and forest variables(Chubeyetal.,20

and forest variables(Chubeyetal.,2006;Yangetal.,2006;Mallinis et al., 2008). Companies that distribute Earth Observation Satellite images usually offer the user community two separate products: a high-spatial resolution panchromatic image and a low-spatial resolution multispectral one. A high spectral resolution facilitates the discrimination of land cover types, but a high spatial resolution is alsonecessarytobeabletoaccuratelydelimittheareaoccupiedby each land cover type, as well as to locate the different terrain featuresandstructures(González-Audicanaetal.,2004).Imagefusion has been used extensively to provide a single image that simultaneously combines high spectral information (from multispectral or hyperspectral images) with high spatial information from the panchromaticones.Agoodfusionmethodmustallowfortheinjection into each band of the multispectral image of spatial detail informationfromthepanchromaticimagethatisnotpresentinthe multispectral one (Otazu et al., 2005). Different researchers have shown that wavelet-based methods provide satisfactory high spatial resolution images, maintaining the spectral properties of the originalmultispectraldata(Choietal.,2005;Vijayarajetal.,2006). Several supervised and unsupervised classification methods exist and have been used for land use classification studies. Supervised classification is a procedure for identifying spectrally similar areas in an image in which the user recognizes training sites of known land covers; the classification algorithm extrapolates those spectral characteristics to other areas for classification. The unsupervised classification comprises the categorization of an image by computer processing based solely on image statistics, without the intervention of direct user guidance. South et al. (2004) summarized most supervised classification routines into three main categories: distance-based, probability-based and angular-based decision rules. Distance-based classifiers rely primarily on mean spectralvaluesofdistinctclasses,ignoringvariancewithinclasses. Probability classification routines incorporate both the mean and varianceofthedatasetintotheclassificationdecisionrule.Finally, angular-based classifiers use a classification decision rule based on spectral angles formed between a referenced spectrum and an unclassified pixel. There is no one ideal classification routine. The most appropriate method is determined by the needs and requirements of each study. Mostremotesensinglanduseclassificationstudiesarebasedon pixelinformation.However,anincreaseinspatialresolutioncauses an increase in intraclass spectral variability and a reduction in classificationperformanceandaccuracywhenpixel-basedanalyses are used. To overcome this problem, it could be useful to group adjacent pixels into spectrally and spatially homogeneous objects created via a segmentation process. Funck et al. (2003) grouped the main segmentation algorithms into two general classes: edgebased and object-merging algorithms. Object merging algorithms takesomepixelsasseedsandgrowtheregionsaroundthembased on certain homogeneity criteria (Yu et al., 2006). Thereafter, the classificationisnotbasedonpixelsbutonobjectsastheMinimum Information Unit (MIU). These objects are not characterized by a uniform reflectance value, but by the distribution of a certain spatial autocorrelation (Lobo, 1997). This spatial information is based on object size, shape and context, and can be calculated as informationpertainingtoanobject’ssub-orsuper-objectifamultilevel image object hierarchy has been created (Chubey et al., 2006). Since Kettig and Landgrebe (1976), the object-based approach has hardly been used in favor of easier pixel-based analyses. However, in recent years, and probably due to the current availability of more powerful software, some researchers have reported that the segmentation techniques used in classifications reduce the local variation caused by textures, shadows and shape in forestry (Chubey et al., 2006; Yu et al., 2006; Mallinis et al., 2008) and landscapes(Hayetal.,2003)classifications.However,object-based classifications in typical agricultural dryland Mediterranean areas
to map cropping systems and key agro-environmental measures with high spatial resolution satellite imagery are lacking. Therefore, the main objective of this paper was to examine five supervised classification routines applied to pixel, object, and pixel+object (analysis of pixel and object bands together) data as MIU to analyze the potential of each method for the identification and mapping of cropping systems and their agro-environmental measuresusingmultispectralQuickBirdimages.Anadditionalgoal wastochecktheaccuracyofthesesupervisedclassificationroutines andMIUusingQuickBirdpan-sharpenedandmultispectralimagery totestwhetheranimprovementofspatialresolutionincreasedthe reliability of the classification.

