Obchodní hodnocení ML systému pro predikce městských hotspotů na základě satelitních dat

Abstract

Tato práce se věnuje využití strojového učení a družicových dat (Landsat, Sentinel) pro predikci tepelných map ve městském prostředí. Byly navrženy a otestovány modely hlubokého učení, zejména architektury CNN a U-Net, pro predikci teplotních polí na základě environmentálních ukazatelů. V rámci této práce bylo natrénováno a vyhodnoceno přes 200 modelů s různými kombinacemi parametrů napříč různými městy. Součástí práce je ekonomické zhodnocení přínosu predikcí pro městské plánování a podnikatelksý záměr včetně SWOT analýzy.

This thesis focuses on the use of machine learning and satellite data (Landsat, Sentinel) for predicting thermal maps in urban environments. Deep learning models, particularly CNN and U-Net architectures, were designed and tested to predict temperature fields based on environmental indicators. Over 200 models were trained and evaluated using different parameter combinations across various cities. The thesis includes an economic assessment of the predictive models benefits for urban planning, along with a business plan and SWOT analysis.