such as residential and industrial

such as residential and industrial (level II), which correspond to the strategic scale of UPM, requires a spatial resolution of 620 m, while the classification of singlefamily units and apartments (level III), which correspond to the local scale of UPM, requires a resolution of 65 m. Thus, urban remote sensing applications associated with the local scale of UPM have benefitted from the increased availability of highresolution imagery, which has led to increased interest in spatial
image analysis methods that combine spectral and spatial information for analysis and classification (Gao, 2009). An example of spatial image analysis is object-based image analysis (OBIA). OBIA has gained popularity since the early 2000s because of GIS users’ growing need to extract meaningful objects from high-resolution remote sensing imagery. Hay and Castilla (2006) proposed that OBIA ‘‘...is a sub discipline of GIScience devoted to partitioning remote sensing (RS) imagery into meaningful image-objects...’’. The methodological origins of OBIA trace back to the 1970s, when
it was nearly abandoned in favour of per-pixel-based classification (Gao, 2009 p. 421). Object-based classification is based on attributes that mimic the human interpretation of an image, including size, shape, texture and context (Bruce, 2008). In practice, these ‘‘meaningful image-objects’’ are built from patches of uniform tone and texture that are created by a segmentation routine. After the initial segmentation, the object can be constructed using different measurements of shape, texture, topology, heterogeneity and spatial relationships of the patches. Bhaskaran, Paramananda, and Ramnarayan (2010) used OBIA at the local scale of UPM through a combination of per-pixel-based and object-based methodologies
to increase the classification accuracy of white roofs and vegetation (important factors for heat islands) in Queens and Brooklyn, New York. At the strategic scale, the use of per-pixel-based methods for spectrally classifying remote sensing images in urban areas using medium-resolution imagery is challenging because of the high spectral variability in urban materials and because a specific spectral signature might appear in a number of different contexts in the urban landscape. Consequently, classification reliability has been lower in urban areas than in rural settings (Bhaskaran et al., 2010; Donnay, Barnsley, & Longley, 2001; Gao, 2009; Herold, Roberts, Gardner, & Dennison, 2004; Longley, 2002; Schöpfer,
Lang, & Strobl, 2010). Even when the accuracy concerns of per-pixel-based classifications in urban areas are addressed, professionals in the urban field, excluding landscape ecologists, tend to be less interested in the resulting distribution of land cover. Although the classified data that per-pixel-based methods deliver are valid, they do not address the strategic problems and issues associated with urban settings. This is particularly true in the social sciences, where information
on the spatial and structural properties and different indicators of social and economic functions is more important than that in other fields. Thus, the specific contextual arrangements, rather than the individual pixel spectral characteristics, typically define urban features (Donnay et al., 2001; Longley, 2002). Although several difficulties remain, important methodological breakthroughs have been made in the traditional fields of study for urban remote sensing applications (Gatrell & Jensen, 2008), including land use and land cover (LULC) change (Chen, Chang, Yu, & Huang, 2009; Tan, Lim, Matjafri, & Abdullah, 2010; Turan, Kadiogullari, & Gunlu, 2010; Wentz, Nelson, Rahman, Stefanov, & Roy, 2008; Yang, Ma, Du, & Yang, 2010), monitoring urbanisation (Coskun, Alganci, & Usta, 2008; Schneider, Friedl, & Potere, 2010;
Thapa & Murayama, 2011) and monitoring urban heat islands (Li, Wang, Wang, Ma, & Zhang, 2009; Rajasekar & Weng, 2009). In a recent contribution, Nielsen and Alhqvist (2014) claimed that context-based segmentation methods can be used to identify strategic-scale UPM categories from satellite imagery. Using a novel method for information extraction called window-independent context segmentation (WICS) on a SPOT4 scene from 2009 with a 10 10 spatial resolution, covering Columbus, Ohio. Nielsen and Alhqvist (2014) extracted three urban area categories that corresponded to the strategic scale of UPM: industrial/commercial and two residential categories, with mean construction years of 1955 and 1980, respectively; the overall accuracy was 73%. WICS is reminiscent of segmentation routines because it produces image ‘segments’ but differs in its use of geographical distances between classes. WICS also shares the aforementioned
goals of OBIA, but it does not require pre-segmentation. Instead, WICS uses the spectral information in each individual pixel as the building block for the classification. In this paper, the WICS method is applied to a SPOT5 scene that
covers central Stockholm, Sweden, with the aim of determining whether the method can identify information that is useful at the strategic scale of UPM.