ผลลัพธ์ (ไทย) 1:

และตัวแปรป่า (Chubeyetal. 2006 Yangetal. 2006 Mallinis et al. 2008) บริษัทที่เผยแพร่ภาพดาวเทียมมักจะมีผู้ใช้ผลิตภัณฑ์แยกชุมชนสอง: ภาพ panchromatic ความละเอียดเชิงพื้นที่สูงและความละเอียดเชิงพื้นที่ต่ำ multispectral หนึ่ง ความละเอียดสเปกตรัมสูงช่วยในการแบ่งแยกชนิดครอบที่ดิน แต่ความละเอียดเชิงพื้นที่สูงเป็น alsonecessarytobeabletoaccuratelydelimittheareaoccupiedby แต่ละที่ดินชนิดปก เช่นจะค้นหา featuresandstructures(González-Audicanaetal.,2004) ภูมิประเทศแตกต่างกัน Imagefusion มีการใช้อย่างกว้างขวางเพื่อให้เป็นภาพเดียวที่รวมข้อมูลสเปกตรัมสูงพร้อมกัน (จาก multispectral หรือภาพ hyperspectral) กับข้อมูลเชิงพื้นที่สูงจาก panchromaticones Agoodfusionmethodmustallowfortheinjection ในแต่ละวงของภาพ multispectral ของรายละเอียดเชิงพื้นที่ informationfromthepanchromaticimagethatisnotpresentinthe หนึ่ง multispectral (Otazu et al. 2005) นักวิจัยต่าง ๆ ได้แสดงให้เห็นว่า วิธีเดียวตามให้ภาพความละเอียดเชิงพื้นที่สูงเป็นที่พอใจ รักษาคุณสมบัติสเปกตรัมของ originalmultispectraldata (Choietal. 2005 Vijayarajetal., 2006) หลายภายใต้ดูแล และวิธี classification ขั่วมีอยู่ และมีการใช้ที่ดินการใช้ classification ศึกษา Classification ดูแลเป็นขั้นตอนสำหรับการระบุพื้นที่กระจกชนิดคล้ายในรูปภาพที่ผู้ใช้รู้จักสถานที่ฝึกอบรมครอบคลุมที่ดินรู้จัก อัลกอริทึม classification extrapolates ลักษณะสเปกตรัมส่วนอื่น ๆ สำหรับ classification Classification ขั่วประกอบด้วยประเภทของภาพ ด้วยการประมวลผลคอมพิวเตอร์ถือตามสถิติภาพ โดยการแนะนำผู้ใช้โดยตรง ใต้ et al. (2004) สรุปสุดดูแล classification ตามปกติได้เป็นสามประเภทหลัก: ตัดสินใจ ตามมุม และ ตามระยะทาง ความน่าเป็นตามกฎนี้ ใช้ระยะทาง classifiers พึ่งหลักเฉลี่ย spectralvaluesofdistinctclasses, ignoringvariancewithinclasses ความน่าเป็น classification ตามปกติรวมทั้งหมายถึงอะไรและ varianceofthedatasetintotheclassificationdecisionrule ในที่สุด คะแนนเชิงมุม classifiers ใช้กฎตัดสินใจ classification ตามมุมสเปกตรัมที่เกิดขึ้นระหว่างมีสเปคตรัมอ้างอิงและมีพิกเซล unclassified รูทีน classification เหมาะที่หนึ่งไม่ได้ วิธีการที่เหมาะสมจะถูกกำหนด โดยความต้องการและความต้องการของแต่ละการศึกษา Mostremotesensinglanduseclassificationstudiesarebasedon pixelinformation อย่างไรก็ตาม จะใช้ anincreaseinspatialresolutioncauses การเพิ่มขึ้นของความแปรปรวนสเปกตรัม