Algorithms for image data processing from the Sentinel satellites

Automatické mapovanie krajinného pokryvu a využitia územia je jednou z najdoležitejších úloh vzdialeného prieskumu Zeme. Problémom v tejto oblasti je nedostatok kvalitných ground truth dát, ktorých tvorba býva často náročná minimálne z časového hľadiska. V tejto práci úkážeme, že satelitné snímky generované misiou Sentinel-2 a mapové dáta z verejnej databázy OpenStreetMap tvoria prístupný a cenný zdroj dát na automatizáciu takejto tvorby datasetov krajinného pokryvu. Následne sú tieto datasety použité na riešenie klasifikácie a sémantickej segmentácie pokrytia krajiny v satelitných snímkach za pomoci algoritmov založených na metódach strojového učenia. Dosiahnuté výsledky sú nakoniec porovnávané a diskutované vzhľadom ku kvalite vytvorených modelov ale aj vzhľadom ku použitým algoritmom, počtu spektrálnych pásiem a nevyváženosti použitých datasetov.Automatic mapping of land cover and land use is one of the most important tasks of remote sensing. The problem in this area is the lack of ground truth data, the creation of which is often demanding at least in terms of time. In this work, we show that satellite imagery generated by the Sentinel-2 mission and map data from the public OpenStreetMap database form an accessible and valuable source of data to automate such land cover dataset creation. Subsequently, these datasets are used to solve the classification and semantic segmentation of landscape coverage in satellite images using algorithms based on machine learning methods. The achieved results are finally compared and discussed with respect to the quality of the created models but also with respect to the algorithms used, the number of spectral bands and the imbalance of the datasets used