- ข้อความ
- ประวัติศาสตร์
4. Results analysisIn order to demo
4. Results analysis
In order to demonstrate that STARFM algorithm was applicative
to the NDVI series fusion, a square region containing approximately
200 × 200 pixels was randomly selected to compare the predicted
NDVI on Julian data 241 of 2005 with actual acquired Landsat ETM+
NDVI data on Julian date 246 of 2005 . The general
spatial distribution of predicted NDVI was consistent with the corresponding period of Landsat ETM+ NDVI, and the difference value
between these two NDVI data were mainly distributed around
zero (Fig. 4). This result indicated that the temporal information
of MODIS and the spatial information of Landsat ETM+ data were
effectively integrated in the predicted NDVI dataset which could
describe a more detailed spatial variation of NDVI at the resolution
of 30m. From the scatter plot of predicted and Landsat ETM+ NDVI
data (Fig. 5), it could be seen that most of the scatter points were
concentrated along the line of x = y. The determination coefficient
(R2)was 0.66 atthe 0.05 significantlevel, and the RootMean Square
Error (RMSE) was 397.64 which meant approximately 4% estimation error of predicted NDVI data (the NDVI data was scaled to 0
to 10,000). Additionally, predicted NDVI data was slightly larger
than Landsat ETM+ NDVI data, which might be responsible for the
5 date interval of data acquisition. Based on the comparison of predicted NDVI and Landsat ETM+ NDVI, it was indicated that STARFM
in this study could effectively fuse the MODIS and Landsat ETM+
NDVI data, and the fused NDVI dataset could be used for improving
forest cover classification accuracy of Landsat ETM+ data.
The classification results of MLC using the Landsat ETM+ (MLCTM) and the composited ETM+ spectral bands with time series
NDVI features bands (MLC-All) were shown in Fig. 6. In the visual
aspect, forest cover could be identified effectively in each classifi-
cation map based on the visual observation of the Landsat ETM+
data. The classification results of MLC-All performed better than
the MLC-TM result, and the main difference in the two classification results was misclassification in the forest region borders and
small parcels in the interior of forest region. In the borders of forest regions, forest was alwaysmixed with small proportion of other
vegetation type or soil in the ETM+ pixelfor itsmoderate spatial resolution. The mixed pixels phenomenon was also presented in some
small parcels in forest regions. Furthermore, terrain, small cloud
and shadows influence on the forest cover classification would be
weaken by appending the fused time series NDVI data. Single Landsat ETM+ spectral data might not contain enough information to
identify these forest pixels and lead to misclassification in these
regions.When fused time seriesMODIS NDVI data which contained
more vegetation growth information involved to the classification,
the possibility of identifying these pixels increased.
The quantitative classification accuracy assessment had shown
the same results with visual observation. The overall performance
of the MLC-All shown evident improvement compared to the MLCTM result based on the overall classification accuracy and kappa
coefficient calculated from the confusion matrix (Tables 1 and 2).
The four temporal features extracted from fused time series NDVI
data improved the overall classification accuracy from 88.99% to
93.88%, and the kappa coefficient from 0.775 to 0.875. The results
indicated that moderate or high spatial resolution multi-spectral
data appending with time series coarse spatial resolution vegetation index data could provide more valuable information for forest
cover classification. The main reason for classification accuracy
improvement was that time series vegetation index data contained
phonological and vegetation growth information, and different
vegetation types had different growth features. Vegetation type
might be difficult to identify in single temporal remote sensing
data, but time series growth information could provide valuable
information for vegetation type discrimination.
There were also some reasons might lead to mis-classification
of this study: (1) the gaps in Landsat ETM+ original data was filled
using other data instead of the observation of the actual earth surface reflectance; (2) a little cloud in the Landsat ETM+ data; (3) the
fusion method of Landsat ETM+ NDVI data with MODIS NDVI data
might bring out some uncertainty because STARFM was designed
for reflectance fusion. Though the MLC-All method might bring out
uncertainty in forest cover classification, the positive effect of time
series MODIS NDVI data on improving classification accuracy of
Landsat ETM+ data was confirmed. This method unlocked the issue
about lower classification accuracy using single high spatial resolution data and difficult of acquiring of multi-temporal high spatial
resolution data.
The time series NDVI data contained much vegetation growth
information and temporal vegetation variation characters, thus
weaken the influence of cloud, terrain and shadow on classification of single high spatial resolution data in a certain extent. Theproposed method achieved encouraging forest cover classification
result, and it also could be used for more land cover types classifi-
cation using remote sensing data, such as grass, crop and even the
more detailed vegetation types. Along with more and more fine
spatial resolution data become available, such as HJ-1 A/B multispectral data, RapidEye data, and the coming GF satellite data of
China, this method would play an important role in regional forest
cover mapping and land cover mapping.
There were also some limitations in the proposed method and
improvement should be conducted in the future work. Firstly, the
time series NDVI data features used in this study were the basic
statistic variables, more significant factors should be invested for
the classification, such as the phonological features and the shape
features extracted from the time series vegetation index data. Furthermore, the fusion method of coarse and high spatial resolution
NDVI data was another important way to improve the classifi-
cation accuracy. Moreover, the traditional MLC was selected as
the classification method because this study was mainly designed
to investigate the effect of time series NDVI data features on
improving forest cover classification accuracy using Landsat ETM+
data. However, many more non-parameter classifiers had been
developed for remote sensing data classification and usually could
achievemore satisfactory classification results (Lu andWeng, 2007;
Mountrakis et al., 2011). Therefore, advanced classifiers should be
used to improve the classification performance in the future work.
In order to demonstrate that STARFM algorithm was applicative
to the NDVI series fusion, a square region containing approximately
200 × 200 pixels was randomly selected to compare the predicted
NDVI on Julian data 241 of 2005 with actual acquired Landsat ETM+
NDVI data on Julian date 246 of 2005 . The general
spatial distribution of predicted NDVI was consistent with the corresponding period of Landsat ETM+ NDVI, and the difference value
between these two NDVI data were mainly distributed around
zero (Fig. 4). This result indicated that the temporal information
of MODIS and the spatial information of Landsat ETM+ data were
effectively integrated in the predicted NDVI dataset which could
describe a more detailed spatial variation of NDVI at the resolution
of 30m. From the scatter plot of predicted and Landsat ETM+ NDVI
data (Fig. 5), it could be seen that most of the scatter points were
concentrated along the line of x = y. The determination coefficient
(R2)was 0.66 atthe 0.05 significantlevel, and the RootMean Square
Error (RMSE) was 397.64 which meant approximately 4% estimation error of predicted NDVI data (the NDVI data was scaled to 0
to 10,000). Additionally, predicted NDVI data was slightly larger
than Landsat ETM+ NDVI data, which might be responsible for the
5 date interval of data acquisition. Based on the comparison of predicted NDVI and Landsat ETM+ NDVI, it was indicated that STARFM
in this study could effectively fuse the MODIS and Landsat ETM+
NDVI data, and the fused NDVI dataset could be used for improving
forest cover classification accuracy of Landsat ETM+ data.
