3.1. Reflectance data and MNF trans

3.1. Reflectance data and MNF transformed data
MNF transformation condensed spectral variation into smaller
set of bands (Fig. 2). The classification tests with 8–14 MNF bands
yielded the highest pixel-wise OA (90.8%) with the first 12 MNF
bands (Table 2). As a comparison, the pixel-wise OA achieved with
all 64 spectral bands was 71.1%. The first 12 MNF bands were thus
used in the later classifications.

3.2. Effect of probability threshold
The pixel-wise OA remained constant (90.8%) for up to PT
0.3 while all pixels were classified (Fig. 3a). As PT was further
increased, OA started to increase while the percentage of unclassified
vegetation pixels in image increased, respectively. By visual
interpretation, it was noted that the validation pixels that were first
left unclassified were on the edges of tree crowns and in other areas
where it was hard to find pure pixels, i.e., pixels which represent
only one species without shadowing or major soil effects. Polygonwise
OA increased slightly slower than the pixel-wise OA as the
PT was increased. The percentage of unclassified pixels increased
faster within non-target polygons than within target polygons as
PT was increased (Fig. 3b). Similarly, the percentage of unclassified
non-target polygons increased faster than the percentage of
unclassified target polygons (Fig. 3b).
3.3. Classification maps of the study area

ผลลัพธ์ (ไทย) 1:

3.1. ข้อมูลแบบสะท้อนแสงและบดข้อมูลที่แปลงแปลงบดบีบเปลี่ยนแปลงสเปกตรัมเป็นขนาดเล็กชุดของวง (Fig. 2) การจัดประเภททดสอบกับวงบด 8-14หา OA pixel-wise สูงสุด (ร้อยละ 90.8) กับบดก่อน 12วง (ตาราง 2) เป็นการเปรียบเทียบ OA pixel-wise ที่ประสบความสำเร็จได้แถบสเปกตรัมทั้งหมด 64 เป็น 71.1% วงบดก่อน 12 ได้ดังนั้นใช้ในการจัดประเภทในภายหลัง3.2. ผลของความน่าเป็นขีดจำกัดPixel-wise OA ยังคงคง (ร้อยละ 90.8) สำหรับถึง PT0.3 ขณะพิกเซลทั้งหมด ลับ (Fig. 3a) เป็น PT เพิ่มเติมเพิ่มขึ้น OA เริ่มเพิ่มขึ้นในขณะที่เปอร์เซ็นต์ไม่ได้แยกประเภทพิกเซลพืชในภาพเพิ่มขึ้น ตามลำดับ โดย visualตี ถูกตั้งข้อสังเกตว่า พิกเซลตรวจสอบที่ถูกครั้งแรกซ้ายไม่ได้แยกประเภทอยู่บนขอบ ของครอบฟันต้นไม้ และ ในพื้นที่อื่น ๆที่ยากจะค้นหาพิกเซลบริสุทธิ์ เช่น พิกเซลที่แสดงชนิดเดียวเท่านั้น โดยไม่มีการแรเงาหรือหลักดินผลกระทบ PolygonwiseOA เพิ่มเล็กน้อยช้ากว่า OA pixel-wise เป็นการPT เพิ่มขึ้น เพิ่มเปอร์เซ็นต์ของพิกเซลที่ไม่ได้แยกประเภทเร็วภายในรูปหลายเหลี่ยมไม่ใช่เป้าหมายมากกว่าภายในรูปหลายเหลี่ยมเป้าหมายเป็นPT เพิ่มขึ้น (Fig. 3b) ในทำนองเดียวกัน เปอร์เซ็นต์ไม่ได้แยกประเภทรูปหลายเหลี่ยมไม่ใช่เป้าหมายที่เพิ่มขึ้นเร็วกว่าเปอร์เซ็นต์ของเป้าหมายไม่ได้แยกประเภทรูปหลายเหลี่ยม (Fig. 3b)3.3 การจัดประเภทแผนผังของพื้นที่ศึกษา

ผลลัพธ์ (ไทย) 2:

3.1 ข้อมูลและสะท้อนเอมเปลี่ยนข้อมูลการเปลี่ยนแปลงรูปแบบเอมข้นรางเป็นขนาดเล็กชุดของวงดนตรี(รูปที่. 2) การทดสอบการจัดหมวดหมู่ที่มีวงดนตรีที่ 8-14 เอมให้ผลสูงสุดโอพิกเซลที่ชาญฉลาด(90.8%) กับครั้งแรก 12 เอมวงดนตรี(ตารางที่ 2) การเปรียบเทียบที่โอเอพิกเซลฉลาดประสบความสำเร็จกับ64 วงดนตรีที่สเปกตรัมเป็น 71.1% ครั้งแรกที่ 12 วงดนตรีที่เอมจึงถูกนำมาใช้ในการจำแนกประเภทในภายหลัง. 3.2 ผลกระทบของความน่าจะเป็นเกณฑ์พิกเซลฉลาดโอเอยังคงคงที่ (90.8%) สำหรับ PT ถึง 0.3 ในขณะที่พิกเซลทั้งหมดถูกจัดให้ (รูป. 3a) ในฐานะที่ได้รับการต่อไป PT เพิ่มขึ้นโอเริ่มที่จะเพิ่มขึ้นในขณะที่ร้อยละของลับพิกเซลพืชในภาพที่เพิ่มขึ้นตามลำดับ โดยภาพการตีความมันก็ตั้งข้อสังเกตว่าพิกเซลการตรวจสอบที่ได้รับครั้งแรกที่เหลือไม่เป็นความลับอยู่บนขอบของครอบฟันต้นไม้และในพื้นที่อื่นๆที่มันเป็นเรื่องยากที่จะหาพิกเซลบริสุทธิ์คือพิกเซลซึ่งเป็นตัวแทนเพียงหนึ่งชนิดโดยไม่ต้องแชโดว์หรือผลดินที่สำคัญ. Polygonwise โอเอเพิ่มขึ้นช้ากว่าเล็กน้อยโอพิกเซลที่ชาญฉลาดเป็นPT เพิ่มขึ้น ร้อยละของพิกเซลไม่เป็นความลับที่เพิ่มขึ้นได้เร็วขึ้นภายในรูปหลายเหลี่ยมไม่ใช่เป้าหมายกว่าเป้าหมายภายในรูปหลายเหลี่ยมเป็นPT เพิ่มขึ้น (รูป. 3b) ในทำนองเดียวกันร้อยละของลับรูปหลายเหลี่ยมไม่ใช่เป้าหมายที่เพิ่มขึ้นเร็วกว่าอัตราร้อยละของรูปหลายเหลี่ยมเป้าหมายไม่เป็นความลับ(รูป. 3b). 3.3 แผนที่การจำแนกประเภทของพื้นที่ศึกษา

ผลลัพธ์ (ไทย) 3:

3.1 . ข้อมูลและแปลงข้อมูลการแปลงค่าเอมเอม

ชุดรูปแบบสเปกตรัม ย่อลง วง ( รูปที่ 2 ) หมวดหมู่การทดสอบ 8 – 14 เอมวง
1 พิกเซลสูงสุดปัญญา OA ( ร้อยละ 90.8 ) กับครั้งแรก 12 เอม
วง ( ตารางที่ 2 ) โดยการเปรียบเทียบ , พิกเซลปัญญา OA บรรลุกับ
ทั้งหมด 64 วงสเปกตรัมเป็นร้อยละ 71.1 เปอร์เซ็นต์ ครั้งแรก 12 เอม
รัดจึงที่ใช้ในการจำแนกประเภททีหลัง

2 . ผลของความน่าจะเป็นของพิกเซล
ฉลาด OA คงที่ ( ร้อยละ 90.8 ) ถึง PT
0.3 ในขณะที่ทุกจุด จำแนก ( รูปที่ 3 ) เป็นจุด ลดลง
เพิ่มขึ้น OA เริ่มเพิ่มขึ้น ขณะที่ค่าร้อยละของ Unclassified
พืชพิกเซลภาพที่เพิ่มขึ้นตามลำดับ โดยภาพ
แปลว่ามันเป็นข้อสังเกตว่า การตรวจสอบพิกเซลที่แรก
ซ้าย Unclassified อยู่บนขอบของครอบฟันต้นไม้และในพื้นที่
อื่น ๆ ซึ่งมันก็ยากที่จะหาพิกเซล บริสุทธิ์ เช่น พิกเซล ซึ่งเป็นเพียงชนิดเดียวโดยไม่มีเงา
หรือผลของดินที่สำคัญ polygonwise
OA เพิ่มขึ้นช้ากว่าพิกเซลปัญญา OA เป็น
PT เพิ่มขึ้น ร้อยละของพิกเซลเพิ่มขึ้น
ไม่มีประเภทได้เร็วขึ้นภายในไม่เกินเป้าหมายรูปหลายเหลี่ยมภายในรูปหลายเหลี่ยมเป้าหมาย
PT เพิ่มขึ้น ( รูปที่ 3B ) ส่วนเปอร์เซ็นต์ของ Unclassified
ไม่ใช่เป้าหมายรูปหลายเหลี่ยมเพิ่มขึ้นเร็วกว่าร้อยละของเป้าหมาย ( รูปที่ 3B รูปหลายเหลี่ยม Unclassified

) . . . แผนที่การจำแนกประเภทของพื้นที่ศึกษา