LAND-COVER CLASSIFICATIONA number o

LAND-COVER CLASSIFICATION
A number of classification techniques have evolved over
the past 30 years for application to remotely sensed
optical data. The most common of these use a statistical
maximum likelihood estimate (MLE) approach, and generate
discriminant functions using either supervised or
unsupervised methods to cluster data from training regions.
All classification approaches use features located
in the spectral, spatial, or temporal domains to train
and test the classifier. The most significant results are
generated when the classifier is trained and tested on
independent populations. The use of additional withinscene
knowledge of the probabilities of class occurrence,
such as the maximum a posteriori (MAP) approach,
often leads to enhanced performance of the classifier,
but does so at the expense of requiring much a priori
knowledge about the population under investigation.
Finally, other ancillary data such as geographic province,
elevation, slope, and climatic data can be used to further
segment the classification results.
Application of these classification techniques to digital
SAR data is relatively recent, since Seasat in 1978
(Ulaby et al., 1986; Wu and Sader, 1987; Kong et al.,
1987; Yueh et al., 1988; van Zyl, 1989; Lim et al., 1989;
van Zyl and Burnette, 1992; Rignot and Chellappa,
1992; Wong and Posner, 1993; Lozano-Garcia and
Hoffer, 1993). Because SAR uses a coherent imaging
process that results in a multiplicative noise known as
fading or speckle, the standard maximum likelihood
techniques have been augmented by various filters (Lin
and Allebach, 1990; Lopes et al., 1990) to force spectral
features to better approximate the normal distribution
assumptions of these approaches. For both optical and
radar imagery, the application of MLE and MAP techniques
can lead to very high classification accuracy,
often exceeding 90% when applied to the data on which
they were trained. Several studies have shown that radar
and optical data provide somewhat complementary information;
and hence, classification can be significantly
improved when both suites of sensors are used together
(Lozano-Garcia and Hoffer, 1993).
Since these statistical classification techniques are
based on scene- and / or site-specific distributions within
feature space, the discriminant functions of the classifier

ผลลัพธ์ (ไทย) 1:

ฝาครอบที่ดินประเภทมีพัฒนาเทคนิคการจัดประเภทจำนวนกว่า30 ปีผ่านมาสำหรับโปรแกรมประยุกต์การรู้สึกจากระยะไกลข้อมูลออปติคอล พบมากที่สุดของเหล่านี้ใช้ในทางสถิติโอกาสสูงสุด (MLE) วิธีประเมิน และสร้างใช้ฟังก์ชัน discriminant ดูแล หรือเตรียมวิธีการคลัสเตอร์ข้อมูลจากภูมิภาคการฝึกอบรมวิธีการจัดประเภททั้งหมดใช้คุณลักษณะตั้งอยู่ในโดเมนสเปกตรัม พื้นที่ หรือขมับเพื่อฝึกและทดสอบการจำแนก ผลลัพธ์สำคัญที่สุดสร้างขึ้นเมื่อจำแนกเป็นการฝึกอบรม และทดสอบในกลุ่มประชากรเป็นอิสระ การใช้ withinscene เพิ่มเติมความรู้น่าจะของเกิดดับเช่นวิธีการ posteriori (แผนที่) สูงสุดมักจะนำไปสู่ประสิทธิภาพของลักษณนามแต่ไม่ให้ค่าใช้จ่ายต้องมากนิรนัยความรู้เกี่ยวกับประชากรภายใต้การตรวจสอบในที่สุด ข้อมูลอื่น ๆ เสริมเช่นภูมิศาสตร์จังหวัดสูง ทางลาด และข้อมูลภูมิอากาศสามารถใช้เพื่อเพิ่มผลการจัดประเภทใช้เทคนิคเหล่านี้จัดประเภทดิจิตอลข้อมูล SAR จะค่อนข้างล่า ตั้งแต่ Seasat ในปี 1978(Ulaby et al. 1986 วูและ Sader, 1987 ฮ่องกง et al.,1987 เรา et al. 1988 ใร van, 1989 Lim et al. 1989ใรแวนและ Burnette, 1992 Rignot และ Chellappa1992 วงศ์และ Posner, 1993 Lozano การ์เซีย และHoffer, 1993) เนื่องจาก SAR ใช้ภาพที่สอดคล้องกระบวนการที่มีผลรบกวนการคูณเรียกว่าสีซีดจางหรือ speckle โอกาสมาตรฐานสูงสุดมีการขยายเทคนิค โดยฟิลเตอร์ (Linและ Allebach, 1990 เปส et al. 1990) เพื่อบังคับให้สเปกตรัมคุณสมบัติที่ดีกว่าประมาณการแจกแจงปกติสมมติฐานวิธีการเหล่านี้ ทั้งแสง และภาพเรดาร์ การประยุกต์ใช้เทคนิค MLE และแผนที่สามารถนำไปสู่การจัดประเภทสูงมากความแม่นยำมักจะเกิน 90% เมื่อใช้กับข้อมูลที่มีการฝึกอบรม หลายการศึกษาแสดงให้เห็นว่าเรดาร์และข้อมูลออปติคอลให้ข้อมูลค่อนข้างสมบูรณ์และด้วยเหตุนี้ การจัดประเภทสามารถอย่างมีนัยสำคัญปรับปรุงเมื่อสวีททั้งเซนเซอร์ถูกใช้ร่วมกัน(Lozano การ์เซียและ Hoffer, 1993)เนื่องจากเป็นเทคนิคการแบ่งประเภทข้อมูลเหล่านี้อิงจากฉาก - หรือการกระจายเฉพาะภายในคุณลักษณะพื้นที่ ฟังก์ชัน discriminant ของลักษณนาม