The classification results of MLC using the Landsat ETM+ (MLCTM) and the composited ETM+ spectral bands with time series
NDVI features bands (MLC-All) were shown in Fig. 6. In the visual
aspect, forest cover could be identified effectively in each classifi-
cation map based on the visual observation of the Landsat ETM+
data. The classification results of MLC-All performed better than
the MLC-TM result, and the main difference in the two classification results was misclassification in the forest region borders and
small parcels in the interior of forest region. In the borders of forest regions, forest was alwaysmixed with small proportion of other
vegetation type or soil in the ETM+ pixelfor itsmoderate spatial resolution. The mixed pixels phenomenon was also presented in some
small parcels in forest regions. Furthermore, terrain, small cloud
and shadows influence on the forest cover classification would be
weaken by appending the fused time series NDVI data. Single Landsat ETM+ spectral data might not contain enough information to
identify these forest pixels and lead to misclassification in these
regions.When fused time seriesMODIS NDVI data which contained
more vegetation growth information involved to the classification,
the possibility of identifying these pixels increased.
The quantitative classification accuracy assessment had shown
the same results with visual observation. The overall performance
of the MLC-All shown evident improvement compared to the MLCTM result based on the overall classification accuracy and kappa
coefficient calculated from the confusion matrix (Tables 1 and 2).
The four temporal features extracted from fused time series NDVI
data improved the overall classification accuracy from 88.99% to
93.88%, and the kappa coefficient from 0.775 to 0.875. The results
indicated that moderate or high spatial resolution multi-spectral
data appending with time series coarse spatial resolution vegetation index data could provide more valuable information for forest
cover classification. The main reason for classification accuracy
improvement was that time series vegetation index data contained
phonological and vegetation growth information, and different
vegetation types had different growth features. Vegetation type
might be difficult to identify in single temporal remote sensing
data, but time series growth information could provide valuable
information for vegetation type discrimination.
There were also some reasons might lead to mis-classification
of this study: (1) the gaps in Landsat ETM+ original data was filled
using other data instead of the observation of the actual earth surface reflectance; (2) a little cloud in the Landsat ETM+ data; (3) the
fusion method of Landsat ETM+ NDVI data with MODIS NDVI data
might bring out some uncertainty because STARFM was designed
for reflectance fusion. Though the MLC-All method might bring out
uncertainty in forest cover classification, the positive effect of time
series MODIS NDVI data on improving classification accuracy of
Landsat ETM+ data was confirmed. This method unlocked the issue
about lower classification accuracy using single high spatial resolution data and difficult of acquiring of multi-temporal high spatial
resolution data.
The time series NDVI data contained much vegetation growth
information and temporal vegetation variation characters, thus
weaken the influence of cloud, terrain and shadow on classification of single high spatial resolution data in a certain extent. Theproposed method achieved encouraging forest cover classification
result, and it also could be used for more land cover types classifi-
cation using remote sensing data, such as grass, crop and even the
more detailed vegetation types. Along with more and more fine
spatial resolution data become available, such as HJ-1 A/B multispectral data, RapidEye data, and the coming GF satellite data of
China, this method would play an important role in regional forest
cover mapping and land cover mapping.
There were also some limitations in the proposed method and
improvement should be conducted in the future work. Firstly, the
time series NDVI data features used in this study were the basic
statistic variables, more significant factors should be invested for
the classification, such as the phonological features and the shape
features extracted from the time series vegetation index data. Furthermore, the fusion method of coarse and high spatial resolution
NDVI data was another important way to improve the classifi-
cation accuracy. Moreover, the traditional MLC was selected as
the classification method because this study was mainly designed
to investigate the effect of time series NDVI data features on
improving forest cover classification accuracy using Landsat ETM+
data. However, many more non-parameter classifiers had been
developed for remote sensing data classification and usually could
achievemore satisfactory classification results (Lu andWeng, 2007;
Mountrakis et al., 2011). Therefore, advanced classifiers should be
used to improve the classification performance in the future work.
0/5000