intraclass และลด classificationperformanceandaccuracywhenpixel basedanalyses Overcome ปัญหานี้ มันอาจจะเป็นประโยชน์ในการจัดกลุ่มพิกเซลติดเป็นกระจกชนิด และ spatially เหมือนวัตถุที่สร้างขึ้น ด้วยกระบวนการแบ่งกลุ่ม Funck et al. (2003) อัลกอริทึมการแบ่งเซกเมนต์หลักที่แบ่งเป็นสองชั้นเรียนทั่วไป: edgebased และอัลกอริทึมการผสานวัตถุ วัตถุรวมอัลกอริทึม takesomepixelsasseedsandgrowtheregionsaroundthembased บนเกณฑ์ homogeneity (Yu et al. 2006) หลังจากนั้น การ classificationisnotbasedonpixelsbutonobjectsastheMinimum ข้อมูลหน่วย (MIU) วัตถุเหล่านี้ไม่มีลักษณะ โดยค่า reflectance เหมือนกัน แต่การกระจายของเป็นที่บางพื้นที่ autocorrelation (Lobo, 1997) ข้อมูลนี้เป็นไปตามบริบท และวัตถุขนาด รูปร่าง และสามารถคำนวณได้ ตามลำดับชั้นของวัตถุภาพ informationpertainingtoanobject'ssub-orsuper-objectifamultilevel ถูกสร้างขึ้น (Chubey et al. 2006) ตั้งแต่ Kettig และ Landgrebe (1976), วิธีการใช้วัตถุแทบไม่ถูกใช้ในความโปรดปรานของวิเคราะห์พิกเซลตามง่ายขึ้น อย่างไรก็ตาม ในปี และอาจจะเนื่อง จากความพร้อมใช้งานปัจจุบันของซอฟต์แวร์ที่มีประสิทธิภาพมากขึ้น นักวิจัยบางคนได้รายงานว่า เทคนิคการแบ่งกลุ่มที่ใช้ใน classifications ลดการเปลี่ยนแปลงในท้องถิ่นที่เกิดจากพื้นผิว และรูปร่างในป่าไม้ (Chubey et al. 2006 เงา Yu et al. 2006 Mallinis et al. 2008) และภาพทิวทัศน์ (Hayetal, 2003) classifications อย่างไรก็ตาม ตามวัตถุ classifications ในบริเวณเมดิเตอร์เรเนียนทั่วไปเกษตร drylandการครอบตัด ระบบและมาตรการสิ่งแวดล้อมเกษตรสำคัญกับภาพถ่ายดาวเทียมความละเอียดเชิงพื้นที่สูงจะขาด ดังนั้น วัตถุประสงค์หลักของเอกสารนี้คือการ ตรวจสอบดูแลด้านกิจวัตร classification ที่ใช้กับพิกเซล วัตถุ และพิกเซล + วัตถุ (วิเคราะห์วงพิกเซลและวัตถุโดด) ข้อมูลเป็น MIU เพื่อวิเคราะห์ศักยภาพของแต่ละวิธีสำหรับการ identification และการแม็ปการครอบตัดระบบและการเกษตรสิ่งแวดล้อม measuresusingmultispectralQuickBirdimages.Anadditionalgoal wastochecktheaccuracyofthesesupervisedclassificationroutines andMIUusingQuickBirdpan sharpenedandmultispectralimagery totestwhetheranimprovementofspatialresolutionincreasedthe ความน่าเชื่อถือ classification การ

ผลลัพธ์ (ไทย) 2:

และตัวแปรป่า (Chubeyetal, 2006. Yangetal 2006;.. Mallinis et al, 2008) บริษัท ที่แจกจ่ายภาพดาวเทียมสังเกตการณ์โลกมักจะมีชุมชนผู้ใช้ผลิตภัณฑ์ทั้งสองแยกจากกัน: ภาพความละเอียดสูงเต็มที่เชิงพื้นที่และความละเอียดต่ำอวกาศ multispectral หนึ่ง ความละเอียดสูงสเปกตรัมอำนวยความสะดวกในการแยกแยะประเภทปกที่ดิน แต่ความละเอียดเชิงพื้นที่สูง alsonecessarytobeabletoaccuratelydelimittheareaoccupiedby แต่ละประเภทคลุมดินเช่นเดียวกับการหา featuresandstructures ภูมิประเทศที่แตกต่างกัน (González-Audicanaetal., 2004) .Imagefusion ถูกนำมาใช้อย่างกว้างขวางในการให้ ภาพเพียงภาพเดียวที่พร้อมรวมข้อมูลสูงสเปกตรัม (จากภาพ multispectral หรือ Hyperspectral) มีข้อมูลเชิงพื้นที่สูงจาก panchromaticones.Agoodfusionmethodmustallowfortheinjection เข้าไปในแต่ละกลุ่มภาพ multispectral ของรายละเอียดเชิงพื้นที่ informationfromthepanchromaticimagethatisnotpresentinthe multispectral หนึ่ง (Otazu et al., 2005) นักวิจัยที่แตกต่างกันได้แสดงให้เห็นว่าวิธีการ wavelet ตามให้ภาพความละเอียดเชิงพื้นที่สูงที่น่าพอใจที่ยังคงรักษาคุณสมบัติสเปกตรัมของ originalmultispectraldata นี้ (Choietal 2005;.. Vijayarajetal 2006) หลายคนภายใต้การดูแลและใกล้ชิดวิธีไอออนจัดประเภท Fi อยู่และได้ถูกนำมาใช้สำหรับการใช้ประโยชน์ที่ดินการศึกษาไอออนจัดประเภท Fi ภายใต้การดูแลไอออนจัดประเภทเป็นขั้นตอนสำหรับการระบุพื้นที่ที่คล้ายกันผีในภาพที่ผู้ใช้ตระหนักถึงเว็บไซต์การฝึกอบรมของที่ดินที่รู้จักกันครอบคลุมนั้น ขั้นตอนวิธีการจัดประเภท Fi ไอออนบวกค่าตัวแปรลักษณะผีเหล่านั้นไปยังพื้นที่อื่น ๆ สำหรับการจัดประเภท Fi ไอออนบวก หากินไอออนจัดประเภทประกอบด้วยการจัดหมวดหมู่ของภาพโดยการประมวลผลคอมพิวเตอร์เพียงลำพังบนพื้นฐานสถิติภาพโดยไม่มีการแทรกแซงของคำแนะนำผู้ใช้โดยตรง ใต้ et al, (2004) สรุปภายใต้การดูแลส่วนใหญ่จัดประเภทกิจวัตร Fi ไอออนบวกเป็นสามประเภทหลัก: น่าจะเป็นตามและเชิงมุมตามกฎการตัดสินใจตามระยะทาง ตามระยะทาง ERS จัดประเภทอาศัยหลักในการ spectralvaluesofdistinctclasses เฉลี่ย ignoringvariancewithinclasses ความน่าจะเป็นขั้นตอนการจัดประเภท Fi ไอออนบวกรวมทั้งค่าเฉลี่ยและ varianceofthedatasetintotheclassi Fi cationdecisionrule.Finally เชิงมุมตาม ERS จัดประเภทใช้กฎการตัดสินใจ Fi ไอออนจัดประเภทขึ้นอยู่กับมุมที่เกิดขึ้นระหว่างสเปกตรัมคลื่นความถี่อ้างอิงและเอ็ดพิกเซล unclassi Fi ไม่มีใครจัดประเภทเหมาะ Fi ไอออนบวกเป็นประจำ วิธีที่เหมาะสมที่สุดจะถูกกำหนดโดยความต้องการและความต้องการของแต่ละคนการศึกษา Mostremotesensinglanduseclassi Fi cationstudiesarebasedon pixelinformation.However, anincreaseinspatialresolutioncauses