The underlying mechanisms of VIs ar

The underlying mechanisms of VIs are well understood, and they emphasise some features of vegetation cover and facilitate obtaining relevant information from digital imagery (Delegido et al., 2013).


In images at ultra-high spatial resolution, it is necessary to determine the VI that enhances the differences among pixels containing vegetation and pixels containing non-vegetation, as well as the threshold value that sets the breakpoint between both classes. The classification output is necessary for the thresholding operation, which needs to be optimised for a successful result.

There are several automatic methods for threshold calculation, among which Otsu’s (Otsu, 1979) method is one of the most utilised for agronomical issues (Guijarro et al.,2011; Meyer and Neto, 2008).

It assumes that the image contains
two classes of pixels (bare soil and vegetation when considering
crop scenarios) and then calculates the optimum threshold based
on minimising combined spread (intra-class variance).
To date, VF has been estimated by relating it to VI values in image
pixels from airborne and satellite platforms, in which the pixels
include vegetated and non-vegetated zones due to the large size
(from a few square metres to square kilometres) (Barati et al.,
2011; Gitelson et al., 2002). Today, the ultra-high resolution of
UAV imagery allows images in which almost every pixel covers
only vegetation or bare soil, with a low proportion of pixels representing
a mixed coverage. Therefore, VF can be calculated as the
percentage of pixels classified as vegetation per unit of ground surface.
This is particularly relevant when working with crops such as
cereals which are sown in narrow crop rows because the surface
distance between such rows is usually not wider than 15–17 cm.
In addition to adequate thresholding and good spatial and temporal
resolution, another important issue in VF mapping is accurate
spatial and temporal consistency.

ผลลัพธ์ (ไทย) 1:

ดีจะเข้าใจกลไกพื้นฐานของวิ และพวกเขาย้ำคุณลักษณะบางอย่างของพืชครอบคลุม และอำนวยความสะดวกในการรับข้อมูลที่เกี่ยวข้องจากภาพถ่ายดิจิทัล (Delegido et al., 2013) ในภาพที่ละเอียดสูงปริภูมิ จำเป็นต้องกำหนดวีที่ช่วยเพิ่มความแตกต่างระหว่างพิกเซลที่ประกอบด้วยพืชพรรณและพิกเซลที่ประกอบด้วยไม่ใช่พืช ตลอดจนค่าขีดจำกัดที่กำหนดจุดเปลี่ยนระหว่างชั้นทั้งสอง ผลการจัดประเภทเป็นสิ่งจำเป็นสำหรับ thresholding การ ซึ่งต้องเหมาะเป็นผลสำเร็จสำหรับงานกราฟฟิก มีหลายวิธีโดยอัตโนมัติสำหรับการคำนวณขีดจำกัด ระหว่างที่โอสึของ (โอสึ 1979) เป็นวิธีการหนึ่งที่ส่วนใหญ่ใช้สำหรับ agronomical (Guijarro et al., 2011 Meyer ก Neto, 2008) สมมติว่า ประกอบด้วยรูปชั้นสองของพิกเซล (ดินเปลือยและพืชเมื่อพิจารณาสถานการณ์พืช) แล้ว คำนวณขีดจำกัดสูงสุดที่ใช้บนรวมกับลดกระจาย (ผลต่างภายในคลาส)วันที่ VF ที่ได้ถูกประเมิน โดยเกี่ยวข้องกับค่า VI ในรูปพิกเซลจากทางอากาศ และดาวเทียมแพลตฟอร์ม การพิกเซลรวมโซนกลบ และไม่ปลูกพืชขนาดใหญ่(จากกี่ตารางเมตรกับตารางกิโลเมตร) (Barati et al.,2011 Gitelson และ al., 2002) วันนี้ ความละเอียดสูงของUav ในที่สุดภาพช่วยให้ภาพที่ครอบคลุมเกือบทุกพิกเซลเฉพาะพืชหรือดินเปลือย มีสัดส่วนต่ำสุดของพิกเซลแทนความครอบคลุมผสม ดังนั้น VF สามารถคำนวณได้เป็นเปอร์เซ็นต์ของพิกเซลที่จัดประเภทเป็นพืชต่อหน่วยของผิวดินนี้จะเกี่ยวข้องโดยเฉพาะอย่างยิ่งเมื่อทำงานกับพืชเช่นธัญพืชที่หว่านในแคบแถวพืชเนื่องจากพื้นผิวระยะห่างระหว่างแถวดังกล่าวมักจะไม่ได้กว้างกว่า 15 – 17 ซม.Thresholding เพียงพอและดีปริภูมิ และขมับความละเอียด ปัญหาสำคัญอื่นในการแม็ป VF มีความถูกต้องความสอดคล้องปริภูมิ และขมับ