4. ผลการวิเคราะห์เพื่อแสดงให้เห็นว่า อัลกอริทึม STARFM ถูก applicativeการฟิวชั่น NDVI ชุด พื้นที่สี่เหลี่ยมที่ประกอบด้วยประมาณ200 × 200 พิกเซลถูกเลือกแบบสุ่มเพื่อเปรียบเทียบการคาดการณ์NDVI Julian ข้อมูล 241 2005 ด้วยจริงมา Landsat ETM +ข้อมูล NDVI Julian วัน 246 ของปี 2005 โดยทั่วไปกระจายของ NDVI คาดการณ์สอดคล้องกับระยะเวลาที่สอดคล้องกันของ Landsat ETM + NDVI และค่าความแตกต่างระหว่างนี้ NDVI สอง ข้อมูลได้ส่วนใหญ่กระจายทั่วศูนย์ (Fig. 4) ผลนี้แสดงที่ข้อมูลชั่วคราวของ MODIS และข้อมูลปริภูมิของ Landsat ETM + ข้อมูลได้อย่างมีประสิทธิภาพรวมในชุดข้อมูลคาดการณ์ NDVI ซึ่งสามารถอธิบายรายละเอียดเพิ่มเติมพื้นที่รูปแบบของ NDVI ที่ความละเอียดม. 30 จากแผนการกระจายของคาดการณ์ และ Landsat ETM + NDVIข้อมูลกิน 5), สามารถเห็นทั้งจุดกระจายอยู่เข้มข้นตามแนวของ x = y Coefficient กำหนด(R2) 0.66 0.05 significantlevel และสี่เหลี่ยม RootMeanข้อผิดพลาด (RMSE) คือ 397.64 ซึ่งหมายถึง ประมาณ 4% ประเมินข้อผิดพลาดของข้อมูล NDVI คาดการณ์ (NDVI ข้อมูลถูกปรับเป็น 0ให้ 10000) นอกจากนี้ คาดการณ์ NDVI ข้อมูลมีขนาดใหญ่กว่าเล็กน้อยกว่าข้อมูล Landsat ETM + NDVI ซึ่งอาจชอบการช่วงวัน 5 ของข้อมูลการ ขึ้นอยู่กับการเปรียบเทียบคาดการณ์ NDVI และ Landsat ETM + NDVI มันมีระบุไว้ที่ STARFMในการศึกษานี้สามารถมีประสิทธิภาพฟิวส์ MODIS และ Landsat ETM +ข้อมูล NDVI และชุดข้อมูล NDVI หลอมสามารถใช้ได้สำหรับการปรับปรุงป่าปก classification แม่นยำของ Landsat ETM + ข้อมูลผล classification ของ MLC ด้วย Landsat ETM + (MLCTM) และจะ composited ETM + สเปกตรัมแถบชุดเวลาวงคุณลักษณะ NDVI (MLC ทั้งหมด) ถูกแสดงใน Fig. 6 ในแบบ visualด้าน ป่าอาจมีประสิทธิภาพในแต่ละ classifi - identifiedแผนที่ cation ตามสังเกตภาพของ Landsat ETM +ข้อมูล ผล classification ของ MLC ทั้งหมดดำเนินการดีกว่าผล MLC TM และความแตกต่างหลักของผล classification สองถูก misclassification ในเส้นขอบของพื้นที่ป่า และหีบห่อขนาดเล็กในภายในของป่า ในเส้นขอบของพื้นที่ป่า ป่าถูก alwaysmixed กับสัดส่วนขนาดเล็กอื่น ๆชนิดของพืชหรือดินใน ETM + pixelfor itsmoderate ปริภูมิความละเอียด ปรากฏการณ์ผสมพิกเซลยังได้ถูกนำเสนอในบางหีบห่อขนาดเล็กในพื้นที่ป่า นอกจากนี้ ภูมิประเทศ เมฆขนาดเล็กและจะ influence เงาใน classification ปกป่าไทย โดยผนวกชุดเวลาหลอมข้อมูล NDVI Landsat ETM + สเปกตรัมข้อมูลเดียวอาจไม่ประกอบด้วยข้อมูลเพียงพอระบุพิกเซลป่าเหล่านี้ และนำไป misclassification ในเหล่านี้ขอบเขตการเมื่อ fused ข้อมูล NDVI เวลา seriesMODIS ที่อยู่ข้อมูลเพิ่มเติมพืชเจริญเติบโตเกี่ยวข้อง classificationสามารถระบุพิกเซลเหล่านี้เพิ่มขึ้นมีแสดงการประเมินความถูกต้องเชิงปริมาณ classificationผลเดียวกันกับการสังเกตเห็น ประสิทธิภาพโดยรวมของทั้งหมด MLC แสดงปรับปรุงที่เห็นได้ชัดเมื่อเปรียบเทียบกับผล MLCTM ตามความถูกต้องของ classification โดยรวมและกัปปะcoefficient คำนวณเมทริกซ์สับสน (ตารางที่ 1 และ 2)ลักษณะชั่วคราวสี่แยกจากชุดเวลาหลอม NDVIข้อมูลปรับปรุงความถูกต้อง classification โดยรวมจาก 88.99%93.88% และ coefficient กัปปะจาก 0.775 ถึง 0.875 ผลลัพธ์ระบุว่า ปานกลาง หรือสูงปริภูมิความละเอียดสเปกตรัมหลายข้อมูลผนวกกับข้อมูลอนุกรมเวลาที่ความละเอียดหยาบของพื้นที่พืชพรรณดัชนีไม่สามารถให้ข้อมูลที่มีคุณค่ามากสำหรับป่าครอบคลุม classification เหตุผลหลักสำหรับความถูกต้องของ classificationปรับปรุงเป็นเวลาชุดพืชดัชนีข้อมูลอยู่คำโครงสร้างประโยค และพืชเจริญเติบโต และอื่นชนิดพืชลักษณะการเจริญเติบโตแตกต่างกันได้ ชนิดของพืชอาจ difficult ระบุในเดียวขมับแชมพูข้อมูล แต่ข้อมูลเวลาชุดการเจริญเติบโตสามารถให้มีคุณค่าข้อมูลสำหรับการแบ่งแยกชนิดของพืชได้สาเหตุบางประการอาจทำให้ mis classificationการศึกษานี้: (1) ช่องว่างใน Landsat ETM + ข้อมูลเดิมถูก filledโดยใช้ข้อมูลอื่น ๆ แทนที่จะเก็บข้อมูลของ reflectance พื้นผิวโลกที่แท้จริง ก้อนเมฆน้อย (2) Landsat ETM + ข้อมูล (3)วิธีการผสมผสานข้อมูล Landsat ETM + NDVI ข้อมูล MODIS NDVIอาจนำมาออกบางความไม่แน่นอนเนื่องจากถูกออกแบบ STARFMสำหรับหลอม reflectance แม้ว่า วิธีการทั้งหมด MLC อาจนำออกความไม่แน่นอนในป่าปก classification ผลบวกของเวลาข้อมูล MODIS NDVI ของชุดข้อมูลในการปรับปรุงความถูกต้อง classification ของLandsat ETM + ข้อมูล confirmed วิธีนี้ปลดล็อคปัญหาเกี่ยวกับความถูกต้องต่ำกว่า classification โดยใช้ข้อมูลเดียวความละเอียดพื้นที่สูงและ difficult ของได้สูงชั่วคราวหลายพื้นที่ความละเอียดของข้อมูลชุดเวลาข้อมูล NDVI อยู่เจริญเติบโตของพืชมากข้อมูลและพืชชั่วคราวเปลี่ยนแปลงอักขระ ดังนั้นไทย influence เมฆ ภูมิประเทศ และเงาบน classification ความละเอียดพื้นที่สูงเดียวข้อมูลในบางขอบเขต Theproposed วิธีทำนิมิตป่าปก classificationผลลัพธ์ และยังสามารถใช้สำหรับเพิ่มเติมที่ดินครอบคลุมชนิด classification ที่ใช้ข้อมูลระยะไกลไร้สาย เช่นหญ้า พืช และแม้แต่การชนิดพืชรายละเอียดเพิ่มเติม กับ fine มาก ขึ้นข้อมูลปริภูมิความพร้อม เช่น HJ-1 A / B multispectral ข้อมูล ข้อมูล RapidEye และมา GF ข้อมูลของดาวเทียมจีน วิธีการนี้จะมีบทบาทสำคัญในภูมิภาคครอบคลุมการแม็ปและแม็ปครอบคลุมที่ดินนอกจากนี้ยังมีข้อจำกัดบางประการในวิธีการนำเสนอ และควรดำเนินการปรับปรุงในการทำงานในอนาคต ประการแรก ในเวลาชุด NDVI ลักษณะข้อมูลที่ใช้ในการศึกษานี้มีพื้นฐานสถิติตัวแปร ปัจจัย significant เพิ่มเติมควรจะลงทุนในclassification คุณลักษณะคำโครงสร้างประโยคและรูปร่างคุณสมบัติสกัดจากข้อมูลดัชนีพืชอนุกรมเวลา นอกจากนี้ วิธีการฟิวชั่นของการแก้ปัญหาพื้นที่สูง และหยาบข้อมูล NDVI เป็นอีกวิธีที่สำคัญเพื่อเพิ่ม classifi-cation ความถูกต้อง นอกจากนี้ เลือก MLC ดั้งเดิมเป็นวิธี classification เนื่องจากการศึกษานี้ส่วนใหญ่ถูกออกแบบมาการตรวจสอบผลของเวลาชุด NDVI ข้อมูลคุณลักษณะในปรับปรุงความแม่นยำ classification ปะป่าใช้ Landsat ETM +ข้อมูล อย่างไรก็ตาม classifiers ไม่ใช่พารามิเตอร์เพิ่มเติมจำนวนมากได้พัฒนาระยะไกลตรวจข้อมูล classification และมักจะสามารถผล classification พอ achievemore (Lu andWeng, 2007Mountrakis et al., 2011) ดังนั้น ควรจะ classifiers ขั้นสูงใช้เพื่อเพิ่มประสิทธิภาพ classification ทำงานในอนาคต
การแปล กรุณารอสักครู่..
