3.5 Concluding remarks Considering

3.5 Concluding remarks Considering chosen land cover classes, results from image classification (Figure 5) and accuracy assessment can be good starting point for certain analysis:
in the knowledge base, it must be well known whether selected sample is vegetation (forested area) or vegetated crop area
around 30% of misclassified samples represent classes with small signature separability
classification procedure is strongly influenced by the presence of clouds. These regions are lighter, so they cannot be properly classified. Since several samples, during accuracy assessment, were taken in this area with intention, overall classification procedure is probably of higher accuracy
at first sight, time necessary for fuzzy classification is longer comparing to maximum likelihood procedure, which takes several seconds to classify an image. But, if in ML procedure possible image transfer to recognizable format for certain software, formulation of the training areas, analysis concerning signature separability take place, than situation is quite different: fuzzy logic takes advantage of already created simple rules and image classification (started from the scratch in both procedures) equal or even less time consuming. Of course, different conditions during image capture must be taken into account.
considering the level of classification accuracy, fuzzy logic can be satisfactory used for image classification.

ผลลัพธ์ (ไทย) 1:

3.5 สรุปข้อสังเกตพิจารณาเลือกที่ดินครอบคลุมชั้น ผลจากการจัดประเภทรูปภาพ (รูป 5) และประเมินความถูกต้องแม่นยำได้ดีจุดเริ่มต้นสำหรับการวิเคราะห์: ในฐานความรู้ มันต้องรู้จักว่าจากตัวอย่างเลือก พืช (พื้นที่ป่า) หรือพื้นที่เพาะปลูกการปลูกพืช ประมาณ 30% ของตัวอย่างงานแสดงชั้นพร้อมลายเซ็นขนาดเล็ก separability ขั้นตอนการจัดประเภทขอได้รับอิทธิพลจากของเมฆ ภูมิภาคเหล่านี้มีน้ำหนักเบา ดังนั้นพวกเขาไม่สามารถถูกจัดประเภท เนื่องจากหลายอย่าง ในระหว่างการประเมินความถูกต้อง ที่ถ่ายบริเวณนี้ด้วยความตั้งใจ ขั้นตอนการจัดประเภทโดยรวมคือคงความแม่นยำสูง ที่ตา เวลาที่จำเป็นสำหรับการจัดประเภทเอิบเป็นยาวเทียบกับขั้นตอนความเป็นไปได้สูงสุด ซึ่งใช้เวลาหลายวินาทีในการจัดประเภทรูปภาพ แต่ ถ้าใน ML ขั้นตอนภาพสามารถโอนย้ายรูปแบบรู้จักบางซอฟต์แวร์ กำหนดพื้นที่ฝึกอบรม วิเคราะห์เกี่ยวกับลายเซ็น separability ขึ้น กว่าสถานการณ์ค่อนข้างแตกต่าง: ตรรกศาสตร์ใช้ประโยชน์จากกฎแล้วสร้างเรื่อง และภาพเท่ากับการจัดประเภท (เริ่มตั้งแต่ในขั้นตอนทั้งสอง) หรือใช้เวลาแม้แต่น้อย แน่นอน เงื่อนไขต่าง ๆ ในระหว่างการจับภาพต้องนำมาพิจารณา พิจารณาระดับของความถูกต้องของประเภท ตรรกศาสตร์ได้พอใช้การจัดรูป

ผลลัพธ์ (ไทย) 2:

3.5 ข้อสังเกตการประชุมพิจารณาเลือกที่เรียนปกคลุมดิน, ผลลัพธ์ที่ได้จากการจัดหมวดหมู่ของภาพ (รูปที่ 5) และการประเมินความถูกต้องสามารถเป็นจุดเริ่มต้นที่ดีสำหรับการวิเคราะห์บาง:
ในฐานความรู้นั้นจะต้องเป็นที่รู้จักกันเป็นอย่างดีไม่ว่าจะเป็นตัวอย่างที่เลือกเป็นพืช (พื้นที่ป่า) หรือปลูกพืช พื้นที่เพาะปลูก
ประมาณ 30% ของกลุ่มตัวอย่างแบ่งเป็นชั้นเรียนที่มีลายเซ็นเล็ก ๆ แยก
ขั้นตอนการจัดหมวดหมู่ได้รับอิทธิพลจากการปรากฏตัวของเมฆ ภูมิภาคเหล่านี้มีน้ำหนักเบาดังนั้นพวกเขาจึงไม่สามารถจัดได้อย่างถูกต้อง ตั้งแต่หลายตัวอย่างในระหว่างการประเมินความถูกต้องถูกถ่ายในบริเวณนี้ด้วยความตั้งใจ, ขั้นตอนการจัดหมวดหมู่โดยรวมน่าจะเป็นของความถูกต้องสูงขึ้น
ตั้งแต่แรกเห็นเวลาที่จำเป็นสำหรับการจำแนกเลือนมีความยาวเมื่อเทียบกับขั้นตอนความเป็นไปได้สูงสุดซึ่งจะใช้เวลาหลายวินาทีในการจำแนกภาพ แต่ถ้าในขั้นตอน ML ถ่ายโอนภาพไปได้ที่จะรูปแบบที่รู้จักสำหรับซอฟต์แวร์บางอย่างการกำหนดพื้นที่การฝึกอบรมการวิเคราะห์เกี่ยวกับการแยกลายเซ็นเกิดขึ้นกว่าสถานการณ์ที่ค่อนข้างแตกต่างกัน: ตรรกศาสตร์ใช้ประโยชน์จากการสร้างกฎระเบียบที่เรียบง่ายและการจัดหมวดหมู่ของภาพ (เริ่มต้นจาก รอยขีดข่วนในขั้นตอนทั้งสอง) เท่ากับหรือแม้กระทั่งเสียเวลาน้อยลง แน่นอนเงื่อนไขที่แตกต่างระหว่างการจับภาพจะต้องนำมาพิจารณา.
พิจารณาระดับของความถูกต้องจำแนกตรรกศาสตร์สามารถเป็นที่น่าพอใจที่ใช้สำหรับการจัดหมวดหมู่ภาพ

ผลลัพธ์ (ไทย) 3:

3.5 สรุปข้อสังเกตพิจารณาเลือกเรียนครอบคลุมที่ดิน ผลจากการจำแนกภาพ ( รูปที่ 5 ) และการประเมินความถูกต้องสามารถเป็นจุดเริ่มต้นที่ดีสำหรับการวิเคราะห์ที่แน่นอน :
ในฐานความรู้ คงจะรู้จักกันดีว่าตัวอย่างที่เลือกคือพืช ( พื้นที่ป่า ) หรือ vegetated พื้นที่เพาะปลูก
ประมาณ 30% ของ misclassified ตัวอย่าง เป็นตัวแทนของชั้นเรียนขนาดเล็ก การแยกออก
ลายเซ็นขั้นตอนการจำแนกเป็นอิทธิพลอย่างมากโดยการแสดงตนของเมฆ ภูมิภาคเหล่านี้มีน้ำหนักเบาเพื่อให้พวกเขาไม่สามารถจัดได้อย่างถูกต้อง เนื่องจากหลายๆ ตัวอย่าง ในการประเมินความถูกต้อง ถูกถ่ายในพื้นที่นี้มีเจตนาขั้นตอนการจำแนกโดยรวมอาจจะมากกว่าความถูกต้อง
เมื่อแรกเห็นเวลาที่จำเป็นสำหรับการเลือนนานเมื่อเปรียบเทียบกับกระบวนการความน่าจะเป็นสูงสุดซึ่งใช้เวลาหลายวินาทีเพื่อแยกภาพ แต่ถ้าในขั้นตอนการส่งภาพในรูปแบบน้ำได้รู้จักแน่นอนซอฟต์แวร์ การกำหนดพื้นที่การฝึก วิเคราะห์เกี่ยวกับการแยกออกลายเซ็นใช้สถานที่ กว่าสถานการณ์จะแตกต่างกันมาก :ตรรกศาสตร์ใช้ประโยชน์ได้สร้างกฎง่ายๆและภาพหมวดหมู่ ( เริ่มต้นจากรอยขีดข่วนในกระบวนการทั้งสอง ) เท่ากับหรือน้อยกว่าเวลาที่การบริโภค แน่นอนว่า เงื่อนไขที่แตกต่างกันในระหว่างการจับภาพจะต้องถ่ายลงในบัญชี
พิจารณาระดับความแม่นยำในการจำแนก ตรรกศาสตร์คลุมเครือสามารถพอใจใช้สำหรับหมวดหมู่ภาพ