ผลลัพธ์ (ไทย) 1:

such as residential and industrial (level II), which correspond to the strategic scale of UPM, requires a spatial resolution of 620 m, while the classification of singlefamily units and apartments (level III), which correspond to the local scale of UPM, requires a resolution of 65 m. Thus, urban remote sensing applications associated with the local scale of UPM have benefitted from the increased availability of highresolution imagery, which has led to increased interest in spatialimage analysis methods that combine spectral and spatial information for analysis and classification (Gao, 2009). An example of spatial image analysis is object-based image analysis (OBIA). OBIA has gained popularity since the early 2000s because of GIS users’ growing need to extract meaningful objects from high-resolution remote sensing imagery. Hay and Castilla (2006) proposed that OBIA ‘‘...is a sub discipline of GIScience devoted to partitioning remote sensing (RS) imagery into meaningful image-objects...’’. The methodological origins of OBIA trace back to the 1970s, whenเกือบจะถูกยกเลิกลงต่อพิกเซลการจัดประเภท (เกา 421 p. 2009) การจัดประเภทตามวัตถุขึ้นอยู่กับแอตทริบิวต์ที่เลียนแบบมนุษย์และการตีความภาพ ขนาด รูปทรง พื้นผิว และบริบท (บรูซ 2008) ในทางปฏิบัติ วัตถุเหล่านี้"มีความหมายภาพ-'' ที่สร้างจากซอฟต์แวร์ของเสียงสม่ำเสมอและเนื้อที่สร้าง โดยชุดคำสั่งแบ่ง หลังจากการเริ่มแบ่งกลุ่ม วัตถุสามารถสร้างโดยใช้การวัดแตกต่างกันของรูปทรง พื้นผิว โทโพโลยี heterogeneity และปริภูมิความสัมพันธ์ของโปรแกรม Bhaskaran, Paramananda และ Ramnarayan (2010) ใช้ OBIA ในขนาดเครื่องของ UPM ผ่านกระบวนวิธีต่อพิกเซลตาม และ ตามวัตถุ-เพื่อเพิ่มความถูกต้องประเภทของหลังคาขาวและพืชพรรณ (ปัจจัยสำคัญสำหรับเกาะความร้อน) ในควีนส์และบรู๊คลิน นิวยอร์ก ที่ระดับกลยุทธ์ ใช้ต่อพิกเซลใช้วิธีการสำหรับ spectrally ประเภทแชมพูภาพในเขตเมืองโดยใช้ภาพถ่ายความละเอียดปานกลางจะท้าทาย มีความแปรผันสเปกตรัมสูงในเมืองวัสดุและเนื่อง จากลายเซ็นสเปกตรัมเฉพาะอาจปรากฏในบริบทต่าง ๆ ในเมือง ดังนั้น ประเภทความน่าเชื่อถือได้ต่ำกว่าในเขตเมืองมากกว่าในชนบทการตั้งค่า (Bhaskaran et al., 2010 Donnay ฟุตบอลบาร์นสลีย์ & Longley, 2001 เกา 2009 Herold โรเบิตส์ การ์ดเนอร์ และ Dennison, 2004 Longley, 2002 SchöpferLang, & Strobl, 2010). Even when the accuracy concerns of per-pixel-based classifications in urban areas are addressed, professionals in the urban field, excluding landscape ecologists, tend to be less interested in the resulting distribution of land cover. Although the classified data that