4. Results analysis
In order to demonstrate that STARFM algorithm was applicative
to the NDVI series fusion, a square region containing approximately
200 × 200 pixels was randomly selected to compare the predicted
NDVI on Julian data 241 of 2005 with actual acquired Landsat ETM+
NDVI data on Julian date 246 of 2005 . The general
spatial distribution of predicted NDVI was consistent with the corresponding period of Landsat ETM+ NDVI, and the difference value
between these two NDVI data were mainly distributed around
zero (Fig. 4). This result indicated that the temporal information
of MODIS and the spatial information of Landsat ETM+ data were
effectively integrated in the predicted NDVI dataset which could
describe a more detailed spatial variation of NDVI at the resolution
of 30m. From the scatter plot of predicted and Landsat ETM+ NDVI
data (Fig. 5), it could be seen that most of the scatter points were
concentrated along the line of x = y. The determination coefficient
(R2)was 0.66 atthe 0.05 significantlevel, and the RootMean Square
Error (RMSE) was 397.64 which meant approximately 4% estimation error of predicted NDVI data (the NDVI data was scaled to 0
to 10,000). Additionally, predicted NDVI data was slightly larger
than Landsat ETM+ NDVI data, which might be responsible for the
5 date interval of data acquisition. Based on the comparison of predicted NDVI and Landsat ETM+ NDVI, it was indicated that STARFM
in this study could effectively fuse the MODIS and Landsat ETM+
NDVI data, and the fused NDVI dataset could be used for improving
forest cover classification accuracy of Landsat ETM+ data.
The classification results of MLC using the Landsat ETM+ (MLCTM) and the composited ETM+ spectral bands with time series
NDVI features bands (MLC-All) were shown in Fig. 6. In the visual
aspect, forest cover could be identified effectively in each classifi-
cation map based on the visual observation of the Landsat ETM+
data. The classification results of MLC-All performed better than
the MLC-TM result, and the main difference in the two classification results was misclassification in the forest region borders and
small parcels in the interior of forest region. In the borders of forest regions, forest was alwaysmixed with small proportion of other
vegetation type or soil in the ETM+ pixelfor itsmoderate spatial resolution. The mixed pixels phenomenon was also presented in some
small parcels in forest regions. Furthermore, terrain, small cloud
and shadows influence on the forest cover classification would be
weaken by appending the fused time series NDVI data. Single Landsat ETM+ spectral data might not contain enough information to
identify these forest pixels and lead to misclassification in these
regions.When fused time seriesMODIS NDVI data which contained
more vegetation growth information involved to the classification,
the possibility of identifying these pixels increased.
The quantitative classification accuracy assessment had shown
the same results with visual observation. The overall performance
of the MLC-All shown evident improvement compared to the MLCTM result based on the overall classification accuracy and kappa
coefficient calculated from the confusion matrix (Tables 1 and 2).
The four temporal features extracted from fused time series NDVI
data improved the overall classification accuracy from 88.99% to
93.88%, and the kappa coefficient from 0.775 to 0.875. The results
indicated that moderate or high spatial resolution multi-spectral
data appending with time series coarse spatial resolution vegetation index data could provide more valuable information for forest
cover classification. The main reason for classification accuracy
improvement was that time series vegetation index data contained
phonological and vegetation growth information, and different
vegetation types had different growth features. Vegetation type
might be difficult to identify in single temporal remote sensing
data, but time series growth information could provide valuable
information for vegetation type discrimination.
There were also some reasons might lead to mis-classification
of this study: (1) the gaps in Landsat ETM+ original data was filled
using other data instead of the observation of the actual earth surface reflectance; (2) a little cloud in the Landsat ETM+ data; (3) the
fusion method of Landsat ETM+ NDVI data with MODIS NDVI data
might bring out some uncertainty because STARFM was designed
for reflectance fusion. Though the MLC-All method might bring out
uncertainty in forest cover classification, the positive effect of time
series MODIS NDVI data on improving classification accuracy of
Landsat ETM+ data was confirmed. This method unlocked the issue
about lower classification accuracy using single high spatial resolution data and difficult of acquiring of multi-temporal high spatial
resolution data.
The time series NDVI data contained much vegetation growth
information and temporal vegetation variation characters, thus
weaken the influence of cloud, terrain and shadow on classification of single high spatial resolution data in a certain extent. Theproposed method achieved encouraging forest cover classification
result, and it also could be used for more land cover types classifi-
cation using remote sensing data, such as grass, crop and even the
more detailed vegetation types. Along with more and more fine
spatial resolution data become available, such as HJ-1 A/B multispectral data, RapidEye data, and the coming GF satellite data of
China, this method would play an important role in regional forest
cover mapping and land cover mapping.
There were also some limitations in the proposed method and
improvement should be conducted in the future work. Firstly, the
time series NDVI data features used in this study were the basic
statistic variables, more significant factors should be invested for
the classification, such as the phonological features and the shape
features extracted from the time series vegetation index data. Furthermore, the fusion method of coarse and high spatial resolution
NDVI data was another important way to improve the classifi-
cation accuracy. Moreover, the traditional MLC was selected as
the classification method because this study was mainly designed
to investigate the effect of time series NDVI data features on
improving forest cover classification accuracy using Landsat ETM+
data. However, many more non-parameter classifiers had been
developed for remote sensing data classification and usually could
achievemore satisfactory classification results (Lu andWeng, 2007;
Mountrakis et al., 2011). Therefore, advanced classifiers should be
used to improve the classification performance in the future work.
In order to demonstrate that STARFM algorithm was applicative
to the NDVI series fusion, a square region containing approximately
200 × 200 pixels was randomly selected to compare the predicted
NDVI on Julian data 241 of 2005 with actual acquired Landsat ETM+
NDVI data on Julian date 246 of 2005 . The general
spatial distribution of predicted NDVI was consistent with the corresponding period of Landsat ETM+ NDVI, and the difference value
between these two NDVI data were mainly distributed around
zero (Fig. 4). This result indicated that the temporal information
of MODIS and the spatial information of Landsat ETM+ data were
effectively integrated in the predicted NDVI dataset which could
describe a more detailed spatial variation of NDVI at the resolution
of 30m. From the scatter plot of predicted and Landsat ETM+ NDVI
data (Fig. 5), it could be seen that most of the scatter points were
concentrated along the line of x = y. The determination coefficient
(R2)was 0.66 atthe 0.05 significantlevel, and the RootMean Square
Error (RMSE) was 397.64 which meant approximately 4% estimation error of predicted NDVI data (the NDVI data was scaled to 0
to 10,000). Additionally, predicted NDVI data was slightly larger
than Landsat ETM+ NDVI data, which might be responsible for the
5 date interval of data acquisition. Based on the comparison of predicted NDVI and Landsat ETM+ NDVI, it was indicated that STARFM
in this study could effectively fuse the MODIS and Landsat ETM+
NDVI data, and the fused NDVI dataset could be used for improving
forest cover classification accuracy of Landsat ETM+ data.
The classification results of MLC using the Landsat ETM+ (MLCTM) and the composited ETM+ spectral bands with time series
NDVI features bands (MLC-All) were shown in Fig. 6. In the visual
aspect, forest cover could be identified effectively in each classifi-
cation map based on the visual observation of the Landsat ETM+
data. The classification results of MLC-All performed better than
the MLC-TM result, and the main difference in the two classification results was misclassification in the forest region borders and
small parcels in the interior of forest region. In the borders of forest regions, forest was alwaysmixed with small proportion of other
vegetation type or soil in the ETM+ pixelfor itsmoderate spatial resolution. The mixed pixels phenomenon was also presented in some
small parcels in forest regions. Furthermore, terrain, small cloud
and shadows influence on the forest cover classification would be
weaken by appending the fused time series NDVI data. Single Landsat ETM+ spectral data might not contain enough information to
identify these forest pixels and lead to misclassification in these
regions.When fused time seriesMODIS NDVI data which contained
more vegetation growth information involved to the classification,
the possibility of identifying these pixels increased.
