Adrian Baggström
Doktorand vid Institutionen för organismbiologi; Systematisk biologi
- Telefon:
- 018-471 27 74
- E-post:
- adrian.baggstrom@ebc.uu.se
- Besöksadress:
- Evolutionsbiologiskt centrum, Norbyv. 18D
75236 Uppsala - Postadress:
- Norbyv. 18D
75236 Uppsala
- CV:
- Ladda ned CV
Kort presentation
Jag är doktorand med fokus på områdena biologisk mångfald, geomatik, fjärranalys och maskininlärning. Mitt intresse är att undersöka möjligheterna att bedöma biologisk mångfald genom fjärranalystekniker som t. ex. satellitbilder och lidar. Genom att kombinera dessa tekniker med befintlig geodata och djupinlärning är mitt mål att utveckla verktyg som bidrar till övervakningen av biologisk mångfald på flera olika nivåer.
Nyckelord
- biodiversity
- remote sensing
- modeling
- machine learning
Publikationer
Senaste publikationer
-
Ingår i Ecological Informatics, 2025
- DOI för Estimating national Red List statuses for fungi in Sweden: An improved deep learning approach to account for unbalanced data
- Ladda ner fulltext (pdf) av Estimating national Red List statuses for fungi in Sweden: An improved deep learning approach to account for unbalanced data
-
Ingår i Ecological Informatics, 2025
- DOI för The utility of combining deep learning with metabarcoding to model biodiversity dynamics at a national scale
- Ladda ner fulltext (pdf) av The utility of combining deep learning with metabarcoding to model biodiversity dynamics at a national scale
Alla publikationer
Artiklar i tidskrift
-
Ingår i Ecological Informatics, 2025
- DOI för Estimating national Red List statuses for fungi in Sweden: An improved deep learning approach to account for unbalanced data
- Ladda ner fulltext (pdf) av Estimating national Red List statuses for fungi in Sweden: An improved deep learning approach to account for unbalanced data
-
Ingår i Ecological Informatics, 2025
- DOI för The utility of combining deep learning with metabarcoding to model biodiversity dynamics at a national scale
- Ladda ner fulltext (pdf) av The utility of combining deep learning with metabarcoding to model biodiversity dynamics at a national scale