri vairāk ietekmē apmācīto detektoru spējas.
Iesaistītie zinātnieki
