Náplní této práce bude zhodnocení potenciálu metod strojového učení vylepšit standardní modely používané pro charakterizaci stavu atmosféry ze spektrálních vlastností družicových dat. Na vhodně zvolených časových řadách, např. klasifikaci druhů oblačnosti, provedeme srovnání tradičních metod výpočtu těchto parametrů (např. pomocí produktů sítě SAF) a různých metod strojového učení (rozhodovací stromy, SVM, neuronové sítě apod., vše s využitím existujících knihoven jazyka Python). Možná je i validace v literatuře dříve publikovaných modelů. V případě úspěchu se předpokládá zapojení výstupů diplomové práce do operativního zpracování družicových dat na ČHMÚ.
References
Amr, Tarek. Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine learning algorithms in Python. Birmingham, UK: Packt Publishing, 2020. ISBN: 978-1838826048
Sebastian Raschka, Vahid Mirjalili. Python Machine Learning. 2nd Edition. Birmingham, UK: Packt Publishing, 2017. ISBN: 978-3958457331
Dokumentace ke knihovnán jazyka Python zaměřeným na strojové učení https://scikit-learn.org/ , https://xgboost.readthedocs.io/ , https://lightgbm.readthedocs.io/ , https://pytorch.org/, dále dokumentace k projektům SAF (Satellite Application Facility) organizece EUMETSAT např. AC (Atmospheric Composition Monitoring) SAF www.acsaf.org a NWC (SAF on support to Nowcasting and Very Short-Range Forecasting) SAF www.nwcsaf.org
Preliminary scope of work
Z družicových dat lze odvodit řadu různých parametrů stavu atmosféry. Může jít o klasifikaci oblačnosti, celkové sloupce plynů, informace o výskytu mlh, vertikálním profilu směru a rychlosti větru a řadu dalších. V současné době dochází k výraznému rozšíření metod strojového učení do všech oblastí lidské činnosti. Hlavní náplní této práce bude zhodnocení potenciálu metod strojového učení vylepšit standardní modely používané pro charakterizaci stavu atmosféry ze spektrálních vlastností družicových dat.
