| 3 ECTS | |
| 20 P + 24 PK | |
| 0% primjene e-učenja | |
| Odjel za fiziku (Sceduly) |
| Nositelji: Jadranka ŠepićSuradnici: Žarko Kovač, Hrvoje Kalinić, Marijana Balić, Krešimir Ruić |
| Ciljevi predmeta |
| • Steći vještine nužne za korištenje i upravljanje oceanografskim podacima• Steći saznanja o najboljim praksama razmjene podataka i načelima FAIR principa uključujući organizaciju, formate, dokumentaciju, pohranu i sigurnost podataka prema standardima metapodataka• Steći znanja o pouzdanim izvorima podataka kroz praktičan pristup korištenju postojećih baza podataka/usluga (osobito CMEMS i EMODnet) i o tome kako im se može pristupiti i koristiti ih • Steći znanja o učinkovitoj upotrebi podataka u primijenjenim istraživanjima i procjenama temeljenim na podacima, kao što su vizualne analize i alati za profesionalnu analizu podataka. |
| Uvjeti (kompetencije) za upis predmeta |
| Osnove programiranja |
| Očekivani ishodi učenja |
| • Identificirati različite vrste i formate dostupnih znanstvenih podataka |
| • Razumjeti osnove obrade podataka i izvlačenja informacija iz podataka |
| • Razumjeti kako se relevantni podaci mogu prikupiti kako bi se zadovoljile potrebe korisnika kao što su procjena i upravljanje ribljim resursima, praćenje kakvoće vode i opće zdravstveno stanje mora; |
| • Razumjeti kako iskoristiti podatke za dokazivanje teorijskih koncepata i/ili izvođenje znanstvenih zaključaka. |
| Sadržaj predmeta |
| 1. Uvod u podatke o moru |
| 2. Pouzdani izvori oceanografskih podataka: skupovi meteorološkooceanografskih podataka: klima, reanaliza, prognoza i in situ podaci |
| 3. Online portali s oceanografskim podacima |
| 4. Pristup i transformacija podataka |
| 5. Pouzdani izvori oceanografskih podataka: Daljinska mjerenja: izvor podataka, preuzimanje i softver (SNAP) |
| 6. Primjena umjetne inteligencije u oceanografiji |
| 7. Uvod u algoritme učenja, neuronske mreže i grupiranje |
| 8. Primjena umjetne inteligencije u oceanografiji: pojedinačne studije |
| 9. Modelski i satelitski CMEMS podaci |
| 10. Vremenski nizovi razine mora: detekcija procesa, stacionarnosti i trendova |
| 11. Vizualizacija i analiza morskih podataka s Ocean Data View (ODV) softverom |
| 12. Morska biogeokemija: programi praćenja, platforme za promatranje i povezani podaci |
| 13. Detekcija naftnih mrlja iz svemira sa SENTINEL-1 |
| 14. Analiza vremenskih nizova primarne proizvodnje i procjena parametara modela |
| 15. Pouzdani oceanografski izvori podataka: uvod u karakterizaciju stanja mora i valova vjetra |
| 16. Karakterizacija klimatologije valova |
| Vrste izvođenja nastave |
| - Predavanja - Vježbe - Mješovito e-učenje |
| Obveze studenata |
| Pohađati barem 70% predavanja i 70% vježbi |
| Praćenje rada studenata (ECTS) |
| - Pohađanje nastave (1.5) - Praktični rad (1) - Pismeni ispit (0.5) |
| Ocjenjivanje i vrjednovanje rada studenata |
| Studenti se evaluiraju nakon svakog predavanja; i nakon svakih vježbi. Studenti trebaju napraviti istraživački zadatak unutar međunarodne grupe studenata; napisati izvješće i prezentirati rezultate svog istraživanja. |
| Obvezna literatura |
| Izborna literatura |
| Načini praćenja kvalitete |
| Statistika ispitnih rezultata i studentsko evaluiranje putem anonimne ankete na kraju izvedbe predmeta. Anketa se provodi prema pravilniku Sveučilišta u Splitu. |
| Dodatne informacije |
| Kolegij se naslanja na zajednički kolegij sedam sveučilišta SEA-EU-a s predavačima sa istih sedam sveučilišta. Kolegij je podijeljen u dva dijela. Prvi uvodni dio sastoji se od predavanja i održava se u potpunosti on-line; drugi dio je praktičnog karaktera, sastoji se od vježbi koje se održavaju uživo na jednom od sedam sveučilišta (u trajanju od tjedan dana). Moguće je i drugi dio kolegija odslušati u cijelosti on-line. |
| Izvedba |
|
Sveučilišni diplomski studij • Fizika; smjer: Fizika okoliša (izborni 1. i 3. sem.) |
| Napomene: Vrste nastave (tip): (P) Predavanja; (S) Seminari; (A) Auditorne vježbe; (PK) Vježbe u praktikumu; (L) Laboratorijske vježbe; (M) Metodičke vježbe; (TJ) Vježbe tjelesnog odgoja; (T) Terenske vježbe. Prije početka nastave moguće su rošade izvođača nastave u svrhu optimizacije opterećenja. Prikazana je testna verzija automatskog generiranja informacija. |