per-pixel-based methods deliver are valid, they do not address the strategic problems and issues associated with urban settings. This is particularly true in the social sciences, where informationon the spatial and structural properties and different indicators of social and economic functions is more important than that in other fields. Thus, the specific contextual arrangements, rather than the individual pixel spectral characteristics, typically define urban features (Donnay et al., 2001; Longley, 2002). Although several difficulties remain, important methodological breakthroughs have been made in the traditional fields of study for urban remote sensing applications (Gatrell & Jensen, 2008), including land use and land cover (LULC) change (Chen, Chang, Yu, & Huang, 2009; Tan, Lim, Matjafri, & Abdullah, 2010; Turan, Kadiogullari, & Gunlu, 2010; Wentz, Nelson, Rahman, Stefanov, & Roy, 2008; Yang, Ma, Du, & Yang, 2010), monitoring urbanisation (Coskun, Alganci, & Usta, 2008; Schneider, Friedl, & Potere, 2010;Thapa & Murayama, 2011) และเกาะความร้อนเมือง (Li วัง วัง Ma และ เตียว 2009 ตรวจสอบ Rajasekar และเตอรองต์ 2009) ในบริจาคล่าสุด นีลและ Alhqvist (2014) อ้างว่า สามารถใช้วิธีการแบ่งกลุ่มตามบริบทเพื่อระบุประเภท UPM กลยุทธ์มาตราส่วนจากภาพถ่ายดาวเทียม ใช้วิธีนวนิยายสำหรับแยกข้อมูลเรียกแบ่งหน้าต่างอิสระบริบท (WICS) ในฉาก SPOT4 2552 กับสิบ 10 ความละเอียดปริภูมิ โคลัมบัส โอไฮโอครอบคลุม นีลและ Alhqvist (2014) แยกประเภทเมืองสามที่ corresponded การมาตราส่วนเชิงกลยุทธ์ของ UPM: สองประเภทที่อยู่อาศัย ก่อสร้างหมายถึงปี 1955 และ 1980 และอุตสาหกรรมและการค้าตามลำดับ ความถูกต้องโดยรวมได้ร้อย ละ 73 WICS เป็นของแบ่งตามปกติ เพราะมันสร้างภาพ 'ส่วน' แต่แตกต่างในการใช้ระยะทางทางภูมิศาสตร์ระหว่างเรียน WICS ยังหุ้นดังกล่าวเป้าหมายของ OBIA แต่ไม่จำเป็นต้องแบ่งก่อน แทน WICS ใช้ข้อมูลสเปกตรัมในแต่ละพิกเซลแต่ละเป็นกลุ่มอาคารสำหรับการจัดประเภท ในเอกสารนี้ ใช้วิธีการ WICS กับฉาก SPOT5 ที่ครอบคลุมกลางสต็อกโฮล์ม สวีเดน มีเป้าหมายกำหนดว่า วิธีการสามารถระบุข้อมูลที่เป็นประโยชน์ในระดับกลยุทธ์ของ UPM

ผลลัพธ์ (ไทย) 2:

เช่นที่อยู่อาศัยและอุตสาหกรรม (ระดับ II) ซึ่งสอดคล้องกับระดับยุทธศาสตร์ของ UPM ต้องใช้ความละเอียดเชิงพื้นที่ของ 620 เมตรในขณะที่การจัดหมวดหมู่ของหน่วย singlefamily และอพาร์ตเมนต์ (ระดับ III) ซึ่งสอดคล้องกับระดับท้องถิ่นของ UPM ต้อง ความละเอียดของ 65 เมตร ดังนั้นการใช้งานในเมืองระยะไกลที่เชื่อมโยงกับระดับท้องถิ่นของ UPM ได้รับประโยชน์จากการเพิ่มขึ้นของความพร้อมภาพ HighResolution ซึ่งได้นำไปสู่การเพิ่มความสนใจในเชิงพื้นที่
