ABSTRACT: Land Use/Land Cover (LULC

ABSTRACT:

Land Use/Land Cover (LULC) classifications have proven to be valuable assets for resource managers interested in landscape
characteristics and the changes that occur over time. This study made a comparison of an object-based classification with supervised
and unsupervised pixel-based classification. Two multi-temporal (leaf-on and leaf-off), medium-spatial resolution SPOT-5 satellite
images and a high-spatial resolution color infrared digital orthophoto were used in the analysis. Combinations of these three images
were merged to evaluate the relative importance of multi-temporal and multi-spatial imagery to classification accuracy. The object-
based classification using all three-image datasets produced the highest overall accuracy (82.0%), while the object-based
classification using the high-spatial resolution image merged with the SPOT-5 leaf-off image had the second highest overall
accuracy (78.2%). While not significantly different from each other, these two object-based classifications were statistically
significantly different from the other classifications. The presence of the high-spatial resolution imagery had a greater impact on
improving overall accuracy than the multi-temporal dataset, especially with the object-based classifications.

ABSTRACT:
 
Land Use/Land Cover (LULC) classifications have proven to be valuable assets for resource managers interested in landscape
characteristics and the changes that occur over time. This study made a comparison of an object-based classification with supervised
and unsupervised pixel-based classification. Two multi-temporal (leaf-on and leaf-off), medium-spatial resolution SPOT-5 satellite
images and a high-spatial resolution color infrared digital orthophoto were used in the analysis. Combinations of these three images
were merged to evaluate the relative importance of multi-temporal and multi-spatial imagery to classification accuracy. The object-
based classification using all three-image datasets produced the highest overall accuracy (82.0%), while the object-based 
classification using the high-spatial resolution image merged with the SPOT-5 leaf-off image had the second highest overall
accuracy (78.2%). While not significantly different from each other, these two object-based classifications were statistically
significantly different from the other classifications. The presence of the high-spatial resolution imagery had a greater impact on
improving overall accuracy than the multi-temporal dataset, especially with the object-based classifications.

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

นามธรรม:

ที่ดินครอบคลุมการใช้งาน / ที่ดิน (lulc) จำแนกได้พิสูจน์แล้วว่าเป็นทรัพย์สินที่มีค่าสำหรับผู้จัดการทรัพยากรที่สนใจในลักษณะ
ภูมิทัศน์และการเปลี่ยนแปลงที่เกิดขึ้นเมื่อเวลาผ่านไป การศึกษานี้ทำจากการเปรียบเทียบการจัดหมวดหมู่ของวัตถุที่ใช้กับ
ภายใต้การดูแลใกล้ชิดและการจัดหมวดหมู่ตามพิกเซล สองหลายชั่วขณะ (ใบและใบปิด), กลางอวกาศมติจุด-5 ดาวเทียม
ภาพและสีความละเอียดสูงอวกาศอินฟราเรด ortho ระบบดิจิตอลถูกนำมาใช้ในการวิเคราะห์ การรวมกันของทั้งสาม
ภาพรวมในการประเมินความสำคัญของภาพหลายชั่วขณะและหลายพื้นที่เพื่อความถูกต้องของการจัดหมวดหมู่ วัตถุ-
การจำแนกโดยใช้ชุดข้อมูลสามภาพทั้งหมดที่ผลิตโดยรวมของความถูกต้องที่สูงที่สุด (82.0%) ในขณะที่วัตถุที่ใช้
การจัดหมวดหมู่การใช้ภาพความละเอียดสูงของพื้นที่รวมกับจุด-5 ภาพใบปิดมีความถูกต้องที่สองรวมสูงสุด
(78.2%) ในขณะที่ไม่แตกต่างกันอย่างมีนัยสำคัญจากกันและกันทั้งสองจำแนกประเภทวัตถุที่ใช้เป็นทางสถิติอย่างมีนัยสำคัญที่แตกต่างกัน
จากการจำแนกประเภทอื่น ๆ การปรากฏตัวของภาพความละเอียดสูงของพื้นที่มีผลกระทบมากขึ้นใน
การปรับปรุงความถูกต้องโดยรวมกว่าชุดข้อมูลหลายชั่วขณะโดยเฉพาะอย่างยิ่งกับการจำแนกประเภทวัตถุที่ใช้.