The quantitative classification accuracy assessment had shown
the same results with visual observation. The overall performance
of the MLC-All shown evident improvement compared to the MLCTM result based on the overall classification accuracy and kappa
coefficient calculated from the confusion matrix (Tables 1 and 2).
The four temporal features extracted from fused time series NDVI
data improved the overall classification accuracy from 88.99% to
93.88%, and the kappa coefficient from 0.775 to 0.875. The results
indicated that moderate or high spatial resolution multi-spectral
data appending with time series coarse spatial resolution vegetation index data could provide more valuable information for forest
cover classification. The main reason for classification accuracy
improvement was that time series vegetation index data contained
phonological and vegetation growth information, and different
vegetation types had different growth features. Vegetation type
might be difficult to identify in single temporal remote sensing
data, but time series growth information could provide valuable
information for vegetation type discrimination.
There were also some reasons might lead to mis-classification
of this study: (1) the gaps in Landsat ETM+ original data was filled
using other data instead of the observation of the actual earth surface reflectance; (2) a little cloud in the Landsat ETM+ data; (3) the
fusion method of Landsat ETM+ NDVI data with MODIS NDVI data
might bring out some uncertainty because STARFM was designed
for reflectance fusion. Though the MLC-All method might bring out
uncertainty in forest cover classification, the positive effect of time
series MODIS NDVI data on improving classification accuracy of
Landsat ETM+ data was confirmed. This method unlocked the issue
about lower classification accuracy using single high spatial resolution data and difficult of acquiring of multi-temporal high spatial
resolution data.
The time series NDVI data contained much vegetation growth
information and temporal vegetation variation characters, thus
weaken the influence of cloud, terrain and shadow on classification of single high spatial resolution data in a certain extent. Theproposed method achieved encouraging forest cover classification
result, and it also could be used for more land cover types classifi-
cation using remote sensing data, such as grass, crop and even the
more detailed vegetation types. Along with more and more fine
spatial resolution data become available, such as HJ-1 A/B multispectral data, RapidEye data, and the coming GF satellite data of
China, this method would play an important role in regional forest
cover mapping and land cover mapping.
There were also some limitations in the proposed method and
improvement should be conducted in the future work. Firstly, the
time series NDVI data features used in this study were the basic
statistic variables, more significant factors should be invested for
the classification, such as the phonological features and the shape
features extracted from the time series vegetation index data. Furthermore, the fusion method of coarse and high spatial resolution
NDVI data was another important way to improve the classifi-
cation accuracy. Moreover, the traditional MLC was selected as
the classification method because this study was mainly designed
to investigate the effect of time series NDVI data features on
improving forest cover classification accuracy using Landsat ETM+
data. However, many more non-parameter classifiers had been
developed for remote sensing data classification and usually could
achievemore satisfactory classification results (Lu andWeng, 2007;
Mountrakis et al., 2011). Therefore, advanced classifiers should be
used to improve the classification performance in the future work.
การแปล กรุณารอสักครู่..
4 . ผลการวิเคราะห์
เพื่อแสดงให้เห็นว่าวิธี starfm คือโปรแกรมคอมพิวเตอร์
การเปลี่ยนแปลงด้านพืชพรรณแบบฟิวชั่น , ตารางภูมิภาคที่มีประมาณ
200 × 200 พิกเซลถูกสุ่มเพื่อเปรียบเทียบการเปลี่ยนแปลงด้านพืชพรรณบนทำนาย
จูเลียนข้อมูล 241 2005 ของจริงได้รับจากการเปลี่ยนแปลงด้านพืชพรรณ ETM
ข้อมูลวันที่จูเลียน 246 ของ 2005 นายพล
การกระจายเชิงพื้นที่ของการเปลี่ยนแปลงด้านพืชพรรณ ซึ่งสอดคล้องกับคาดการณ์ระยะเวลาที่สอดคล้องกันของข้อมูลการเปลี่ยนแปลงด้านพืชพรรณ ETM และความแตกต่างระหว่างทั้งสองค่า
ข้อมูลการเปลี่ยนแปลงด้านพืชพรรณส่วนใหญ่กระจายรอบ ๆศูนย์ ( รูปที่ 4 ) ผลการศึกษาพบว่าเวลาของข้อมูล
และข้อมูลเชิงพื้นที่ของดาวเทียมโมดิส ETM ข้อมูลแบบบูรณาการได้อย่างมีประสิทธิภาพในการทำนายการเปลี่ยนแปลงด้านพืชพรรณ
ชุดข้อมูลซึ่งจะอธิบายรายละเอียดเพิ่มเติมสำหรับรูปแบบของการเปลี่ยนแปลงด้านพืชพรรณที่ความละเอียด
30 เมตร จากแผนการกระจายของการทำนายและการเปลี่ยนแปลงด้านพืชพรรณจาก ETH
ข้อมูล ( รูปที่ 5 ) ก็จะเห็นได้ว่าส่วนใหญ่ของการกระจายจุด
เข้มข้นในแนว X = Y กำหนด coef จึง cient
( R2 ) ใน . 0.05 signi จึง cantlevel และ rootmean ตาราง
ข้อผิดพลาด ( RMSE ) เป็น 397 .64 ซึ่งหมายถึงประมาณ 4% ค่าความผิดพลาดของข้อมูล ( ข้อมูลคาดการณ์การเปลี่ยนแปลงด้านพืชพรรณและการเปลี่ยนแปลงด้านพืชพรรณถูกลดขนาด 0
10000 ) นอกจากนี้ คาดการณ์ข้อมูลการเปลี่ยนแปลงด้านพืชพรรณเป็นขนาดใหญ่กว่าเล็กน้อยกว่าการเปลี่ยนแปลงด้านพืชพรรณจาก ETH
ข้อมูลซึ่งอาจเป็นผู้รับผิดชอบ
5 วันที่ช่วงเวลาของการเก็บข้อมูล จากการเปรียบเทียบข้อมูลการเปลี่ยนแปลงด้านพืชพรรณและคาดการณ์การเปลี่ยนแปลงด้านพืชพรรณ ETH พบว่า starfm
ในการศึกษานี้ไม่สามารถมีประสิทธิภาพและฟิวส์ที่ดาวเทียมโมดิส ETM
เปลี่ยนแปลงด้านพืชพรรณและการเปลี่ยนแปลงด้านพืชพรรณแบบผสมข้อมูล สามารถใช้เพื่อปรับปรุงการ classi
ป่าไม้ถ่ายทอดความถูกต้องของข้อมูลดาวเทียม ETM .