วิธีการวิเคราะห์ภาพที่รวมข้อมูลสเปกตรัมและอวกาศเพื่อการวิเคราะห์และการจำแนก (Gao, 2009) ตัวอย่างของการวิเคราะห์ภาพเชิงพื้นที่คือการวิเคราะห์ภาพวัตถุตาม (OBIA) OBIA ได้รับความนิยมมาตั้งแต่ช่วงต้นยุค 2000 เพราะของผู้ใช้ระบบสารสนเทศภูมิศาสตร์ 'การเจริญเติบโตของความต้องการที่จะดึงวัตถุที่มีความหมายจากภาพความละเอียดสูงระยะไกล หญ้าแห้งและคาสตีล (2006) เสนอว่า OBIA '' ... เป็นวินัยย่อยของ GIScience ทุ่มเทให้กับการแบ่งระยะไกล (RS) เป็นภาพที่มีความหมายภาพวัตถุ ... '' ต้นกำเนิดของระเบียบวิธี OBIA ติดตามกลับไปปี 1970 เมื่อ
มันถูกทอดทิ้งเกือบในความโปรดปรานของการจำแนกต่อพิกเซลที่ใช้ (Gao 2009 พี. 421) การจัดหมวดหมู่ของวัตถุที่ใช้จะขึ้นอยู่กับคุณลักษณะที่เลียนแบบการตีความของมนุษย์ในภาพรวมทั้งขนาดรูปร่างพื้นผิวและบริบท (บรูซ 2008) ในทางปฏิบัติเหล่านี้ '' มีความหมายภาพวัตถุ '' ถูกสร้างขึ้นจากแพทช์ของเสียงเครื่องแบบและพื้นผิวที่สร้างขึ้นโดยการแบ่งส่วนกิจวัตรประจำวัน หลังจากที่เริ่มต้นการแบ่งส่วนวัตถุที่สามารถสร้างขึ้นโดยใช้การวัดที่แตกต่างกันของรูปทรงพื้นผิวโครงสร้างความแตกต่างและความสัมพันธ์เชิงพื้นที่ของแพทช์ Bhaskaran, Paramananda และ Ramnarayan (2010) ใช้ OBIA ในระดับท้องถิ่นของ UPM ผ่านการรวมกันของต่อพิกเซลที่ใช้และวัตถุที่ใช้วิธีการ
ที่จะเพิ่มความแม่นยำในการจัดหมวดหมู่ของหลังคาสีขาวและพืชผัก (ปัจจัยสำคัญในการเกาะความร้อน) ในควีนส์ และบรูคลินนิวยอร์ก ในระดับกลยุทธ์การใช้ต่อพิกเซลที่ใช้วิธีการแบ่งประเภทของผีภาพระยะไกลในเขตเมืองโดยใช้ภาพความละเอียดขนาดกลางเป็นสิ่งที่ท้าทายเพราะความแปรปรวนสูงสเปกตรัมในวัสดุเมืองและเพราะลายเซ็นสเปกตรัมที่เฉพาะเจาะจงอาจปรากฏในตัวเลข บริบทที่แตกต่างในภูมิทัศน์เมือง ดังนั้นความน่าเชื่อถือที่ได้รับการจัดหมวดหมู่ที่ต่ำกว่าในเขตเมืองมากกว่าในการตั้งค่าในชนบท (Bhaskaran et al, 2010;. Donnay, Barnsley, & Longley 2001; Gao 2009; Herold, โรเบิร์ตการ์ดเนอร์, เดนนิสสัน & 2004; Longley 2002; Schöpfer,
หรั่งและ Strobl 2010) แม้ในขณะที่ความกังวลเกี่ยวกับความถูกต้องของการจำแนกประเภทต่อพิกเซลที่ใช้ในพื้นที่เขตเมืองที่มีการจ่าหน้ามืออาชีพในเขตเมืองโดยไม่รวมนิเวศน์วิทยาภูมิทัศน์ที่มีแนวโน้มที่จะได้รับความสนใจน้อยลงในการกระจายผลของสิ่งปกคลุมดิน แม้ว่าข้อมูลที่จัดต่อพิกเซลที่ใช้วิธีการส่งมอบที่ถูกต้องพวกเขาไม่ได้อยู่ที่ปัญหาเชิงกลยุทธ์และปัญหาที่เกี่ยวข้องกับการตั้งค่าในเมือง นี่คือความจริงโดยเฉพาะอย่างยิ่งในทางสังคมศาสตร์ซึ่งข้อมูล
