Use of machine learning methods for satellite data processing
Využití metod strojového učení pro zpracování družicových dat
diploma thesis (DEFENDED)

View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/176019Identifiers
Study Information System: 231866
Collections
- Kvalifikační práce [11424]
Author
Advisor
Consultant
Seidl, Jakub
Šťástka, Jindřich
Referee
Piskala Gvoždíková, Blanka
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
Atmospheric Physics, Meteorology and Climatology
Department
Department of Atmospheric Physics
Date of defense
12. 9. 2022
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
English
Grade
Excellent
Keywords (Czech)
strojové učení|družicová data|SAF|oblačnostKeywords (English)
machine learning|satellite data|SAF|cloudsMeteorologické prvky jako jsou oblaka lze pozorovat dvěma způsoby - z pozemních stanic a v posledních desetiletích také distančními metodami. Vzhledem k tomu, že oba zmíněné pohledy jsou odlišné, není snadné je porovnávat. V naší práci používáme data MSG, zejména data označovaná level 1.5 a produkt cloud type od NWC SAF, a pozorování oblačnosti na pozemních stanicích ČHMÚ pozorovateli. Na základě těchto dat vytváříme ML modely, které ze vstupních družicových dat nejlépe určí kategorie, které by pozoroval pozorovatel na pozemní stanici. Pro tuto úlohu je nutné zvolit vhodný typ modelu, nastavit nejvhodnější parametry a také se vypořádat s nevyváženým zastoupením různých meteorologických jevů a s nimi spojených kategorií oblačnosti.
Meteorological features, such as clouds, can be observed in 2 ways - from ground stations and, more recently in the last decades, by distance methods. The fact that the two views mentioned are different makes it not easy to compare them. In our work, we use MSG data, such as level 1.5 data and NWC SAF product cloud type, and cloud determination at ground stations by observers from CHMI. Based on these data, we build ML models that best determine from the input satellite data the categories that would be observed by the ground-based observer. It is necessary to select the appropriate model type for this task, set the most suitable parameters and also deal with the imbalanced representation of the different meteorological phenomena and associated cloud categories.