การเพิ่มขึ้นของความแปรปรวนสเปกตรัม intraclass และลดลงในการจัดประเภท Fi cationperformanceandaccuracywhenpixel-basedanalyses จะถูกนำมาใช้ ที่จะเอาชนะปัญหานี้มันอาจจะมีประโยชน์ให้กับกลุ่มพิกเซลที่อยู่ติดกันเข้าผีและตำแหน่งวัตถุที่เป็นเนื้อเดียวกันที่สร้างผ่านกระบวนการการแบ่งส่วน Funck et al, (2003) การจัดกลุ่มขั้นตอนวิธีการแบ่งส่วนหลักเป็นสองชั้นโดยทั่วไป: edgebased และขั้นตอนวิธีการรวมวัตถุ วัตถุผสานขั้นตอนวิธีการ takesomepixelsasseedsandgrowtheregionsaroundthembased เกณฑ์ที่เป็นเนื้อเดียวกันบางอย่าง (Yu et al., 2006) หลังจากนั้นเป็นต้นมาจัดประเภท cationisnotbasedonpixelsbutonobjectsastheMinimum ข้อมูล Unit (MIU) วัตถุเหล่านี้จะไม่โดดเด่นด้วยเครื่องแบบใหม่มูลค่า ectance ชั้น แต่โดยการกระจายของอัตเชิงพื้นที่บางอย่าง (Lobo 1997) เดอะ ข้อมูลเชิงพื้นที่นี้จะขึ้นอยู่กับขนาดของวัตถุรูปร่างและบริบทและสามารถนำมาคำนวณเป็นลำดับชั้นของภาพวัตถุ informationpertainingtoanobject'ssub-orsuper-objectifamultilevel ได้ถูกสร้างขึ้น (Chubey et al., 2006) ตั้งแต่ Kettig และ Landgrebe (1976) ซึ่งเป็นวิธีการที่วัตถุตามที่ได้รับแทบจะไม่นำมาใช้ในความโปรดปรานของการวิเคราะห์ง่ายขึ้นตามพิกเซล อย่างไรก็ตามในปีที่ผ่านมาและอาจเป็นเพราะความพร้อมในปัจจุบันของซอฟต์แวร์ที่มีประสิทธิภาพมากขึ้นนักวิจัยบางคนได้รายงานว่าเทคนิคการแบ่งส่วนที่ใช้ในการไพเพอร์จัดประเภทลดการเปลี่ยนแปลงในท้องถิ่นที่เกิดจากพื้นผิวเงาและรูปร่างในป่าไม้ (Chubey et al, 2006. Yu et al, 2006;... Mallinis et al, 2008) และภูมิทัศน์ (Hayetal, 2003) จัดประเภท cations.However fi, วัตถุตามไพเพอร์จัดประเภท Fi ในพื้นที่เมดิเตอร์เรเนียน dryland การเกษตรทั่วไป
เพื่อทำแผนที่ระบบการปลูกพืชและมาตรการเกษตรสิ่งแวดล้อมที่สำคัญที่มีความละเอียดเชิงพื้นที่สูง ภาพถ่ายดาวเทียมจะขาด ดังนั้นวัตถุประสงค์หลักของการวิจัยนี้เพื่อศึกษา Fi ได้ภายใต้การดูแลกิจวัตรไอออนจัดประเภท Fi นำไปใช้กับพิกเซลวัตถุและพิกเซล + วัตถุ (การวิเคราะห์พิกเซลและวัตถุวงดนตรีร่วมกัน) ข้อมูลเป็น MIU การวิเคราะห์ศักยภาพของแต่ละวิธีสำหรับไอออนบวก Fi ระบุและการทำแผนที่ของ ระบบและ measuresusingmultispectralQuickBirdimages.Anadditionalgoal เกษตรสิ่งแวดล้อม wastochecktheaccuracyofthesesupervisedclassi cationroutines andMIUusingQuickBirdpan-sharpenedandmultispectralimagery ความน่าเชื่อถือของ totestwhetheranimprovementofspatialresolutionincreasedthe จัดประเภท Fi ไอออนบวก Fi การปลูกพืช