เกี่ยวกับคุณสมบัติเชิงพื้นที่และโครงสร้างและตัวชี้วัดที่แตกต่างกันของฟังก์ชั่นทางสังคมและเศรษฐกิจเป็นสิ่งที่สำคัญยิ่งไปกว่านั้นในสาขาอื่น ๆ ดังนั้นการเตรียมการตามบริบทที่เฉพาะเจาะจงมากกว่าพิกเซลแต่ละลักษณะสเปกตรัมซึ่งโดยปกติจะกำหนดคุณสมบัติในเมือง (Donnay et al, 2001;. Longley, 2002) แม้ว่าความยากลำบากหลายยังคงนวัตกรรมวิธีการที่สำคัญได้รับการทำในด้านการแบบดั้งเดิมของการศึกษาสำหรับการใช้งานในเมืองการสำรวจระยะไกล (Gatrell & เซ่น, 2008) รวมถึงการใช้ที่ดินและสิ่งปกคลุมดิน (LULC) เปลี่ยนแปลง (เฉิน, ช้าง, Yu และหวาง 2009; ตาลลิม Matjafri และอับดุลลาห์, 2010; ราน, Kadiogullari และ Gunlu 2010; เวนซ์, เนลสัน, ราห์มาน Stefanov และรอย 2008; ยาง Ma ดู่และยาง, 2010), การตรวจสอบการเจริญเติบโตของเมือง ( Coskun, Alganci และ Usta 2008; ชไนเดอ Friedl และ Potere 2010;
Thapa & Murayama, 2011) และการตรวจสอบเกาะเมืองร้อน (Li, วัง, วังแม่และ Zhang 2009; Rajasekar & Weng, 2009) ในผลงานที่ผ่านมานีลเซ่นและ Alhqvist (2014) อ้างว่าบริบทที่ใช้วิธีการแบ่งส่วนสามารถนำมาใช้เพื่อระบุประเภท UPM เชิงกลยุทธ์ระดับจากภาพถ่ายดาวเทียม การใช้วิธีการใหม่ในการสกัดข้อมูลที่เรียกว่าการแบ่งส่วนบริบทหน้าต่างอิสระ (WICS) ในฉาก SPOT4 จากปี 2009 ที่มี 10 10 ความละเอียดเชิงพื้นที่ครอบคลุมโคลัมบัสโอไฮโอ นีลเซ่นและ Alhqvist (2014) สกัดสามประเภทเขตเมืองที่สอดคล้องกับระดับยุทธศาสตร์ของ UPM: อุตสาหกรรม / พาณิชย์และสองประเภทที่อยู่อาศัยกับปีก่อสร้างเฉลี่ยของปี 1955 และ 1980 ตามลำดับ ความถูกต้องโดยรวม 73% WICS เป็นที่ระลึกของการปฏิบัติแบ่งส่วนเพราะมันจะให้ภาพที่ 'ส่วน' แต่แตกต่างกันในการใช้งานของระยะทางภูมิศาสตร์ระหว่างเรียน WICS ยังถือหุ้นดังกล่าวข้างต้น
เป้าหมายของ OBIA แต่มันไม่จำเป็นต้องมีการแบ่งส่วนก่อน แต่ WICS ใช้ข้อมูลสเปกตรัมในแต่ละพิกเซลบุคคลที่เป็นกลุ่มอาคารสำหรับการจัดหมวดหมู่ ในบทความนี้วิธี WICS ถูกนำไปใช้ฉาก SPOT5 ที่
ครอบคลุมกลางกรุงสตอกโฮล์มประเทศสวีเดนโดยมีวัตถุประสงค์ของการพิจารณาว่าวิธีการที่สามารถระบุข้อมูลที่เป็นประโยชน์ในระดับยุทธศาสตร์ของ UPM

ผลลัพธ์ (ไทย) 3:

เช่นที่อยู่อาศัยและอุตสาหกรรม ( ระดับ 2 ) ซึ่งสอดคล้องกับระดับยุทธศาสตร์ของเจ้าภาพต้องมีความละเอียดเชิงพื้นที่ 620 เมตร ในขณะที่ประเภทของหน่วย singlefamily อพาร์ทเมนท์ ( ระดับ 3 ) ซึ่งสอดคล้องกับระดับท้องถิ่นของ UPM , ต้องใช้ความละเอียด 65 เมตร ดังนั้นเมืองระยะไกลโปรแกรมประยุกต์ที่เกี่ยวข้องกับระดับท้องถิ่นของ UPM มี benefitted จากการเพิ่มขึ้นของการใช้ highresolution ทำให้เกิดความสนใจเพิ่มขึ้นในพื้นที่
ภาพการวิเคราะห์วิธีการรวมสเปกตรัมและพื้นที่ข้อมูลสำหรับการวิเคราะห์และจำแนก ( เกา , 2009 ) ตัวอย่างของการวิเคราะห์เชิงพื้นที่ คือ ภาพวัตถุที่ใช้วิเคราะห์ภาพ ( obia )obia ได้รับความนิยมตั้งแต่ช่วงต้นทศวรรษ 2000 เนื่องจากการเติบโตของผู้ใช้ต้องแยกวัตถุจากระยะไกลที่มีความละเอียดสูงภาพ หญ้าแห้งและกัสตียา ( 2006 ) เสนอว่า obia ' ' . . . . . . . เป็น ซับ วินัยของ giscience อุทิศเพื่อการการสำรวจข้อมูลระยะไกล ( RS ) ภาพเป็นภาพวัตถุที่มีความหมาย . . . . . . . ' ' ส่วนวิธีการกำเนิดของ obia ติดตามกลับไปปี 1970 เมื่อ