the image by using unsupervised cla

the image by using unsupervised classification. In this way the water pixels were
differentiated from the land pixels. An unsupervised classification was applied on the
SPOT band 3 (NIR) image and resulted in a total of 150 categories. By assigning the
first class to water throughout the entire image, the water area of the reservoir can be
identified. The procedure developed a binary mask layer by renumbering the water
pixels as "1" and the rest of the pixels as "0". Afterward, the water body was extracted
from the other SPOT bands by multiplying by this mask layer.
With regard to the use of remote sensing in water quality monitoring and modeling,
the major concerns are: 1) the suitable spectral channel to match the various
characteristics of water quality variables, and 2) the appropriate and efficient image
processing to convert image brightness to traditional water quality indices. To cover
distinctive spectral characteristics and distinguish the brightness values reflected from
plankton and suspended solids, multispectral sensors would be a good choice
(Robinson, 1985). Therefore, a band ratio regression model was developed for
delineating the water quality conditions by remote sensing monitoring. A band ratio
between the near infrared (NIR) and red was suggested to detect chlorophyll in water,
due to a positive reflectivity of chlorophyll in the NIR and an inverse behavior in the
red (Rundquist et al., 1996). Concordant with the theoretical basis, the correlation
matrix shows that the ratio of the red-band to the infrared-band has the highest
correlation to chlorophyll. Also, a green/red (XS1/XS2) ratio shows a significant
correlation with Secchi depth and phosphorus concentration. These ratios were
adopted to derive these three water quality variables from satellite data. The
regression model was calibrated by in situ samples, which were collected from the
water below 1 m from surface. These samples were correlated to the remote sensing
data from SPOT using an average digital value from a 3x3 pixel window centered at
the sampling location. A natural logarithmic regression model was developed for
chlorophyll a (CHLA), Secchi depth (SD), and phosphorus (PO4) as:

ผลลัพธ์ (ไทย) 2:

ภาพโดยใช้การจัดหมวดหมู่หากิน ด้วยวิธีนี้พิกเซลน้ำได้
แตกต่างจากพิกเซลที่ดิน การจัดหมวดหมู่หากินถูกนำมาใช้ใน
วง SPOT 3 (NIR) ภาพและส่งผลให้ทั้งหมด 150 หมวดหมู่ โดยการกำหนด
ชั้นแรกลงไปในน้ำตลอดทั้งภาพพื้นที่น้ำของอ่างเก็บน้ำที่สามารถ
ระบุ ขั้นตอนการพัฒนาชั้นหน้ากากไบนารีโดยจัดเลขระบุฉบับน้ำ
พิกเซลเป็น "1" และส่วนที่เหลือของพิกเซลเป็น "0" หลังจากนั้นร่างกายของน้ำสกัด
. จากวงดนตรีที่จุดอื่น ๆ โดยการคูณโดยชั้นหน้ากากนี้
เกี่ยวกับการใช้ประโยชน์จากการสำรวจระยะไกลในการติดตามตรวจสอบคุณภาพน้ำและการสร้างแบบจำลอง,
ความกังวลที่สำคัญคือ 1) ช่องสเปกตรัมที่เหมาะสมเพื่อให้ตรงกับที่หลากหลาย
ลักษณะ ของตัวแปรคุณภาพน้ำและ 2) ภาพที่เหมาะสมและมีประสิทธิภาพ
การประมวลผลการแปลงความสว่างของภาพดัชนีคุณภาพน้ำแบบดั้งเดิม เพื่อให้ครอบคลุม
ลักษณะสเปกตรัมที่โดดเด่นและแตกต่างค่าความสว่างที่สะท้อนจาก
แพลงก์ตอนและสารแขวนลอย, เซ็นเซอร์ multispectral จะเป็นทางเลือกที่ดี
(โรบินสัน, 1985) ดังนั้นอัตราส่วนวงแบบการถดถอยได้รับการพัฒนาสำหรับ
โทบี้เงื่อนไขคุณภาพน้ำโดยการตรวจสอบระยะไกล อัตราส่วนวง
ระหว่างใกล้อินฟราเรด (NIR) และสีแดงได้รับการแนะนำในการตรวจสอบคลอโรฟิลในน้ำ
อันเนื่องมาจากการสะท้อนในเชิงบวกของคลอโรฟิลใน NIR และพฤติกรรมที่ตรงกันข้ามใน
สีแดง (Rundquist et al., 1996) สอดคล้องกับพื้นฐานทางทฤษฎีสหสัมพันธ์
เมทริกซ์แสดงให้เห็นว่าอัตราส่วนของแถบสีแดงอินฟราเรดวงมีสูงสุด
ความสัมพันธ์กับคลอโรฟิล นอกจากนี้สีเขียว / แดง (XS1 / XS2) อัตราส่วนแสดงให้เห็นอย่างมีนัยสำคัญ
ความสัมพันธ์ที่มีความลึก Secchi และความเข้มข้นของฟอสฟอรัส อัตราส่วนเหล่านี้ถูก
นำมาใช้เพื่อให้ได้ทั้งสามตัวแปรคุณภาพน้ำจากข้อมูลดาวเทียม
ตัวแบบการถดถอยได้รับการสอบเทียบโดยในตัวอย่างแหล่งกำเนิดที่ถูกเก็บมาจาก
น้ำต่ำกว่า 1 เมตรจากพื้นผิว ตัวอย่างเหล่านี้มีความสัมพันธ์กับการสำรวจระยะไกล
ข้อมูลจากจุดโดยใช้ค่าเฉลี่ยดิจิตอลจากหน้าต่างพิกเซล 3x3 ศูนย์กลางที่
ตั้งของการสุ่มตัวอย่าง ตัวแบบการถดถอยลอการิทึมธรรมชาติได้รับการพัฒนาสำหรับ
คลอโรฟิล (CHLA) Secchi เชิงลึก (SD) และฟอสฟอรัส (PO4) รวม:

ผลลัพธ์ (ไทย) 3:

ภาพโดยใช้การจำแนกแบบไม่โต้ตอบ ในวิธีนี้น้ำมีความแตกต่างจากที่ดิน
พิกเซลพิกเซล การประยุกต์ใช้ในการจำแนก unsupervised
จุดวงดนตรี 3 ( NIR ) ภาพและผลรวม 150 ประเภท โดยกำหนด
ชั้นหนึ่งน้ำทั่วทั้งภาพ ทั้ง น้ำ พื้นที่อ่างเก็บน้ำสามารถ
ระบุกระบวนการพัฒนาชั้นหน้ากากไบนารีโดยการเรียงลำดับหมายเลขน้ำ
พิกเซลเป็น " 1 " และส่วนที่เหลือของพิกเซลเป็น " 0 " หลังจากนั้น ร่างกาย น้ำสกัด
จากวงอื่นจุด โดยการคูณด้วยหน้ากากชั้น .
เรื่องการใช้ดาวเทียมในการติดตาม และแบบจำลองคุณภาพน้ำ
ความกังวลหลักคือ 1 ) เหมาะสเปกตรัมช่องให้ตรงกับต่างๆ
ลักษณะของตัวแปรคุณภาพน้ำ และ 2 ) ที่เหมาะสมและมีประสิทธิภาพในการประมวลผลภาพ
แปลงความสว่างของภาพดัชนีคุณภาพน้ำแบบดั้งเดิม ปก
โดดเด่นลักษณะและแยกแยะค่าความสว่างแสงสะท้อนจาก
แพลงก์ตอนและของแข็งแขวนลอย , เซ็นเซอร์ Multispectral จะ
ทางเลือกที่ดี ( โรบินสัน , 1985 ) ดังนั้นวงดนตรี ) ได้พัฒนาแบบจำลองการถดถอย
อธิบายสภาพคุณภาพน้ำ โดยการตรวจสอบระยะไกลตรวจจับ . วงดนตรี )
ระหว่างอินฟราเรดใกล้ ( NIR ) และสีแดงถูกแนะนำให้ตรวจสอบคลอโรฟิลล์ในน้ำ
เนื่องจากบวกการสะท้อนกลับของคลอโรฟิลล์ในทั่วไปและพฤติกรรมตรงกันข้าม
สีแดง ( rundquist et al . , 1996 ) และมีพื้นฐานทางทฤษฎี ความสัมพันธ์
เมทริกซ์แสดงให้เห็นว่าอัตราส่วนของวงสีแดงวงอินฟราเรดมีความสัมพันธ์สูงสุด
กับคลอโรฟิลล์ นอกจากนี้ เขียว / แดง ( xs1 / xs2 ) อัตราส่วนแสดงความสัมพันธ์
ที่มีความลึก secchi ฟอสฟอรัสและความเข้มข้น อัตราส่วนเหล่านี้ถูกใช้เพื่อให้ได้
ทั้งสามตัวแปรคุณภาพน้ำจากข้อมูลดาวเทียม การปรับเทียบแบบจำลอง
พีโดยในตัวอย่าง ,ซึ่งรวบรวมจาก
น้ำด้านล่าง 1 เมตร จากผิวดิน ตัวอย่างเหล่านี้มีความสัมพันธ์กับการรับรู้จากระยะไกล
ข้อมูลจากจุดใช้ค่าเฉลี่ย 3x3 พิกเซลดิจิตอลจากหน้าต่างอยู่ตรงกลาง
2 ตำแหน่ง การถดถอยแบบลอการิทึมธรรมชาติได้รับการพัฒนาสำหรับ
คลอโรฟิลล์ ( chla ) secchi ความลึก ( SD ) และฟอสฟอรัส ( po4 ) :