2.3. Ground reference dataFive stud

2.3. Ground reference data
Five study plots were selected along the study area (Fig. 1b).
Accessibility and knowledge of the agricultural practices were considered when the plots were selected. Field maps were drawn by
hand on paper prints of Nikon D3X aerial images. For larger fields
only the most common plant species were recorded. This produced,
for example, maize field polygons that contained also small trees
and cassava. The mapping was done mainly by local guides who had
the best knowledge of the plant species found in the area. A total of
35 plant species were mapped. Agricultural crops included maize
(Zea mays), mango (Mangifera indica), sugarcane (Saccharum officinarum), banana (Musa acuminate), yam (Dioscoreaspp.), cassava
(Manihot esculenta), coconut (Cocos nucifera), guava (Psidium guajava) and papaya (Carica papaya). Additionally acacia (Acaciaspp.)
and grevillea (Grevillea robusta) trees and some other rarer species
were mapped.
The field maps were digitized and registered to an image mosaic
created from the Nikon D3X images. There were geometric mismatches between the Nikon D3X images and the AisaEAGLE data.
Thus the polygons were edited using AisaEAGLE mosaic to match
the targets more accurately in the classification. Each tree was
drawn as an individual polygon and the largest fields were split
into smaller segments that included mainly a single crop. Polygons
where target species were not visually detected were omitted. A
subset of the polygons was created that contained only the mos ominant species, which were included in the classification and
are hereafter referred as target species (maize, mango, sugarcane,
banana, yam, acacia and grevillea). Additionally, shadows from
trees were collected as polygons and included in the classification.
This subset was further divided into training polygons (30% of the
polygons) and validation polygons (70% of the polygons) (Table 1.).
The remaining 192 polygons containing 28 non-target species
were used for assessing the performance of the classification algorithm in the areas that are known to contain none of the target
species.
Training and validation pixels for each class were collected
within the polygons as single pixels (Table 1;Fig. 1a). Pixels were
collected from points where it was possible to get good signal from
the target species. For example pixels were not collected from bare
soil areas within maize fields or heavily shadowed edges of the
trees. As polygons were divided into training and validation groups
before the pixels were collected, it was ensured that training and
validation pixels are not located in the same fields or tree crowns.
Because of the small pixel size it was not possible to collect ground
reference data in the same scale. Thus further validation was done
using the validation polygons that match the ground reference data
collected in the field (Table 1). This will be referred to as polygonwise validation.

ผลลัพธ์ (ไทย) 1:

2.3. ล่างอ้างอิงข้อมูลศึกษา 5 ผืนได้เลือกบริเวณพื้นที่ศึกษา (Fig. 1b)การเข้าถึงและรู้แนวทางปฏิบัติทางการเกษตรได้พิจารณาเมื่อเลือกผืน แม็ปฟิลด์ถูกวาดโดยมือบนกระดาษพิมพ์ของ Nikon D3X ภาพทางอากาศ สำหรับเขตข้อมูลที่มีขนาดใหญ่ได้รับการบันทึกเฉพาะชนิดที่พืชทั่วไป นี้ผลิตตัวอย่าง รูปหลายเหลี่ยมฟิลด์ข้าวโพดเลี้ยงสัตว์ที่ยังประกอบด้วยต้นไม้ขนาดเล็กเท่าและมันสำปะหลัง ทำการแม็ป โดยไกด์ท้องถิ่นที่มีความรู้ดีที่สุดของสปีชีส์พืชที่พบในพื้นที่ ผลรวมของชนิดพืช 35 ถูกแมป ข้าวโพดพืชเกษตรรวม(ซี mays), มะม่วง (Mangifera indica), อ้อย (officinarum กำแพงแสน), กล้วย (Musa acuminate), สำราญ (Dioscoreaspp.) มันสำปะหลัง(Manihot esculenta), มะพร้าว), ฝรั่ง (Psidium guajava) และมะละกอ (มะละกอ Carica) นอกจากนี้เซีย (Acaciaspp)และต้นสนเกรวิลเลีย (สนเกรวิลเลียรณรงค์) และบางชนิดยากได้รับการแม็ปแม็ปฟิลด์ในรูปดิจิทัล และลงทะเบียนเป็นภาพโมเสกสร้างขึ้นจากภาพ Nikon D3X มี mismatches เรขาคณิตระหว่างภาพ Nikon D3X และข้อมูล AisaEAGLEดังนั้น การที่รูปหลายเหลี่ยมถูกแก้ไขโดยใช้โมเส AisaEAGLE ให้ตรงกับเป้าหมายได้ชัดเจนยิ่งขึ้นในการจัดประเภท ต้นไม้แต่ละวาดเป็นรูปหลายเหลี่ยมแต่ละฟิลด์ที่ใหญ่ที่สุดและถูกแยกเป็น ที่รวมส่วนใหญ่เป็นพืช รูปหลายเหลี่ยมซึ่งเป้าหมายชนิดไม่เห็นพบถูกข้ามไป Aชุดย่อยของรูปหลายเหลี่ยมถูกสร้างขึ้นที่ประกอบด้วยเฉพาะ mos ominant พันธุ์ ซึ่งรวมอยู่ในการจัดประเภท และโดยเรียกว่าเป็นเป้าหมายชนิด (ข้าวโพด มะม่วง อ้อยกล้วย ยำ เซีย แล้วสนเกรวิลเลีย) นอกจากนี้ เงาจากต้นไม้ถูกรวบรวมไว้เป็นรูปหลายเหลี่ยม และรวมอยู่ในการจัดประเภทย่อยนี้มีแบ่งรูปหลายเหลี่ยมในการฝึกอบรม (30% ของการรูปหลายเหลี่ยม) และตรวจสอบรูปหลายเหลี่ยม (70% ของรูปหลายเหลี่ยม) (ตาราง 1)เหลือ 192 รูปหลายเหลี่ยมที่ประกอบด้วยสายพันธุ์ไม่ใช่เป้าหมาย 28ใช้สำหรับการประเมินประสิทธิภาพการทำงานของอัลกอริทึมการจัดประเภทในพื้นที่ที่เป็นที่รู้จักมีไม่มีเป้าหมายสายพันธ์พิกเซลแต่ละระดับฝึกอบรมและตรวจสอบถูกเก็บรวบรวมภายในรูปหลายเหลี่ยมเป็นพิกเซลเดียว (ตารางที่ 1; Fig. 1a) พิกเซลได้รวบรวมจากสถานที่ก็สามารถรับสัญญาณที่ดีจากชนิดเป้าหมาย เช่น พิกเซลถูกไม่เก็บรวบรวมจากเปลือยพื้นที่ภายในเขตข้อมูลข้าวโพดเลี้ยงสัตว์หรือมีเงามากขอบดินต้นไม้ เป็นรูปหลายเหลี่ยมถูกแบ่งออกเป็นกลุ่มฝึกอบรมและตรวจสอบก่อนที่พิกเซลถูกเก็บรวบรวม ไม่มั่นใจการฝึกอบรม และตรวจสอบเซลไม่อยู่ในเขตข้อมูลเดียวกันหรือครอบฟันต้นไม้ขนาดพิกเซลเล็ก ไม่สามารถรวบรวมดินข้อมูลอ้างอิงในสเกลเดียวกัน จึง ทำการตรวจสอบเพิ่มเติมโดยใช้รูปหลายเหลี่ยมการตรวจสอบที่ตรงกับข้อมูลอ้างอิงของเรารวบรวมในฟิลด์ (ตาราง 1) นี้จะอ้างอิงถึงเป็นการตรวจสอบ polygonwise

ผลลัพธ์ (ไทย) 2:

2.3 พื้นข้อมูลอ้างอิงห้าแปลงการศึกษาได้รับการคัดเลือกพร้อมพื้นที่ศึกษา (รูป. 1 ข.) การเข้าถึงและความรู้ของการปฏิบัติทางการเกษตรที่ถูกพิจารณาเมื่อแปลงได้รับการคัดเลือก แผนที่สนามถูกวาดโดยมือบนกระดาษพิมพ์ของ Nikon D3X ภาพทางอากาศ สำหรับสาขาที่มีขนาดใหญ่เพียงสายพันธุ์พืชที่พบมากที่สุดที่ถูกบันทึกไว้ นี้ผลิตตัวอย่างเช่นรูปหลายเหลี่ยมทุ่งข้าวโพดที่ยังมีต้นไม้ขนาดเล็กและมันสำปะหลัง การทำแผนที่ที่ได้กระทำโดยส่วนใหญ่ไกด์ท้องถิ่นที่มีความรู้ที่ดีที่สุดของสายพันธุ์พืชที่พบในพื้นที่ รวมของ35 พันธุ์พืชที่ถูกแมป พืชผลทางการเกษตรรวมข้าวโพด(Zea Mays) มะม่วง (Mangifera indica) อ้อย (Saccharum officinarum) กล้วย (Musa acuminate), มันเทศ (Dioscoreaspp.) มันสำปะหลัง(Manihot esculenta) มะพร้าว (Cocos nucifera) ฝรั่ง (ฝรั่ง) และมะละกอ (Carica มะละกอ) นอกจากกระถิน (Acaciaspp.) และ Grevillea (Grevillea robusta) ต้นไม้และบางสายพันธุ์ที่หายากอื่น ๆ ที่ได้รับการแมป. แผนที่สนามเป็นดิจิตอลและลงทะเบียนกับโมเสคภาพที่สร้างขึ้นจาก Nikon D3X ภาพ มีรูปทรงเรขาคณิตที่ไม่ตรงกันระหว่างภาพ Nikon D3X และข้อมูล AisaEAGLE ได้. ดังนั้นรูปหลายเหลี่ยมที่ถูกแก้ไขโดยใช้กระเบื้องโมเสค AisaEAGLE เพื่อให้ตรงกับเป้าหมายที่ถูกต้องมากขึ้นในการจัดหมวดหมู่ ต้นไม้แต่ละคนวาดเป็นรูปหลายเหลี่ยมของแต่ละบุคคลและสาขาที่ใหญ่ที่สุดถูกแบ่งออกเป็นส่วนเล็กๆ ที่รวมส่วนใหญ่เป็นพืชเดี่ยว รูปหลายเหลี่ยมที่สายพันธุ์เป้าหมายไม่พบสายตาถูกมองข้าม ย่อยของรูปหลายเหลี่ยมที่ถูกสร้างขึ้นที่มีเพียงสายพันธุ์มอ ominant ซึ่งถูกรวมอยู่ในการจัดหมวดหมู่และจะเรียกว่าต่อจากนี้เป็นสายพันธุ์เป้าหมาย(ข้าวโพดมะม่วงอ้อยกล้วยมันเทศกระถินและ Grevillea) นอกจากนี้เงาจากต้นไม้ที่ถูกเก็บรวบรวมเป็นรูปหลายเหลี่ยมและรวมอยู่ในการจัดหมวดหมู่. ย่อยนี้ถูกแบ่งออกเป็นรูปหลายเหลี่ยมฝึกอบรม (30% ของรูปหลายเหลี่ยม) และรูปหลายเหลี่ยมตรวจสอบ (70% ของรูปหลายเหลี่ยม) (ตารางที่ 1). ส่วนที่เหลืออีก 192 รูปหลายเหลี่ยม บรรจุ 28 ชนิดไม่ใช่เป้าหมายถูกนำมาใช้ในการประเมินประสิทธิภาพการทำงานของอัลกอริทึมการจัดหมวดหมู่ในพื้นที่ที่เป็นที่รู้จักกันจะมีไม่มีเป้าหมายชนิด. พิกเซลการฝึกอบรมและการตรวจสอบสำหรับแต่ละชั้นถูกเก็บอยู่ภายในรูปหลายเหลี่ยมเป็นพิกเซลเดียว (ตารางที่ 1 รูป . 1a) พิกเซลที่ถูกเก็บมาจากจุดที่มันเป็นไปได้ที่จะได้รับสัญญาณที่ดีจากสายพันธุ์เป้าหมาย สำหรับพิกเซลตัวอย่างที่ไม่ได้ถูกเก็บรวบรวมจากเปลือยพื้นที่ดินที่อยู่ในทุ่งข้าวโพดหรือขอบเงาอย่างหนักของต้นไม้ ในฐานะที่เป็นรูปหลายเหลี่ยมถูกแบ่งออกเป็นกลุ่มการฝึกอบรมและการตรวจสอบก่อนที่จะพิกเซลที่ถูกเก็บรวบรวมมันก็ทำให้มั่นใจได้ว่าการฝึกอบรมและพิกเซลการตรวจสอบไม่ได้อยู่ในสาขาเดียวกันหรือครอบฟันต้นไม้. เพราะขนาดพิกเซลขนาดเล็กก็เป็นไปไม่ได้ที่จะเก็บพื้นข้อมูลอ้างอิงขนาดเดียวกัน ดังนั้นการตรวจสอบต่อไปก็ทำได้โดยใช้การตรวจสอบรูปหลายเหลี่ยมที่ตรงกับข้อมูลอ้างอิงพื้นดินที่เก็บรวบรวมในสนาม(ตารางที่ 1) นี้จะถูกเรียกว่าการตรวจสอบ polygonwise

ผลลัพธ์ (ไทย) 3:

2.3 ข้อมูลอ้างอิงพื้นดิน
5 ศึกษาแปลงได้รับเลือกตามสภาพพื้นที่ ( รูปที่ 1A ) .
และแหล่งความรู้ของการปฏิบัติทางการเกษตรถือว่าเมื่อแปลงได้รับเลือก แผนที่สนามวาดโดย
มือบนกระดาษพิมพ์ของ Nikon d3x ภาพถ่ายทางอากาศ ภาพ สำหรับสาขาใหญ่
เท่านั้นส่วนใหญ่พืชที่ถูกบันทึกไว้ . นี้ผลิต
ตัวอย่างเช่นข้าวโพดเขตรูปหลายเหลี่ยมที่ยังมีขนาดเล็กต้นไม้
และมันสำปะหลัง แผนที่ทำส่วนใหญ่โดยไกด์ท้องถิ่นที่มีความรู้
ที่ดีที่สุดของสายพันธุ์พืชที่พบในพื้นที่ รวม 35 โรงงาน
ชนิดสาม . พืชผลทางการเกษตร ได้แก่ ข้าวโพด
( ข้าวโพด ) , มะม่วง ( มะม่วง ) , อ้อย ( อ้อย ) , กล้วย ( กล้วยซึ่งมีปลายแหลมเรียว ) , มันแกว ( dioscoreaspp มันสำปะหลัง
)( มันสำปะหลัง ) มะพร้าว ( มะพร้าว ) , ฝรั่ง ( ฝรั่ง ) และมะละกอ ( มะละกอ ) นอกจากนี้กระถิน ( acaciaspp )
สนเกรวิลเลีย ( รัฐในออสเตรียและโรบัสต้า ) ต้นไม้บางชนิดถูกแมปเรื่อย
.
แผนที่สนามเป็นดิจิทัลและจดทะเบียนเป็นภาพโมเสก
สร้างจากกล้อง Nikon d3x ภาพ มีความไม่เรขาคณิตระหว่าง Nikon d3x ภาพและข้อมูล aisaeagle .
ดังนั้น รูปหลายเหลี่ยมถูกแก้ไขโดยใช้ aisaeagle โมเสกตรง
เป้าหมายมากขึ้นอย่างถูกต้องในการจำแนก แต่ละต้นถูก
วาดเป็นรูปหลายเหลี่ยมบุคคลและสาขาที่ใหญ่ที่สุดถูกแยก
ลงกลุ่มเดียวที่รวมส่วนใหญ่เป็นพืช รูปหลายเหลี่ยม
ที่สปีชีส์เป้าหมายไม่พบสายตาถูกเว้นไว้
เป็นเซตย่อยของรูปหลายเหลี่ยมถูกสร้างขึ้นนั้นมีเพียงมอส ominant ชนิด ซึ่งถูกรวมอยู่ในหมวดหมู่นั้น เรียกว่าเป็นเป้าหมาย
เป็นชนิด ( ข้าวโพด , มะม่วง , อ้อย ,
กล้วย , มันแกว , กระถินและสนเกรวิลเลีย ) นอกจากนี้ เงาจาก
ต้นไม้รวบรวมเป็นรูปหลายเหลี่ยมและรวมอยู่ในหมวดหมู่ .
ย่อยนี้ถูกแบ่งเป็นรูปหลายเหลี่ยมฝึกอบรม ( 30% ของ
รูปหลายเหลี่ยม ) และการตรวจสอบรูปหลายเหลี่ยม ( 70% ของรูปหลายเหลี่ยม ) ( ตารางที่ 1 ) .
เหลือ 192 28 ชนิดรูปหลายเหลี่ยมที่มีเป้าหมายไม่
ใช้ในการประเมินประสิทธิภาพของขั้นตอนวิธีการในพื้นที่ที่เป็นที่รู้จักกันเพื่อให้มีไม่มีเป้าหมาย

ฝึกและทดสอบสายพันธุ์ แต่ละชั้นจำนวนพิกเซล
ภายในรูปหลายเหลี่ยมเป็นพิกเซลเดียว ( ตารางที่ 1 ; รูปที่ 1A ) พิกเซลถูก
ที่รวบรวมได้จากจุดที่ มันเป็นไปได้ที่จะได้รับสัญญาณที่ดีจาก
เป้าหมายชนิด ตัวอย่างเช่น พิกเซลไม่เก็บจากพื้นที่ดินเปล่า
ภายในไร่ข้าวโพด หรือหนักเงาขอบของ
ต้นไม้ เป็นรูปหลายเหลี่ยมออกเป็นการฝึกอบรมและกลุ่มตรวจสอบ
ก่อนพิกเซลรวบรวมมันมั่นใจว่าอบรม
ตรวจสอบพิกเซลที่ไม่ได้อยู่ในเขตข้อมูลเดียวกันหรือมงกุฎต้นไม้ .
เพราะเล็กขนาดพิกเซลมันเป็นไปไม่ได้ที่จะรวบรวมข้อมูลอ้างอิงพื้นดิน
ในขนาดเดียวกัน ดังนั้นการตรวจสอบเพิ่มเติมได้
ใช้ตรวจสอบรูปหลายเหลี่ยมที่ตรงกับข้อมูลอ้างอิงพื้นดิน
เก็บในเขตข้อมูล ( ตารางที่ 1 ) นี้จะเรียกว่า polygonwise การตรวจสอบ