ผลลัพธ์ (ไทย) 2:

ที่ดิน COVER การจำแนกประเภทและ
จำนวนของเทคนิคการจัดหมวดหมู่ได้พัฒนากว่า
ที่ผ่านมา 30 ปีสำหรับการประยุกต์ใช้ในการรู้สึกระยะไกล
ข้อมูลออปติคอล ที่พบมากที่สุดของเหล่านี้ใช้สถิติ
ประมาณการโอกาสสูงสุด (MLE) วิธีการและการสร้าง
ฟังก์ชั่นการจำแนกโดยใช้ภายใต้การดูแลหรือ
วิธีการใกล้ชิดเพื่อจัดกลุ่มข้อมูลจากพื้นที่การฝึกอบรม.
ทุกประเภทวิธีใช้คุณสมบัติอยู่
ในสเปกตรัมเชิงพื้นที่หรือโดเมนชั่วคราวในการฝึกอบรม
และทดสอบลักษณนาม ผลที่สำคัญที่สุดจะถูก
สร้างขึ้นเมื่อลักษณนามคือการฝึกอบรมและการทดสอบเกี่ยวกับ
ประชากรที่เป็นอิสระ การใช้ withinscene เพิ่มเติม
ความรู้เกี่ยวกับความน่าจะเป็นของการเกิดคลาส
เช่น posteriori (MAP) วิธีการสูงสุด,
มักจะนำไปสู่การเพิ่มประสิทธิภาพการทำงานของลักษณนาม,
แต่จะไม่มีค่าใช้จ่ายของที่ต้องการมากเบื้องต้น
รู้เกี่ยวกับประชากรที่อยู่ภายใต้การตรวจสอบ .
ในที่สุดข้อมูลเสริมอื่น ๆ เช่นจังหวัดทางภูมิศาสตร์
ระดับความสูงความลาดชันและข้อมูลภูมิอากาศที่สามารถใช้ในการต่อไป
ส่วนผลการจำแนก.
การประยุกต์ใช้เทคนิคการจัดหมวดหมู่เหล่านี้เพื่อดิจิตอล
ข้อมูล SAR ค่อนข้างที่ผ่านมาตั้งแต่ Seasat ในปี 1978
(Ulaby et al, 1986; Wu และ Sader 1987; ฮ่องกง, et al.,
1987; ยู่ et al, 1988;. รถตู้ Zyl 1989. Lim et al, 1989;
Van Zyl และ Burnette 1992; Rignot และ Chellappa,
1992; วงศ์และ Posner 1993; ซาโน-การ์เซียและ
ฮอฟเฟอร์, 1993) เพราะ SAR ใช้การถ่ายภาพที่สอดคล้องกัน
เป็นกระบวนการที่จะส่งผลให้เสียงคูณที่รู้จักกันเป็น
สีซีดจางหรือจุดที่น่าจะเป็นสูงสุดมาตรฐาน
เทคนิคที่ได้รับการเติมโดยฟิลเตอร์ต่างๆ (หลิน
และ Allebach, 1990;. Lopes, et al, 1990) ที่จะบังคับให้สเปกตรัม
คุณสมบัติที่ดีกว่า ใกล้เคียงกับการกระจายปกติ
สมมติฐานของวิธีการเหล่านี้ สำหรับทั้งแสงและ
เรดาร์ภาพแอพลิเคชันของเอมิลี่และเทคนิคแผนที่
จะนำไปสู่ความถูกต้องของการจัดหมวดหมู่ที่สูงมาก
มักจะเกิน 90% เมื่อนำไปใช้กับข้อมูลที่
พวกเขาได้รับการฝึกฝน การศึกษาหลายแห่งได้แสดงให้เห็นว่าเรดาร์
และข้อมูลออปติคอลให้ข้อมูลค่อนข้างเสริม;
และด้วยเหตุนี้การจัดหมวดหมู่อย่างมีนัยสำคัญสามารถ
ปรับปรุงให้ดีขึ้นเมื่อทั้งห้องสวีทของเซ็นเซอร์จะถูกใช้ร่วมกัน
(ซาโน-การ์เซียและฮอฟเฟอร์, 1993).
ตั้งแต่เทคนิคการจำแนกทางสถิติเหล่านี้จะ
ขึ้นอยู่กับ scene- และ / หรือการกระจายเว็บไซต์ที่เฉพาะเจาะจงภายใน
พื้นที่คุณสมบัติฟังก์ชั่นของการจำแนกลักษณนาม

