香港理工大学全奖博士项目(Prof. Joseph Awange)

一、学校招生要求

香港理工大学全奖博士项目(Prof. Joseph Awange)

基本学术条件

博士申请需要具备硕士学位且包含重要研究成分(如学位论文),或者一等荣誉学士学位。表现优异的MPhil学生也可以直接转入PhD项目。

英语语言要求

非英语母语申请者需要提供IELTS或TOEFL成绩,通常要求IELTS不低于6.5分或TOEFL不低于90分。

申请材料清单

·学术成绩单和学位证书

·英语水平测试成绩

·详细研究计划书

·推荐信

·可能需要参加面试

申请时间安排

2026年1月入学的申请截止日期为2025年9月30日。PolyU采用滚动招生制度,全年有三个入学时间点。

奖学金机会

Hong Kong PhD Fellowship Scheme (HKPFS)

四年制PhD学生通过HKPFS在PolyU的总资助包高达167万港元,还提供两年住宿保障。成功获得HKPFS的学生将在整个正常学习期间获得:每月生活津贴、会议和研究相关旅行津贴每年约1760美元、第一年4万港元现金奖励,第二年起每年2万港元、两年住宿保障。

PolyU Presidential PhD Fellowship Scheme (PPPFS)

PPPFS专为全球顶尖候选人设计,主要申请截止日期通常在每年12月,还有4月1日的清算轮。

二、教授研究方向

香港理工大学全奖博士项目(Prof. Joseph Awange)

核心研究领域

Environmental Geoinformatics团队

Prof. Joseph Awange领导的Environmental Geoinformatics团队专注于利用人工智能技术充分挖掘地球观测数据的潜力。团队整合了地理信息学、气候科学和AI技术,将AI作为强大的计算引擎来分析EO遥感数据和水文气候数据集。

卫星监测技术应用

团队利用GRACE/GRACE-FO、GNSS、Landsat、Sentinel-2和测高数据来追踪淡水储存变化,包括地表水、地下水、土壤湿度和植被含水量,同时监测大气空气质量和极端天气事件。

再分析与水文气候模型

应用ERA5、MERRA-2、GLDAS、WGHM和AWRA等模型来解决粮食安全挑战和极端水文气候事件,例如澳大利亚和非洲大湖区的干旱、亚洲和非洲季风模式的变化。

气候变化影响评估

团队重点评估气候变化对非洲、亚洲和澳大利亚地区水资源可利用性和农业可持续性的影响,这些地区主要依赖雨养农业。

数学地球科学创新

混合符号-数值计算 (HSNC)

团队还在数学与计算机科学交叉领域开拓Hybrid Symbolic-Numeric Computations,目前研究重点是部署AI来解决复杂的地球科学方程,推动地球科学分析能力的边界。

最新研究成果

根据教授2025年的最新发表文章,团队在以下方面取得重要进展:

·Sudd湿地的水储存动态重建与降尺度研究

·基于生成对抗网络的GRACE数据降尺度新方法

·长跨度桥梁的动态监测与特征分析

·长江流域陆地水储存异常趋势的驱动因素探索

·混合成像与可视化的机器学习应用

三、创新研究想法

基于Prof. Awange的研究方向,这里提出几个高质量可行的创新研究计划:

研究方向一:多源AI融合的极端天气预警系统

结合GRACE/GRACE-FO重力数据、Sentinel系列光学数据、GNSS-RO大气数据,开发基于深度学习的多模态融合模型,实现对干旱、洪水等极端天气事件的提前3-6个月预警。重点解决数据异构性和时空尺度不匹配问题,构建适用于"一带一路"沿线国家的业务化预警系统。

研究方向二:基于Transformer架构的GRACE数据时空重建

针对GRACE卫星数据缺失期(2017-2018)和空间分辨率有限的问题,开发基于Vision Transformer和时序Transformer的混合架构,融合多源遥感数据(Landsat、MODIS、气象数据等),实现GRACE数据的时空超分辨率重建。预期将空间分辨率从300km提升至30km,时间分辨率从月尺度提升至周尺度。

研究方向三:城市韧性的AI评估与优化框架

整合卫星遥感、物联网传感器、社交媒体数据,构建基于图神经网络的城市韧性评估模型。通过分析城市水系统、交通网络、绿色基础设施的时空演化,开发动态韧性指数,为香港等沿海城市制定气候适应策略提供科学依据。

研究方向四:跨尺度水循环过程的物理约束机器学习

结合物理过程模型和机器学习方法,开发Physics-Informed Neural Networks (PINNs)来模拟和预测不同时空尺度的水循环过程。重点解决从流域尺度到全球尺度的水文过程建模,确保模型既具有物理意义又能处理高维复杂数据。

研究方向五:基于卫星大数据的碳-水耦合循环监测

利用OCO-2/3碳卫星数据、GRACE水储存数据、植被指数数据,构建基于深度学习的碳-水耦合循环监测与预测模型。开发新的算法来量化植被碳固存与水分利用效率的关系,为碳中和目标下的生态系统管理提供技术支撑。

【竞赛报名/项目咨询+微信:mollywei007】

上一篇

AP微积分和统计哪个才是真正的“爬藤利器”?

下一篇

发了Nature就能去高校当教授?

你也可能喜欢

  • 暂无相关文章!

评论已经被关闭。

插入图片
返回顶部
Baidu
map