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

บทคัดย่อ:

จัดประเภทที่ดินใช้/ที่ดินครอบคลุม (LULC) ได้พิสูจน์ให้ ล้ำสำหรับจัดการทรัพยากรในแนวนอน
ลักษณะและการเปลี่ยนแปลงที่เกิดขึ้นช่วงเวลา การศึกษานี้ทำการเปรียบเทียบการจัดประเภทตามวัตถุด้วยมี
และ unsupervised พิกเซลตามประเภท สอง multi-temporal (ใบบน และใบปิด), กลางปริภูมิความดาวเทียมจุด 5
ภาพและความละเอียดสูงปริภูมิสีอินฟราเรดดิจิตอล orthophoto ถูกใช้ในการวิเคราะห์การ ชุดของภาพเหล่านี้สาม
ถูกรวมในการประเมินความสำคัญของ multi-temporal และ multi-spatial ภาพถ่ายการจัดประเภทความแม่นยำ วัตถุ-
ตามประเภทที่ใช้ทั้งหมด 3 ภาพ datasets ผลิตความสูงโดยรวมแม่นยำ (82.0%), ในขณะวัตถุตาม
การจัดประเภทโดยใช้ภาพความละเอียดสูงพื้นที่รวม 5 จุดภาพใบปิดมีสองโดยรวมสูงสุด
(78.2%) ความถูกต้อง ในขณะที่ไม่มีนัยสำคัญแตก เหล่านี้จัดประเภทตามวัตถุสองถูกทางสถิติ
แตกต่างอย่างมีนัยสำคัญจากการจัดประเภทอื่น ๆ ของภาพความละเอียดสูงปริภูมิที่มีผลกระทบบน
ปรับปรุงความแม่นยำโดยรวมกว่าชุดข้อมูล multi-temporal โดยเฉพาะอย่างยิ่งกับการจัดประเภทตามวัตถุ

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

การแบ่ง ประเภท เป็นนามธรรม:

แผ่นดินใช้/บนบกฝาครอบ( lulc )ได้รับการพิสูจน์แล้วว่าเป็นทรัพย์สินที่มีค่าสำหรับผู้จัดการฝ่ายไอทีมีความสนใจในด้านของ ทัศนียภาพ ทรัพยากร
ลักษณะและความเปลี่ยนแปลงที่เกิดขึ้นในช่วงเวลา การศึกษานี้ได้ทำการเปรียบเทียบการแบ่ง ประเภท วัตถุที่พร้อมด้วยการแบ่ง ประเภท พิกเซล
ซึ่งจะช่วยแบบไม่มีการตรวจสอบและมีการตรวจสอบ สองจุดให้บริการความละเอียดขนาดกลาง - ช่องแบบมัลติ - Temporal Key Integrity Protocol (ใบและใบ - ปิด) 5 สัญญาณดาวเทียม
ภาพ และระดับสูง - ช่องดิจิตอลอินฟราเรด orthophoto สีความละเอียดที่ถูกใช้ในการวิเคราะห์ การรวมตัวกันของทั้งสาม ภาพ เหล่านี้ได้ถูกรวมเข้าไว้ด้วยกัน
ซึ่งจะช่วยในการประเมินความสำคัญที่เกี่ยวข้องกับเรื่องของ ภาพ แบบมัลติ - Temporal Key Integrity Protocol และแบบมัลติ - Spatial Diversity เพื่อความแม่นยำการแบ่ง ประเภท ออบเจกต์ -
ซึ่งใช้การแบ่ง ประเภท การใช้ datasets สาม - ภาพ โดยรวมความแม่นยำผลิตสูงสุด( 82.0% )ในขณะที่วัตถุแบบใช้
การแบ่ง ประเภท การใช้ ภาพ ความละเอียดสูง - บางส่วนที่นำมารวมกับ ภาพ จุดให้บริการ 5 ใบที่มีสูงโดยรวม
ความเที่ยงตรง( 78.2% ) ในขณะที่ไม่ได้แตกต่างอย่างมีนัยสำคัญจากกันการแบ่ง ประเภท สองวัตถุ - ใช้เหล่านี้เป็นสถิติ
แตกต่างอย่างมีนัยสำคัญจากการแบ่ง ประเภท อื่นๆ การที่มี ภาพ ความละเอียดสูง - บางส่วนที่ได้รับผลกระทบมากกว่าที่
การปรับความเที่ยงตรงโดยรวมมากกว่า dataset แบบมัลติ - Temporal Key Integrity Protocol ได้โดยเฉพาะกับออบเจกต์ที่ใช้การแบ่ง ประเภท .
ได้

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.