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 asAbstract
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. 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:

บทคัดย่อเอกสารนี้นำเสนอเทคนิคการแยกเมือง built-upที่ดินคุณลักษณะจาก Landsat เฉพาะเรื่อง Mapper (TM) และพิเศษเฉพาะเรื่อง Mapper Plus (ETM) ภาพถ่ายสองเมืองในประเทศจีนตะวันออกเฉียงใต้เป็นตัวอย่าง การศึกษาที่เลือกสามดัชนี ตามปกติต่าง Built-up ดัชนี (NDBI),ปรับเปลี่ยนความแตกต่างมาตรฐานน้ำดัชนี (MNDWI), และดินปรับปรุงพืชดัชนี (SAVI) ถึง 3เมืองสำคัญใช้ที่ดินชั้น เนื้อที่ที่ดิน เปิดน้ำร่างกาย และพืช ตามลำดับ ดังนั้น เซเว่นวงของ Landsat ภาพเดิมได้ลดลงเป็น 3วงดนตรีที่เน้นเฉพาะเรื่องมากดัชนี ที่วงสามใหม่ถูกรวมในการเขียนใหม่แล้วรูปภาพของ นี้ลดลงมากความสัมพันธ์ของข้อมูล และความซ้ำซ้อนระหว่างวง multispectral เดิม และดังนั้นหลีกเลี่ยงความสับสนสเปกตรัมข้างต้นอย่างมีนัยสำคัญสามแผ่นดินใช้ห้องเรียน เป็นผล ลายเซ็นสเปกตรัมของใช้ที่ดินเมืองสามชั้นเรียนจะแตกต่างมากขึ้นในคอมโพสิตภาพใหม่กว่าในเซเว่นวงเดิมรูป asAbstractเอกสารนี้นำเสนอเทคนิคการแยกเมือง built-upที่ดินคุณลักษณะจาก Landsat เฉพาะเรื่อง Mapper (TM) และพิเศษเฉพาะเรื่อง Mapper Plus (ETM) ภาพถ่ายสองเมืองในประเทศจีนตะวันออกเฉียงใต้เป็นตัวอย่าง การศึกษาที่เลือกสามดัชนี ตามปกติต่าง Built-up ดัชนี (NDBI),ปรับเปลี่ยนความแตกต่างมาตรฐานน้ำดัชนี (MNDWI), และดินปรับปรุงพืชดัชนี (SAVI) ถึง 3เมืองสำคัญใช้ที่ดินชั้น เนื้อที่ที่ดิน เปิดน้ำร่างกาย และพืช ตามลำดับ ดังนั้น เซเว่นวงของ Landsat ภาพเดิมได้ลดลงเป็น 3วงดนตรีที่เน้นเฉพาะเรื่องมากดัชนี ที่วงสามใหม่ถูกรวมในการเขียนใหม่แล้วรูปภาพของ นี้ลดลงมากความสัมพันธ์ของข้อมูล และความซ้ำซ้อนระหว่างวง multispectral เดิม และดังนั้นหลีกเลี่ยงความสับสนสเปกตรัมข้างต้นอย่างมีนัยสำคัญสามแผ่นดินใช้ห้องเรียน เป็นผล ลายเซ็นสเปกตรัมของใช้ที่ดินเมืองสามชั้นเรียนจะแตกต่างมากขึ้นในคอมโพสิตภาพใหม่กว่าในเซเว่นวงเดิมดีจะแยกภาพเป็นกลุ่มสเปกตรัมของคลาโดยมีการจัดประเภท ครูใหญ่ส่วนประกอบวิเคราะห์ หรือการคำนวณตรรกะบนใหม่รูป ที่ดินเนื้อที่เมืองได้ในที่สุดสกัดด้วยความแม่นยำโดยรวมตั้งแต่ 91.5 ถึง 98.5 เปอร์เซ็นต์ ดังนั้นเทคนิคมีประสิทธิภาพ และเชื่อถือได้ แห่งข้อดีของ SAVI NDVI และ MNDWI มากกว่า NDWI ในการศึกษาเมืองยังได้รับการอธิบายในเอกสารนี้ คลัสเตอร์สเปกตรัมของคลาดีแยกออกจากกันโดยมีการจัดประเภท ครูใหญ่ส่วนประกอบวิเคราะห์ หรือการคำนวณตรรกะบนใหม่รูป ที่ดินเนื้อที่เมืองได้ในที่สุดสกัดด้วยความแม่นยำโดยรวมตั้งแต่ 91.5 ถึง 98.5 เปอร์เซ็นต์ ดังนั้นเทคนิคมีประสิทธิภาพ และเชื่อถือได้ แห่งข้อดีของ SAVI NDVI และ MNDWI มากกว่า NDWI ในการศึกษาเมืองยังได้รับการอธิบายในเอกสารนี้

ผลลัพธ์ (ไทย) 2:

