In the next step, objects are reall

In the next step, objects are reallocated among the classes according to the relative similarity between objects and clusters based on distance analysis (e.g., Euclidian, diagonal, or Mahalanobis). Reallocation continues by iteration until a stable result is reached, in which similar objects with similar reflectance (or backscatter) characteristics are grouped together in each cluster. The advantage of k-means clustering, as well as other unsupervised methods is that they require no prior training data. Therefore, it is suitable for application to remotely sensed data for remote regions, such as high northern latitudes, where collection of training samples is difficult due to accessibility. In the first stage of the ice mapping algorithm, the fuzzy k-means was used on the backscatter-filtered images to create 10 classes. We examined a different number of backscatter classes as inputs in the classifier to select the optimal number of classes with respect to the separation of ice classes with slight differences in backscatter values, such as open water and thermal ice, juxtaposed ice and consolidated ice.

ผลลัพธ์ (ไทย) 1:

ในขั้นตอนต่อไป วัตถุที่จัดสรรใหม่ระหว่างเรียนตามเฉพาะสัมพัทธ์ระหว่างวัตถุและคลัสเตอร์ที่ใช้ในการวิเคราะห์ระยะ (เช่น Euclidian เส้นทแยงมุม หรือ Mahalanobis) ปันส่วนอย่างต่อเนื่อง โดยการวนซ้ำจนกว่าผลลัพธ์ที่มีเสถียรภาพถึง ในวัตถุซึ่งคล้ายกับคล้ายแบบสะท้อนแสง (หรือ backscatter) ลักษณะด้วยกันเป็นกลุ่มในแต่ละคลัสเตอร์ ประโยชน์ของระบบคลัสเตอร์ ตลอดจนอื่น ๆ วิธี unsupervised k หมายถึงคือ พวกเขาต้องไม่มีข้อมูลการฝึกอบรมทราบ จึง มันเป็นแอพลิเคชันข้อมูลระยะไกลทรงสำหรับภูมิภาคระยะไกล เช่นสูง latitudes เหนือ ยากเนื่องจากการเข้าถึงชุดฝึกอบรมอย่างเหมาะ ในระยะแรกของอัลกอริทึมการแม็ปน้ำแข็ง เอิบ k วิธีใช้บนภาพกรอง backscatter สร้างชั้น 10 เราตรวจสอบจำนวน backscatter เรียนเป็นอินพุตใน classifier เพื่อเลือกจำนวนชั้นเรียนเกี่ยวกับการแยกของชั้นน้ำแข็งที่มีความแตกต่างเล็กน้อยในค่า backscatter น้ำ และความร้อนน้ำแข็ง น้ำแข็งความหรูหราอันน่าเหมาะสมที่สุด และรวมน้ำแข็ง

ผลลัพธ์ (ไทย) 2:

ในขั้นตอนต่อไปจะมีการจัดสรรวัตถุในหมู่ชั้นเรียนตามความคล้ายคลึงกันระหว่างวัตถุญาติและกลุ่มจากการวิเคราะห์ทางไกล (เช่น Euclidian ขวางหรือ Mahalanobis) จัดสรรอย่างต่อเนื่องโดยการทำซ้ำจนกว่าจะมีผลที่มีเสถียรภาพจะมาถึงซึ่งในวัตถุที่คล้ายกันกับการสะท้อนที่คล้ายกัน (หรือแสงสะท้อน) ลักษณะจะถูกจัดกลุ่มกันในแต่ละกลุ่ม ประโยชน์ของการจัดกลุ่ม k-วิธีการเช่นเดียวกับวิธีการใกล้ชิดอื่น ๆ ที่พวกเขาไม่จำเป็นต้องมีข้อมูลการฝึกอบรมก่อน ดังนั้นจึงเหมาะสำหรับการใช้งานจากระยะไกลรู้สึกข้อมูลสำหรับพื้นที่ห่างไกลเช่นละติจูดเหนือสูงที่เก็บตัวอย่างการฝึกอบรมเป็นเรื่องยากที่จะเข้าถึงเนื่องจาก ในขั้นตอนแรกของขั้นตอนวิธีการทำแผนที่น้ำแข็งเลือน k หมายถึงถูกนำมาใช้กับภาพสะท้อนกรองเพื่อสร้าง 10 ชั้นเรียน เราตรวจสอบจำนวนที่แตกต่างกันของการเรียน backscatter เป็นปัจจัยการผลิตในลักษณนามเพื่อเลือกจำนวนที่เหมาะสมของการเรียนที่เกี่ยวกับการเรียนการแยกของน้ำแข็งที่มีความแตกต่างกันเล็กน้อยในค่าแสงสะท้อนเช่นเปิดน้ำและน้ำแข็งร้อนวางน้ำแข็งและน้ำแข็งรวม

ผลลัพธ์ (ไทย) 3:

ในขั้นตอนต่อไป สิ่งของจะถูกจัดสรรในชั้นเรียนตามความสัมพันธ์ระหว่างวัตถุและกลุ่มขึ้นอยู่กับการวิเคราะห์ระยะทาง ( เช่น euclidian , แนวทแยงหรือ mahalanobis ) จัดสรรอย่างต่อเนื่องโดยทำซ้ำจนกว่าผลมั่นคงได้ ซึ่งวัตถุที่คล้ายกันกับการสะท้อนคล้าย ( หรือแบคสแคตเตอร์ ) ลักษณะจะถูกจัดกลุ่มเข้าด้วยกัน ในแต่ละกลุ่มประโยชน์ของ k-means การจัดกลุ่มเช่นเดียวกับวิธีการอื่น ๆ ที่พวกเขา unsupervised ต้องไม่มีข้อมูลการฝึกอบรมก่อน ดังนั้น จึงเหมาะสำหรับการประยุกต์ใช้ข้อมูลจากดาวเทียมสำหรับพื้นที่ห่างไกล เช่น สูง ละติจูดเหนือ ซึ่งการเก็บตัวอย่างการฝึกอบรมได้ยากเนื่องจากการเข้าถึง ในขั้นตอนแรกของแมปน้ำแข็งขั้นตอนวิธีk-means ฟัซซี่ที่ใช้ในแบคสแคตเตอร์กรองภาพการสร้าง 10 ชั้น เราตรวจสอบหมายเลขที่แตกต่างกันของชั้นเรียนเป็นปัจจัยการผลิตในแบบกระเจิงกลับเลือกหมายเลขที่เหมาะสมของบทเรียนด้วยการแยกของน้ำแข็งชั้นเรียนที่มีความแตกต่างเล็กน้อยในกระเจิงกลับค่า เช่น น้ำ และความร้อน น้ำแข็ง juxtaposed น้ำแข็งรวม และน้ำแข็ง