classi จึงบวกผลลัพธ์ของ MLC ใช้ดาวเทียม ETM ( mlctm ) และ composited ETM สเปกตรัมวงเวลาชุด
เปลี่ยนแปลงด้านพืชพรรณ คุณสมบัติ เหล็กพืด ( MLC ) ถูกแสดงในรูปที่ 6 ในด้านภาพ
,ป่าปิดจะ identi จึงเอ็ดอย่างมีประสิทธิภาพในแต่ละ classi จึง -
การแผนที่ตามภาพ สังเกตจากภาพ ETM
ข้อมูล การ classi จึงบวกผลลัพธ์ของ MLC เล่นดีกว่า
ผล mlc-tm และความแตกต่างหลักใน 2 classi จึงบวก ผลลัพธ์จึง misclassi ไอออนบวกในภูมิภาคป่าเส้นขอบและ
ผืนเล็กในการตกแต่งภายในของพื้นที่ป่าในเขตภูมิภาคของป่า ป่าก็ alwaysmixed กับสัดส่วนขนาดเล็กของพืชชนิดอื่น
หรือดินใน ETM pixelfor itsmoderate มิติความละเอียด พิกเซลผสมปรากฏการณ์ยังนำเสนอในผืนเล็กบาง
ในภูมิภาคป่า นอกจากนี้ , ภูมิประเทศ , เล็กเมฆ
และเงาในfl uence ในป่าปิด classi ไอออนบวกจึงจะ
ลดลงโดยผนวกผสมการเปลี่ยนแปลงด้านพืชพรรณอนุกรมเวลาข้อมูล เดี่ยวจาก ETH ข้อมูลสเปกตรัมอาจไม่ประกอบด้วยข้อมูลพอที่จะ
ระบุพิกเซลป่าเหล่านี้ และนำไปสู่การ misclassi จึงนี้
regions.when ผสม seriesmodis ข้อมูลที่มีการเปลี่ยนแปลงด้านพืชพรรณ
พืชมากขึ้นการเติบโตของข้อมูลที่เกี่ยวข้องกับไอออนบวกจึง classi เวลา
ความเป็นไปได้ของการระบุพิกเซล
เหล่านี้เพิ่มขึ้นปริมาณการ classi ถ่ายทอดความถูกต้องการประเมินได้แสดง
ผลลัพธ์เดียวกันกับการสังเกตภาพ สมรรถนะ
ของ MLC ทั้งหมดแสดงถึงการปรับปรุงเมื่อเทียบกับ mlctm ผลขึ้นอยู่กับการรวม classi ถ่ายทอดความถูกต้องและคัป
coef จึง cient คำนวณจากความสับสนเมทริกซ์ ( ตารางที่ 1 และ 2 )
4 ชั่วคราวคุณสมบัติสกัดจากการเปลี่ยนแปลงด้านพืชพรรณ
ผสมแบบอนุกรมเวลาข้อมูลการปรับปรุงโดยรวม classi ถ่ายทอดความถูกต้องจากการ 88.99 %
% 93.88 และกัปปะ coef จึง cient จาก 0.775 เพื่อ 0.875 . ผลพบว่า ปานกลาง หรือสูง
หลายสเปกตรัมความละเอียดเชิงพื้นที่ข้อมูลผนวกกับอนุกรมเวลาเชิงหยาบละเอียดข้อมูลดัชนีพืชพรรณสามารถให้ข้อมูลที่มีคุณค่ามากขึ้นครอบคลุมป่า
classi จึงไอออนบวก เหตุผลหลักสำหรับการถ่ายทอดความถูกต้อง
classiการปรับปรุงเวลาข้อมูลดัชนีชุดระบบเสียงและข้อมูลการเจริญเติบโตของพืชที่มีอยู่
พืช และชนิดพืชที่แตกต่างกันมีคุณลักษณะการเจริญเติบโต
แตกต่างกัน พืชประเภท
อาจจะแยกศาสนาจึงระบุในกาลเดี่ยวระยะไกล
ข้อมูล แต่เวลาข้อมูลการเจริญเติบโตชุดสามารถให้ข้อมูลที่มีค่า
สำหรับพืชชนิดที่เลือกปฏิบัติมีบางเหตุผล อาจนำไปสู่การถ่ายทอดเพื่อ classi
ศึกษา : ( 1 ) ช่องว่างในข้อมูลเดิมจาก ETH ได้จึงฆ่า
โดยใช้ข้อมูลอื่นแทนการสังเกตจริงพื้นผิวโลกอีกครั้งfl ectance ; ( 2 ) เมฆน้อยใน ETM ข้อมูลดาวเทียม ( 3 )
; การเปลี่ยนแปลงด้านพืชพรรณจากข้อมูลด้วยวิธี ETM
ข้อมูลโมดิสเปลี่ยนแปลงด้านพืชพรรณอาจเอาความไม่แน่นอนเนื่องจาก starfm
ออกแบบสำหรับรีfl ectance ฟิวชั่น แม้ว่า MLC ทั้งหมดวิธีอาจทำให้ความไม่แน่นอนในป่าปิด classi ไอออนบวกจึงออก
, ผลบวกของอนุกรมเวลา
ข้อมูลโมดิสในการปรับปรุง การเปลี่ยนแปลงด้านพืชพรรณ classi ถ่ายทอดความถูกต้องของข้อมูลดาวเทียม ETM
con จึง rmed . วิธีปลดล็อคปัญหา
เกี่ยวกับการลดการใช้ classi ถ่ายทอดความถูกต้องข้อมูลความละเอียดเชิงพื้นที่สูงเดียวและแยกศาสนาจึงรับหลายพื้นที่ชั่วคราวสูง
ละเอียดข้อมูล อนุกรมเวลา ข้อมูลการเปลี่ยนแปลงด้านพืชพรรณที่มีอยู่มากพืชและพืชรูปแบบอักขระและข้อมูล
ลดลง ดังนั้นในfl uence เมฆภูมิประเทศและเงาในการถ่ายทอด classi เดี่ยวสูงความละเอียดเชิงพื้นที่ของข้อมูลในระดับหนึ่ง วิธีการได้รับการส่งเสริมป่าไม้จึง classi
ผล และมันยังสามารถใช้สำหรับที่ดินเพิ่มเติมครอบคลุมประเภท classi จึง -
การใช้ข้อมูลระยะไกล เช่น หญ้า พืช และแม้แต่
รายละเอียดพืชประเภท พร้อมกับเพิ่มเติมและถ่ายทอดเน่
เพิ่มเติมข้อมูลความละเอียดเชิงพื้นที่เป็นใช้ได้ เช่น hj-1 A / B ข้อมูล rapideye Multispectral และมา GF ข้อมูลดาวเทียมของ
จีน วิธีนี้จะเป็นผู้ที่มีบทบาทสำคัญในภูมิภาคป่า
ครอบคลุมแผนที่และแผนที่ครอบคลุมที่ดิน .
