5. CONCLUSION This research has sho

5. CONCLUSION

This research has shown that when merging CIR high-spatial
resolution aerial imagery with medium-spatial resolution satellite
imagery, an object-based classification will outperform both
supervised and unsupervised pixel-based methods. This supports
the findings of similar research that has been conducted in the last
few years. In general, the addition of the leaf-on data to the
image dataset improved overall classification accuracy and it
tended to improve the user’s accuracy for feature classes such as
deciduous and grassland.

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

5 สรุป

งานวิจัยนี้ได้แสดงให้เห็นว่าเมื่อรวม Cir สูงอวกาศ
ความละเอียดภาพถ่ายทางอากาศด้วยดาวเทียมความละเอียดกลางอวกาศภาพ
จำแนกวัตถุที่ใช้จะดีกว่า
ทั้งดูแลและใกล้ชิดพิกเซลวิธีการที่ใช้ การค้นพบนี้สนับสนุน
ของการวิจัยที่คล้ายกันซึ่งได้รับการดำเนินการในช่วงไม่กี่ปี
โดยทั่วไปที่นอกเหนือจากข้อมูลใบ-on
ชุดภาพการปรับปรุงความถูกต้องแม่นยำการจัดหมวดหมู่และมัน
มีแนวโน้มที่จะปรับปรุงความถูกต้องของผู้ใช้สำหรับการเรียนคุณลักษณะเช่นผลัดใบและทุ่งหญ้า
.

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

5. บทสรุป

งานวิจัยนี้ได้แสดงให้เห็นที่ผสาน CIR สูงปริภูมิ
ภาพถ่ายทางอากาศความละเอียดความละเอียดปานกลางปริภูมิเทียม
ภาพ การจัดประเภทตามวัตถุจะ outperform ทั้ง
แบบมีผู้สอน และ unsupervised พิกเซลตามวิธี นี้สนับสนุน
ที่พบของการวิจัยที่คล้ายกันซึ่งสุดท้าย
ไม่กี่ปี โดยทั่วไป การเพิ่มของใบไม้บนข้อมูลการ
ปรับปรุงชุดข้อมูลภาพรวมการจัดประเภทความแม่นยำและ
แนวโน้มที่จะ ปรับปรุงความถูกต้องของผู้เรียนคุณลักษณะเช่น
ผลัดใบ และกราสแลนด์

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

5 . บทสรุป

การวิจัยนี้ได้แสดงให้เห็นว่าเมื่อรวม ภาพถ่าย ทางอากาศ
ซึ่งจะช่วยความละเอียดสูงแบบอินทิเกรต CIR ช่องพร้อมด้วยขนาดกลาง - ช่องดาวเทียมความละเอียด ภาพ
ซึ่งจะช่วยการแบ่ง ประเภท วัตถุซึ่งจะเร่งพัฒนาขีดความสามารถด้านวิธีการพิกเซล
ซึ่งจะช่วยทั้งมีการตรวจสอบและไม่มีการตรวจสอบ นี้สนับสนุนการค้นพบ
ซึ่งจะช่วยให้มีการวิจัยความเหมือนที่ได้รับการจัดให้บริการในช่วงไม่กี่ปีที่ผ่านมา
ซึ่งจะช่วยได้ โดยทั่วไปแล้วนอกจากนี้ยังได้ของใบไม้ที่ข้อมูลในการตอบแทน
dataset ภาพ ความถูกต้องมากขึ้นการแบ่ง ประเภท โดยรวมและ
มีแนวโน้มที่จะเพิ่มความแม่นยำของผู้ใช้สำหรับชั้นเรียนโดดเด่นไปด้วยเช่นทุ่งหญ้าและป่าเบญจพรรณ
.

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.