Využití neuronových sítí k predikci povrchové teploty ve městech pomocí satelitních snímků v ČR
Autor(ka) práce:
Planka, Jakub
Typ práce:
Bakalářská práce
Vedoucí práce:
Sokol, Ondřej
Oponenti práce:
Lacko, Jindřich
Jazyk práce:
Česky
Abstrakt:
Stále rostoucí průměrné teploty ve městech mění způsob, jakým se díváme na strukturu městské zástavby. Průměrné červencové povrchové teploty se mohou v rámci města lišit až o více než 10 °C, a tudíž bude kvalita života obyvatel čím dál více záviset i na tom, v jaké čtvrti žijí. Práce si klade za cíl vytvořit model neuronové sítě pro predikci povrchové teploty (LST) na území Prahy a jejího blízkého okolí s potenciálním využitím v moderních aplikacích pro plánování městské zástavby. Výsledkem práce je rovněž metodika zpracování dat a tvorby modelu použitelná pro předpověď LST i v jiných městech. Metodika kombinuje veřejně dostupná data z nejrůznějších zdrojů jako jsou NASA, ESA nebo OSM a uvádí použití RBF a dalších metod k obohacení dat s prostorovou závislostí. Výsledný model dosahuje MAE 0,2095 °C a vysvětluje 96,53 % variability LST. Predikční schopnost modelu byla dále ověřena experimentem typu ceteris paribus, který vyloučil příliš velký vliv prostorově závislých proměnných na predikci LST a podporuje vhodnost modelu pro další využití.
Klíčová slova:
strojové učení; urbanistika; satelitní snímky; predikce teploty; hluboké neuronové sítě; LST; městské tepelné ostrovy
Název práce:
Utilizing Neural Networks to Predict Land Surface Temperature in Urban Areas Using Satellite Imagery in the Czech Republic
Autor(ka) práce:
Planka, Jakub
Typ práce:
Bachelor thesis
Vedoucí práce:
Sokol, Ondřej
Oponenti práce:
Lacko, Jindřich
Jazyk práce:
Česky
Abstrakt:
Rising average temperatures in cities are reshaping the way we view urban structure and development. Average July land surface temperatures (LST) can vary by more than 10 °C within a single city, and thus, the quality of life is increasingly influenced by the specific district in which residents live. This thesis aims to develop a neural network model for predicting land surface temperature (LST) in Prague and its surrounding areas, with potential applications in urban planning. The thesis also presents a data processing and modeling methodology that can be adapted for LST prediction in other cities. The methodology combines publicly available data from various sources, such as NASA, ESA, and OSM, and incorporates RBF and other methods to enrich the data with spatial dependencies. The resulting model achieves a mean absolute error (MAE) of 0.2095 °C and explains 96.53 % of the variability in LST. The model’s predictive performance was further examined through a ceteris paribus experiment, which ruled out excessive influence of spatially dependent variables on the LST prediction, supporting the model’s suitability for further application.
Klíčová slova:
temperature prediction; machine learning; LST; urban planning; deep neural networks; satellite imagery; urban heat islands