ผลลัพธ์ (ไทย) 3:

หมวดหมู่ land-coverจำนวนของเทคนิคการจำแนกได้พัฒนามากกว่า30 ปีที่ผ่านมาเพื่อการประยุกต์ใช้การสำรวจระยะไกลข้อมูลออปติคอล ที่พบมากที่สุดของเหล่านี้ใช้สถิติประมาณความควรจะเป็นสูงสุด ( mle ) วิธีการ สร้างฟังก์ชันที่ใช้ควบคุม หรือจำแนกวิธีการ unsupervised กลุ่มข้อมูลจากพื้นที่การฝึกแนวทางการใช้คุณสมบัติทั้งหมดอยู่ในสเปกตรัมเชิงพื้นที่และโดเมน หรือรถไฟและทดสอบการใช้ลักษณนาม ผลลัพธ์ที่สำคัญที่สุดคือสร้างขึ้น เมื่อผ่านการอบรมและทดสอบตามประเภทประชากรที่เป็นอิสระ การใช้ withinscene เพิ่มเติมความรู้เกี่ยวกับความน่าจะเป็นของชั้นเกิดเช่น สูงสุดจากผลไปสู่เหตุ ( แผนที่ ) วิธีการมักจะนำไปสู่ประสิทธิภาพที่เพิ่มขึ้นของประเภทแต่ไม่ได้ค่าใช้จ่ายของที่ต้องการมากระหว่างความรู้เกี่ยวกับประชากรภายใต้การสอบสวนสุดท้ายข้อมูล ancillary อื่น ๆ เช่นทางภูมิศาสตร์จังหวัดระดับความสูง ความลาดชัน และข้อมูลภูมิอากาศสามารถใช้เพิ่มเติมส่วนการจัดหมวดหมู่ผลลัพธ์การประยุกต์เทคนิคการจำแนกประเภทเหล่านี้เพื่อดิจิตอลข้อมูล SAR ค่อนข้างล่าสุด ตั้งแต่ซีแซตใน 1978( ulaby et al . , 1986 ; วูและ sader , 1987 ; ฮ่องกง et al . ,1987 ; yueh et al . , 1988 ; รถตู้ Zyl , 1989 ; ลิม et al . , 1989 ;รถตู้ Zyl และ เบอร์เนตต์ , 1992 ; rignot chellappa และ ,1992 ; วง และ พอสเนอร์ , 1993 ; โลซาโน่ การ์เซีย และฮอฟเฟอร์ , 1993 ) เพราะตนเองใช้ภาพติดต่อกันกระบวนการที่ส่งผลในการคูณเสียงที่เรียกว่าสีซีดจางหรือจุดด่าง โอกาสสูงสุดมาตรฐานเทคนิคได้ถูกเติมโดยตัวกรองต่างๆ ( หลินและ allebach 1990 ; Lopes et al . , 1990 ) เพื่อบังคับให้สเปกตรัมคุณสมบัติดีกว่าประมาณด้วยการแจกแจงปกติสมมติฐานของวิธีการเหล่านี้ ทั้งแสงและภาพเรดาร์ การประยุกต์ใช้เทคนิค mle แผนที่สามารถนำไปสู่ความถูกต้องการสูงมากมักจะเกิน 90 % เมื่อใช้กับข้อมูลที่พวกเขาถูกฝึกมา หลายการศึกษาแสดงเรดาร์และข้อมูลออปติคอล ให้ข้อมูลค่อนข้างประกอบ ;และด้วยเหตุนี้ การจัดหมวดหมู่ สามารถอย่างมากปรับปรุงเมื่อทั้งห้องสวีทของเซ็นเซอร์ที่ใช้ร่วมกัน( โลซาโน่ การ์เซีย และ ฮอฟเฟอร์ , 1993 )เนื่องจากเทคนิคการจำแนกทางสถิติเหล่านี้โดยเฉพาะฉาก - และ / หรือการกระจายภายในคุณลักษณะพื้นที่ฟังก์ชันจำแนกการจำแนก