ก็มีบางข้อ จำกัด ในวิธีการและการพัฒนาควรจะดำเนินการใน งานในอนาคต ประการแรก
ข้อมูลอนุกรมเวลามีการเปลี่ยนแปลงด้านพืชพรรณที่ใช้ ในการวิจัย ตัวแปร
สถิติพื้นฐาน เพิ่มเติม signi จึงไม่สามารถปัจจัยที่ควรลงทุน
ไอออนบวกจึง classi เช่นคุณสมบัติระบบเสียงและรูปร่าง
คุณสมบัติสกัดจากพืชดัชนีอนุกรมเวลาข้อมูล นอกจากนี้ ฟิวชั่นแบบหยาบและละเอียดสูงการเปลี่ยนแปลงด้านพืชพรรณ
ข้อมูลทางอื่นที่สำคัญในการเพิ่ม จึง classi
-ในความถูกต้อง ยิ่งไปกว่านั้น , MLC ดั้งเดิมได้รับเลือกเป็น
classi จึงบวกวิธีการ เพราะการศึกษานี้ มีวัตถุประสงค์เพื่อศึกษาผลของส่วนใหญ่
ลักษณะข้อมูลอนุกรมเวลาในการปรับปรุงเปลี่ยนแปลงด้านพืชพรรณป่าไม้ การใช้ดาวเทียมถ่ายทอดความถูกต้อง classi ETM
ข้อมูล อย่างไรก็ตาม อีกมากมายบนพารามิเตอร์ classi จึงได้พัฒนา ERS
ข้อมูลระยะไกลและการ classi จึงมักจะไม่สามารถ
achievemore น่าพอใจ classi จึงบวกผล ( ลู่ andweng , 2007 ;
mountrakis et al . , 2011 ) ดังนั้น จึง classi ขั้นสูง ERS ควรจะ
ใช้เพื่อปรับปรุงประสิทธิภาพในการ classi จึงทำงานในอนาคต
เพื่อแสดงให้เห็นว่าวิธี starfm คือโปรแกรมคอมพิวเตอร์
การเปลี่ยนแปลงด้านพืชพรรณแบบฟิวชั่น , ตารางภูมิภาคที่มีประมาณ
200 × 200 พิกเซลถูกสุ่มเพื่อเปรียบเทียบการเปลี่ยนแปลงด้านพืชพรรณบนทำนาย
จูเลียนข้อมูล 241 2005 ของจริงได้รับจากการเปลี่ยนแปลงด้านพืชพรรณ ETM
ข้อมูลวันที่จูเลียน 246 ของ 2005 นายพล
การกระจายเชิงพื้นที่ของการเปลี่ยนแปลงด้านพืชพรรณ ซึ่งสอดคล้องกับคาดการณ์ระยะเวลาที่สอดคล้องกันของข้อมูลการเปลี่ยนแปลงด้านพืชพรรณ ETM และความแตกต่างระหว่างทั้งสองค่า
ข้อมูลการเปลี่ยนแปลงด้านพืชพรรณส่วนใหญ่กระจายรอบ ๆศูนย์ ( รูปที่ 4 ) ผลการศึกษาพบว่าเวลาของข้อมูล
และข้อมูลเชิงพื้นที่ของดาวเทียมโมดิส ETM ข้อมูลแบบบูรณาการได้อย่างมีประสิทธิภาพในการทำนายการเปลี่ยนแปลงด้านพืชพรรณ
ชุดข้อมูลซึ่งจะอธิบายรายละเอียดเพิ่มเติมสำหรับรูปแบบของการเปลี่ยนแปลงด้านพืชพรรณที่ความละเอียด
30 เมตร จากแผนการกระจายของการทำนายและการเปลี่ยนแปลงด้านพืชพรรณจาก ETH
ข้อมูล ( รูปที่ 5 ) ก็จะเห็นได้ว่าส่วนใหญ่ของการกระจายจุด
เข้มข้นในแนว X = Y กำหนด coef จึง cient
( R2 ) ใน . 0.05 signi จึง cantlevel และ rootmean ตาราง
ข้อผิดพลาด ( RMSE ) เป็น 397 .64 ซึ่งหมายถึงประมาณ 4% ค่าความผิดพลาดของข้อมูล ( ข้อมูลคาดการณ์การเปลี่ยนแปลงด้านพืชพรรณและการเปลี่ยนแปลงด้านพืชพรรณถูกลดขนาด 0
10000 ) นอกจากนี้ คาดการณ์ข้อมูลการเปลี่ยนแปลงด้านพืชพรรณเป็นขนาดใหญ่กว่าเล็กน้อยกว่าการเปลี่ยนแปลงด้านพืชพรรณจาก ETH
ข้อมูลซึ่งอาจเป็นผู้รับผิดชอบ
5 วันที่ช่วงเวลาของการเก็บข้อมูล จากการเปรียบเทียบข้อมูลการเปลี่ยนแปลงด้านพืชพรรณและคาดการณ์การเปลี่ยนแปลงด้านพืชพรรณ ETH พบว่า starfm
ในการศึกษานี้ไม่สามารถมีประสิทธิภาพและฟิวส์ที่ดาวเทียมโมดิส ETM
เปลี่ยนแปลงด้านพืชพรรณและการเปลี่ยนแปลงด้านพืชพรรณแบบผสมข้อมูล สามารถใช้เพื่อปรับปรุงการ classi
ป่าไม้ถ่ายทอดความถูกต้องของข้อมูลดาวเทียม ETM .
classi จึงบวกผลลัพธ์ของ MLC ใช้ดาวเทียม ETM ( mlctm ) และ composited ETM สเปกตรัมวงเวลาชุด
เปลี่ยนแปลงด้านพืชพรรณ คุณสมบัติ เหล็กพืด ( MLC ) ถูกแสดงในรูปที่ 6 ในด้านภาพ
,ป่าปิดจะ identi จึงเอ็ดอย่างมีประสิทธิภาพในแต่ละ classi จึง -
การแผนที่ตามภาพ สังเกตจากภาพ ETM
ข้อมูล การ classi จึงบวกผลลัพธ์ของ MLC เล่นดีกว่า
ผล mlc-tm และความแตกต่างหลักใน 2 classi จึงบวก ผลลัพธ์จึง misclassi ไอออนบวกในภูมิภาคป่าเส้นขอบและ
ผืนเล็กในการตกแต่งภายในของพื้นที่ป่าในเขตภูมิภาคของป่า ป่าก็ alwaysmixed กับสัดส่วนขนาดเล็กของพืชชนิดอื่น
หรือดินใน ETM pixelfor itsmoderate มิติความละเอียด พิกเซลผสมปรากฏการณ์ยังนำเสนอในผืนเล็กบาง
ในภูมิภาคป่า นอกจากนี้ , ภูมิประเทศ , เล็กเมฆ
และเงาในfl uence ในป่าปิด classi ไอออนบวกจึงจะ
ลดลงโดยผนวกผสมการเปลี่ยนแปลงด้านพืชพรรณอนุกรมเวลาข้อมูล เดี่ยวจาก ETH ข้อมูลสเปกตรัมอาจไม่ประกอบด้วยข้อมูลพอที่จะ
ระบุพิกเซลป่าเหล่านี้ และนำไปสู่การ misclassi จึงนี้
regions.when ผสม seriesmodis ข้อมูลที่มีการเปลี่ยนแปลงด้านพืชพรรณ
พืชมากขึ้นการเติบโตของข้อมูลที่เกี่ยวข้องกับไอออนบวกจึง classi เวลา
ความเป็นไปได้ของการระบุพิกเซล
เหล่านี้เพิ่มขึ้นปริมาณการ classi ถ่ายทอดความถูกต้องการประเมินได้แสดง
ผลลัพธ์เดียวกันกับการสังเกตภาพ สมรรถนะ