บทคัดย่องานวิจัยนี้เสนอเทคนิคการสกัดเมืองที่สร้างขึ้นคุณลักษณะที่ดินจากLandsat ใจแมปเปอร์ (TM) และเพิ่มขึ้นใจแมปเปอร์พลัส(ETM?) ภาพการสองเมืองในทิศตะวันออกเฉียงใต้ของประเทศจีนเป็นตัวอย่าง การศึกษาเลือกสามดัชนีปกติแตกต่างดัชนีที่สร้างขึ้น (NDBI) ดัดแปลงปกติดัชนีน้ำแตกต่าง (MNDWI) และดัชนีพืชปรับปรุงดิน(SAVI) เพื่อเป็นตัวแทนของสามที่สำคัญการเรียนการใช้ที่ดินในเมืองที่ดินสร้างขึ้น, เปิดน้ำร่างกายและพืชผักตามลำดับ ดังนั้นเจ็ดวงดนตรีของภาพ Landsat เดิมลดลงเป็นสามวงดนตรีที่มุ่งเน้นเฉพาะเรื่องที่ได้มาจากดัชนีดังกล่าวข้างต้น สามวงใหม่ที่ถูกรวมกันแล้วจะแต่งใหม่ภาพ ข้อมูลนี้ลดลงอย่างมากความสัมพันธ์และความซ้ำซ้อนระหว่างวงดนตรี multispectral เดิมและทำให้อย่างมีนัยสำคัญหลีกเลี่ยงความสับสนสเปกตรัมข้างต้นสามชั้นการใช้ที่ดิน เป็นผลให้ลายเซ็นสเปกตรัมของสามชั้นการใช้ที่ดินในเมืองที่มีความแตกต่างในภาพคอมโพสิตใหม่กว่าเดิมเจ็ดวงภาพasAbstract กระดาษนี้นำเสนอเทคนิคการสกัดเมืองที่สร้างขึ้นคุณลักษณะที่ดินจาก Landsat 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 กลุ่มสเปกตรัมของการเรียนจะแยกกัน. ผ่านการจัดหมวดหมู่ภายใต้การดูแลเป็นหลักวิเคราะห์ส่วนประกอบหรือคำนวณตรรกะที่ใหม่ภาพดินแดนที่สร้างขึ้นในเมืองที่ถูกสกัดสุดท้ายกับความถูกต้องโดยรวมตั้งแต่91.5 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
ใหม่ประกอบภาพมากกว่าเดิม

ภาพ asabstract เจ็ดวง กระดาษนี้นำเสนอเทคนิคแยกเมือง built-up
ที่ดินคุณสมบัติจากดาวเทียม mapper ใจ ( TM ) และปรับปรุงใจ
Mapper พลัส ( ETM  ) ภาพถ่ายสอง
เมืองในตะวันออกเฉียงใต้ของจีน เป็นตัวอย่าง การศึกษาคัดเลือก
3 ดัชนี ได้แก่ ดัชนีความแตกต่างที่สร้างขึ้น ( ndbi )
แก้ไขรูปต่างน้ำ ดัชนี mndwi ) และดินที่ปรับค่าดัชนีพืช :
3
) เป็นตัวแทนของการลงเรียนสาขาเมือง , ที่ดิน , เปิดน้ำ
ร่างกาย , และพืช ตามลำดับ จากนั้น เจ็ด
วงของภาพดาวเทียมเดิมถูกลดเป็น 3
ใจเชิงวงดนตรีที่มาจากดัชนีดังกล่าว
สามวงใหม่แล้วรวมแต่งภาพใหม่

นี้มากลดข้อมูลซ้ำซ้อนระหว่างวงดนตรี )
3 เดิม และหลีกเลี่ยงความสับสนจึง
ทางสเปกตรัมของข้างบน
สาม - ชั้น เป็นผลให้ , ลายเซ็นสเปกตรัมของ
3 เมือง การเรียนจะแตกต่างมากขึ้น
ใหม่ภาพมากกว่าภาพคอมโพสิตเจ็ดวง
เดิมเป็น กลุ่มของสเปกตรัมของวิชาเรียนแยกกัน .
ผ่านมีการจำแนก การวิเคราะห์องค์ประกอบหลัก
หรือตรรกะการคำนวณบนภาพใหม่
,เมืองพื้นที่ built-up ได้สกัดด้วย
ความถูกต้องโดยรวมตั้งแต่การตั้งเพื่อ 98.5 % ดังนั้น
เทคนิคมีประสิทธิภาพและเชื่อถือได้ นอกจากนี้ ข้อดีของการเปลี่ยนแปลงด้านพืชพรรณ :
กว่าและมากกว่าใน mndwi ndwi
ศึกษาเมืองยังกล่าวถึงในบทความนี้ กลุ่มสเปกตรัมของวิชาเรียนแยกกัน .
ผ่านการเป็นครูใหญ่
การจำแนกการวิเคราะห์องค์ประกอบ หรือตรรกะการคำนวณบนภาพใหม่
, เมืองอยู่อาศัยที่ดิน ได้สกัดด้วย
ความถูกต้องโดยรวมตั้งแต่การตั้งเพื่อ 98.5 % ดังนั้น
เทคนิคมีประสิทธิภาพและเชื่อถือได้ นอกจากนี้ ข้อดีของการเปลี่ยนแปลงด้านพืชพรรณ :
กว่าและมากกว่าใน mndwi ndwi
ศึกษาเมืองยังกล่าวถึงในบทความนี้