Lista referatów i streszczenia SEP 2025

Materiały Szkoły Eksploatacji Podziemnej 2025 S P I S R E F E R A T Ó W i S T R E S Z C Z E N I A 50 | S t r o n a differences for enzymes related to the cycles of carbon, nitrogen, and sulfur. In the case of phosphorus, a growth trend was observed; however, the results were not statistically significant. Furthermore, the study investigated the correlation between microbiological test results and selected physicochemical soil parameters. The findings of this research indicate that the age of the spoil heap significantly impacts changes in microbiological and physicochemical parameters in habitats colonized by B. pendula. Establishment and status of implementation of the sheep-wool on a heap project. The role of modern materials engineering technologies in supporting natural processes and water retention on post-mining mineral substrates Anna Salachna - Uniwersytet Bielsko-Bialski Zastosowanie metod uczenia maszynowego w badaniach środowiskowych nad zdegradowanymi siedliskami Anna Piekarska-Stachowiak - Uniwersytet Śląski, Khrystyna Mityushkina - Mariupol State University, Marcin Lipowczan, Justyna Czaja, Zbigniew Wilczek - Uniwersytet Śląski Streszczenie: Zastosowanie metod uczenia maszynowego (ML) w badaniach środowiskowych umożliwia skuteczną analizę i prognozowanie zmian w zdegradowanych siedliskach. Techniki ML, takie jak sieci neuronowe, drzewa decyzyjne przetwarzają złożone dane ekologiczne w celu oceny utraty bioróżnorodności, wpływu zanieczyszczeń i procesów regeneracji. Ich wykorzystanie usprawnia monitorowanie środowiska oraz wspiera podejmowanie decyzji na rzecz ochrony ekosystemów i minimalizacji skutków działalności człowieka. Biophysical methods used in environmental study analysed by Machine Learning methods Marcin Lipowczan - Uniwersytet Śląski, Olena Suzdalieva - Mariupol State University, Anna Piekarska-Stachowiak, Justyna Czaja, Zbigniew Wilczek - Uniwersytet Śląski Streszczenie: Metody biofizyczne są kluczowe w badaniach środowiskowych, dostarczając precyzyjnych danych o stanie ekosystemów. Ich analiza za pomocą metod uczenia maszynowego (ML) pozwala na identyfikację wzorców, prognozowanie zmian oraz ocenę skutków antropopresji. Techniki ML, takie jak sieci neuronowe, drzewa decyzyjne i klastrowanie, usprawniają interpretację danych, wspierając monitorowanie degradacji siedlisk, zanieczyszczeń i procesów regeneracyjnych, co przyczynia się do skuteczniejszej ochrony środowiska.