ผลลัพธ์ (ไทย) 2:

กลไกพื้นฐานของ VIS ที่มีความเข้าใจดีและพวกเขาเน้นคุณสมบัติบางอย่างของพืชพรรณและอำนวยความสะดวกในการได้รับข้อมูลที่เกี่ยวข้องจากภาพดิจิตอล (Delegido et al., 2013). ในภาพที่ความละเอียดเชิงพื้นที่สูงพิเศษมีความจำเป็นต้องตรวจสอบที่หก ที่ช่วยเพิ่มความแตกต่างระหว่างพิกเซลที่มีพืชพรรณและพิกเซลที่มีพืชผักที่ไม่ได้เช่นเดียวกับค่าเกณฑ์ที่กำหนดจุดพักระหว่างทั้งชั้นเรียน การส่งออกจัดหมวดหมู่เป็นสิ่งที่จำเป็นสำหรับการดำเนินงาน thresholding ซึ่งจะต้องมีการปรับให้เหมาะสมเพื่อให้ได้ผลลัพธ์ที่ประสบความสำเร็จ. มีวิธีการอัตโนมัติหลายอย่างสำหรับการคำนวณเกณฑ์อยู่ที่หมู่ที่โอตสึ (Otsu, 1979) วิธีการเป็นหนึ่งในผู้ใช้มากที่สุดสำหรับปัญหาทางการเกษตร (Guijarro et อัล 2011.. เมเยอร์และเน 2008) ก็ถือว่าภาพที่มีสองชั้นของพิกเซล(เปลือยดินและพืชผักเมื่อพิจารณาถึงสถานการณ์การเพาะปลูก) และจากนั้นจะคำนวณตามเกณฑ์ที่เหมาะสมในการลดการแพร่กระจายรวม (ภายในระดับความแปรปรวน) ในวันที่ VF ได้รับการประเมินโดยที่เกี่ยวข้องไปยังที่หกค่าในภาพพิกเซลจากแพลตฟอร์มอากาศและดาวเทียมซึ่งพิกเซลรวมถึงโซและโซนที่ไม่ใช่โซเนื่องจากขนาดที่มีขนาดใหญ่(จากไม่กี่ตารางเมตรตารางกิโลเมตร) (Barati เอตแอล. 2011. Gitelson, et al, 2002) วันนี้ความละเอียดสูงพิเศษของภาพ UAV ช่วยให้ภาพที่เกือบทุกพิกเซลครอบคลุมพืชเพียงอย่างเดียวหรือเปล่าดินที่มีสัดส่วนที่ต่ำของพิกเซลที่เป็นตัวแทนของความคุ้มครองที่หลากหลาย ดังนั้น VF สามารถคำนวณเป็นอัตราร้อยละของพิกเซลจัดเป็นพืชต่อหน่วยของพื้นดิน. นี้มีความเกี่ยวข้องโดยเฉพาะอย่างยิ่งเมื่อทำงานกับพืชเช่นธัญพืชที่หว่านในแถวพืชแคบ ๆ เพราะพื้นผิวที่ระยะห่างระหว่างแถวดังกล่าวมักจะไม่กว้างกว่า15-17 ซม. นอกจาก thresholding เพียงพอและเชิงพื้นที่ที่ดีและชั่วละเอียดอีกเรื่องที่สำคัญในการทำแผนที่VF มีความถูกต้องความสอดคล้องเชิงพื้นที่และเวลา

ผลลัพธ์ (ไทย) 3:

จนกว่าคุณจะจากไปจนกว่าคุณจะจากไปจนกว่าคุณจะจากไปจนกว่าคุณจะจากไปจนกว่าคุณจะจากไปจนกว่าคุณจะจากไป