ของ MLC ทั้งหมดแสดงถึงการปรับปรุงเมื่อเทียบกับ mlctm ผลขึ้นอยู่กับการรวม classi ถ่ายทอดความถูกต้องและคัป
coef จึง cient คำนวณจากความสับสนเมทริกซ์ ( ตารางที่ 1 และ 2 )
4 ชั่วคราวคุณสมบัติสกัดจากการเปลี่ยนแปลงด้านพืชพรรณ
ผสมแบบอนุกรมเวลาข้อมูลการปรับปรุงโดยรวม classi ถ่ายทอดความถูกต้องจากการ 88.99 %
% 93.88 และกัปปะ coef จึง cient จาก 0.775 เพื่อ 0.875 . ผลพบว่า ปานกลาง หรือสูง
หลายสเปกตรัมความละเอียดเชิงพื้นที่ข้อมูลผนวกกับอนุกรมเวลาเชิงหยาบละเอียดข้อมูลดัชนีพืชพรรณสามารถให้ข้อมูลที่มีคุณค่ามากขึ้นครอบคลุมป่า
classi จึงไอออนบวก เหตุผลหลักสำหรับการถ่ายทอดความถูกต้อง
classiการปรับปรุงเวลาข้อมูลดัชนีชุดระบบเสียงและข้อมูลการเจริญเติบโตของพืชที่มีอยู่
พืช และชนิดพืชที่แตกต่างกันมีคุณลักษณะการเจริญเติบโต
แตกต่างกัน พืชประเภท
อาจจะแยกศาสนาจึงระบุในกาลเดี่ยวระยะไกล
ข้อมูล แต่เวลาข้อมูลการเจริญเติบโตชุดสามารถให้ข้อมูลที่มีค่า
สำหรับพืชชนิดที่เลือกปฏิบัติมีบางเหตุผล อาจนำไปสู่การถ่ายทอดเพื่อ classi
ศึกษา : ( 1 ) ช่องว่างในข้อมูลเดิมจาก ETH ได้จึงฆ่า
โดยใช้ข้อมูลอื่นแทนการสังเกตจริงพื้นผิวโลกอีกครั้งfl ectance ; ( 2 ) เมฆน้อยใน ETM ข้อมูลดาวเทียม ( 3 )
; การเปลี่ยนแปลงด้านพืชพรรณจากข้อมูลด้วยวิธี ETM
ข้อมูลโมดิสเปลี่ยนแปลงด้านพืชพรรณอาจเอาความไม่แน่นอนเนื่องจาก starfm
ออกแบบสำหรับรีfl ectance ฟิวชั่น แม้ว่า MLC ทั้งหมดวิธีอาจทำให้ความไม่แน่นอนในป่าปิด classi ไอออนบวกจึงออก
, ผลบวกของอนุกรมเวลา
ข้อมูลโมดิสในการปรับปรุง การเปลี่ยนแปลงด้านพืชพรรณ classi ถ่ายทอดความถูกต้องของข้อมูลดาวเทียม ETM
con จึง rmed . วิธีปลดล็อคปัญหา
เกี่ยวกับการลดการใช้ classi ถ่ายทอดความถูกต้องข้อมูลความละเอียดเชิงพื้นที่สูงเดียวและแยกศาสนาจึงรับหลายพื้นที่ชั่วคราวสูง
ละเอียดข้อมูล อนุกรมเวลา ข้อมูลการเปลี่ยนแปลงด้านพืชพรรณที่มีอยู่มากพืชและพืชรูปแบบอักขระและข้อมูล
ลดลง ดังนั้นในfl uence เมฆภูมิประเทศและเงาในการถ่ายทอด classi เดี่ยวสูงความละเอียดเชิงพื้นที่ของข้อมูลในระดับหนึ่ง วิธีการได้รับการส่งเสริมป่าไม้จึง classi
ผล และมันยังสามารถใช้สำหรับที่ดินเพิ่มเติมครอบคลุมประเภท classi จึง -
การใช้ข้อมูลระยะไกล เช่น หญ้า พืช และแม้แต่
รายละเอียดพืชประเภท พร้อมกับเพิ่มเติมและถ่ายทอดเน่
เพิ่มเติมข้อมูลความละเอียดเชิงพื้นที่เป็นใช้ได้ เช่น hj-1 A / B ข้อมูล rapideye Multispectral และมา GF ข้อมูลดาวเทียมของ
จีน วิธีนี้จะเป็นผู้ที่มีบทบาทสำคัญในภูมิภาคป่า
ครอบคลุมแผนที่และแผนที่ครอบคลุมที่ดิน .
ก็มีบางข้อ จำกัด ในวิธีการและการพัฒนาควรจะดำเนินการใน งานในอนาคต ประการแรก
ข้อมูลอนุกรมเวลามีการเปลี่ยนแปลงด้านพืชพรรณที่ใช้ ในการวิจัย ตัวแปร
สถิติพื้นฐาน เพิ่มเติม signi จึงไม่สามารถปัจจัยที่ควรลงทุน
ไอออนบวกจึง classi เช่นคุณสมบัติระบบเสียงและรูปร่าง
คุณสมบัติสกัดจากพืชดัชนีอนุกรมเวลาข้อมูล นอกจากนี้ ฟิวชั่นแบบหยาบและละเอียดสูงการเปลี่ยนแปลงด้านพืชพรรณ
ข้อมูลทางอื่นที่สำคัญในการเพิ่ม จึง classi
-ในความถูกต้อง ยิ่งไปกว่านั้น , MLC ดั้งเดิมได้รับเลือกเป็น
classi จึงบวกวิธีการ เพราะการศึกษานี้ มีวัตถุประสงค์เพื่อศึกษาผลของส่วนใหญ่
ลักษณะข้อมูลอนุกรมเวลาในการปรับปรุงเปลี่ยนแปลงด้านพืชพรรณป่าไม้ การใช้ดาวเทียมถ่ายทอดความถูกต้อง classi ETM
ข้อมูล อย่างไรก็ตาม อีกมากมายบนพารามิเตอร์ classi จึงได้พัฒนา ERS
ข้อมูลระยะไกลและการ classi จึงมักจะไม่สามารถ
achievemore น่าพอใจ classi จึงบวกผล ( ลู่ andweng , 2007 ;
mountrakis et al . , 2011 ) ดังนั้น จึง classi ขั้นสูง ERS ควรจะ
ใช้เพื่อปรับปรุงประสิทธิภาพในการ classi จึงทำงานในอนาคต
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.
- ข้าพเจ้าตื่นนอนเเต่เช้า เพื่อมารอใส่บาตร
- Antioxidative properties of partially pu
- ปัจจุบันการเป็นนักบินคงเป็นความใฝ่ฝันของ
- Don’t sunbathe nude
- Plz understand about that
- คุณซื้อที่ไหน
- scholar
- Of course there are two sides to the coi
- ฉันจะกลับเมืองไทยพรุ่งนี้
- this is the most expensive the book in t
- พาแม่ไปด้วย
- ขอแต่งงาน
- If I don't get the job, he will give us
- For a year 1971. The construction of Kin
- What are you looking for here at meetme?
- You will go to the
- เขาหน่อเป็นหินปูนที่มีวัดเขาหน่ออยู่เชิง
- reporting
- ตอบสนอง
- สร้าง
- victim
- If you are afraid of talking to a crowd,
- Keep walking
- pricing report
