Tato diplomová práce se zabývá přesností klasifikace tří vybraných krajinných jednotek. Klasifikace je provedena pomocí čtyř vybraných algoritmů strojového učení - CART, Random Forest, Minimum Distance a Naive Bayes. Spuštění klasifikace kompletně probíhá v GEE. V práci jsou použity tři satelitní multispektrální snímky z družic Sentinel-2, Landsat 8 a MODIS. Dílčí část klasifikace je provedena v cloudovém prostředí Google Earth Engine, kdežto již samotné zpracování je realizováno v desktopovém softwaru ArcGIS Pro. Výsledky klasifikace jsou porovnány s referenčními vrstvami pro všechny 3 úrovně - land cover, land use a biotop. Výsledkem práce je procentuální porovnání klasifikací v kategoriích. A shoda klasifikace s referenční vrstvou určující přesnost klasifikace. Výstupy jsou vypracovány v tabulkové a grafické podobě. Nejlepší výsledky klasifikace prokazuje algoritmus Random Forest, naopak nejslabší výsledky Naive Bayes. Při porovnání shod v kategoriích, jsou brány v potaz všechny tři zkoumané krajinné jednotky, ukazuje na území Olomouce nejlepší výsledky algoritmus CART a na území Černovic algoritmus Na?ve Bayes. Klasifikace s nejvyšším procentem shody vychází pro testovací snímek Sentinel-2.This thesis deals with the classification accuracy of three selected landscape units. The classification is performed using four selected machine learning algorithms - CART, Random Forest, Minimum Distance and Naive Bayes. The execution of the classification is completely done in GEE. Three satellite multispectral images from Sentinel-2, Landsat 8 and MODIS satellites are used in this work. The classification part is performed in the cloud environment of Google Earth Engine, whereas the actual processing is performed in the desktop software ArcGIS Pro. The classification results are compared with reference layers for all 3 levels - land cover, land use and habitat. The result of the work is a percentage comparison of the classifications in the categories. And the agreement of the classification with the reference layer determining the accuracy of the classification. The outputs are produced in tabular and graphical form. The Random Forest algorithm shows the best classification results, while Naive Bayes shows the worst results. When comparing the matches in the categories, all three studied landscape units are taken into account, the CART algorithm shows the best results in the territory of Olomouc and the Na?ve Bayes algorithm in the territory of Černovice. The classification with the highest percentage of agreement is based on the Sentinel-2 test image.