AbstractThis paper proposes a techn

Abstract
This paper proposes a technique to extract urban built-up
land features from Landsat Thematic Mapper (TM) and
Enhanced Thematic Mapper Plus (ETM) imagery taking two
cities in southeastern China as examples. The study selected
three indices, Normalized Difference Built-up Index (NDBI),
Modified Normalized Difference Water Index (MNDWI), and
Soil Adjusted Vegetation Index (SAVI) to represent three
major urban land-use classes, built-up land, open water
body, and vegetation, respectively. Consequently, the seven
bands of an original Landsat image were reduced into three
thematic-oriented bands derived from above indices. The
three new bands were then combined to compose a new
image. This considerably reduced data correlation and
redundancy between original multispectral bands, and thus
significantly avoided the spectral confusion of the above
three land-use classes. As a result, the spectral signatures of
the three urban land-use classes are more distinguishable in
the new composite image than in the original seven-band
image as the spectral clusters of the classes are well separated.
Through a supervised classification, a principal
components analysis, or a logic calculation on the new
image, the urban built-up lands were finally extracted with
overall accuracy ranging from 91.5 to 98.5 percent. Therefore,
the technique is effective and reliable. In addition, the
advantages of SAVI over NDVI and MNDWI over NDWI in the
urban study are also discussed in this paper.

ผลลัพธ์ (ไทย) 1:

AbstractThis paper proposes a technique to extract urban built-upland features from Landsat Thematic Mapper (TM) andEnhanced Thematic Mapper Plus (ETM) imagery taking twocities in southeastern China as examples. The study selectedthree indices, Normalized Difference Built-up Index (NDBI),Modified Normalized Difference Water Index (MNDWI), andSoil Adjusted Vegetation Index (SAVI) to represent threemajor urban land-use classes, built-up land, open waterbody, and vegetation, respectively. Consequently, the sevenbands of an original Landsat image were reduced into threethematic-oriented bands derived from above indices. Thethree new bands were then combined to compose a newimage. This considerably reduced data correlation andredundancy between original multispectral bands, and thussignificantly avoided the spectral confusion of the abovethree land-use classes. As a result, the spectral signatures ofthe three urban land-use classes are more distinguishable inthe new composite image than in the original seven-bandimage as the spectral clusters of the classes are well separated.Through a supervised classification, a principalcomponents analysis, or a logic calculation on the newimage, the urban built-up lands were finally extracted withoverall accuracy ranging from 91.5 to 98.5 percent. Therefore,the technique is effective and reliable. In addition, theadvantages of SAVI over NDVI and MNDWI over NDWI in theศึกษาเมืองยังได้รับการอธิบายในเอกสารนี้

ผลลัพธ์ (ไทย) 2:

บทคัดย่องานวิจัยนี้เสนอเทคนิคการสกัดเมืองที่สร้างขึ้นคุณลักษณะที่ดินจากLandsat ใจแมปเปอร์ (TM) และเพิ่มขึ้นใจแมปเปอร์พลัส(ETM?) ภาพการสองเมืองในทิศตะวันออกเฉียงใต้ของประเทศจีนเป็นตัวอย่าง การศึกษาเลือกสามดัชนีปกติแตกต่างดัชนีที่สร้างขึ้น (NDBI) ดัดแปลงปกติดัชนีน้ำแตกต่าง (MNDWI) และดัชนีพืชปรับปรุงดิน(SAVI) เพื่อเป็นตัวแทนของสามที่สำคัญการเรียนการใช้ที่ดินในเมืองที่ดินสร้างขึ้น, เปิดน้ำร่างกายและพืชผักตามลำดับ ดังนั้นเจ็ดวงดนตรีของภาพ Landsat เดิมลดลงเป็นสามวงดนตรีที่มุ่งเน้นเฉพาะเรื่องที่ได้มาจากดัชนีดังกล่าวข้างต้น สามวงใหม่ที่ถูกรวมกันแล้วจะแต่งใหม่ภาพ ข้อมูลนี้ลดลงอย่างมากความสัมพันธ์และความซ้ำซ้อนระหว่างวงดนตรี multispectral เดิมและทำให้อย่างมีนัยสำคัญหลีกเลี่ยงความสับสนสเปกตรัมข้างต้นสามชั้นการใช้ที่ดิน เป็นผลให้ลายเซ็นสเปกตรัมของสามชั้นการใช้ที่ดินในเมืองที่มีความแตกต่างในภาพคอมโพสิตใหม่กว่าเดิมเจ็ดวงภาพเป็นกลุ่มสเปกตรัมของการเรียนจะแยกกัน. ผ่านการจัดหมวดหมู่ภายใต้การดูแลเป็นหลักส่วนประกอบการวิเคราะห์หรือการคำนวณตรรกะเกี่ยวกับใหม่ภาพดินแดนที่สร้างขึ้นในเมืองที่ถูกสกัดสุดท้ายกับความถูกต้องโดยรวมตั้งแต่91.5 ถึงร้อยละ 98.5 ดังนั้นเทคนิคที่มีประสิทธิภาพและเชื่อถือได้ นอกจากนี้ข้อดีของการ SAVI มากกว่า NDVI และ MNDWI มากกว่า NDWI ในการศึกษาในเมืองที่จะกล่าวถึงในบทความนี้

ผลลัพธ์ (ไทย) 3:

นามธรรม
บทความนี้เสนอวิธีการสกัดคุณลักษณะที่ดินเมืองลงจากดาวเทียม mapper ใจ

( TM ) และเพิ่มใจความ Mapper พลัส ( ETM  ) ภาพถ่ายสอง
เมืองในตะวันออกเฉียงใต้ของจีน เป็นตัวอย่าง การศึกษาคัดเลือก
3 ดัชนี ได้แก่ ดัชนีความแตกต่างที่สร้างขึ้น ( ndbi )
แก้ไขรูปต่างน้ำ ดัชนี mndwi
)ดินปรับดัชนีพืชพรรณ ( อาร์เอฟไอดี ) เป็นตัวแทนสาม
สาขาเมืองการเรียน การใช้ประโยชน์ เปิดน้ำ
ร่างกายและพืชตามลำดับ จากนั้น เจ็ด
วงของภาพดาวเทียมเดิมถูกลดเป็น 3
ใจเชิงวงดนตรีที่มาจากดัชนีดังกล่าว
สามวงใหม่แล้วรวมแต่งภาพใหม่

นี้ลดลงอย่างมากและ
) ข้อมูลความซ้ำซ้อนระหว่างวงดนตรี 3 เดิม และหลีกเลี่ยงความสับสนจึง
ทางสเปกตรัมของข้างบน
3 - คลาส เป็นผลให้ , ลายเซ็นสเปกตรัมของ
3 เมือง การเรียนจะแตกต่างมากขึ้น
ใหม่ภาพมากกว่าภาพคอมโพสิตเจ็ดวง
เดิมเป็น กลุ่มของสเปกตรัมของวิชาเรียนแยกกัน .
ผ่านภายใต้การดูแลการจัดหมวดหมู่การวิเคราะห์องค์ประกอบหลัก
หรือตรรกะการคำนวณบนภาพใหม่
, เมืองอยู่อาศัยที่ดิน ได้สกัดด้วย
ความถูกต้องโดยรวมตั้งแต่การตั้งเพื่อ 98.5 % ดังนั้น
เทคนิคมีประสิทธิภาพและเชื่อถือได้ นอกจากนี้ ข้อดีของการเปลี่ยนแปลงด้านพืชพรรณ :
กว่าและมากกว่าใน mndwi ndwi
ศึกษาเมืองยังกล่าวถึงในบทความนี้