and lower PA (especially for pixel-

and lower PA (especially for pixel-based pan-sharpened image
classifications), as compared to homogeneous ones (demonstrating
higher PA in any of the MIU and classifications considered). One
of the greatest differences in PA can be observed in the olive
orchard category. The olive orchard category showed high PA
values, greater than 92%, in all the object-based and pixel + objectbased
multispectral classifications. However, very high PA (up to
99.45%) was also obtained for MC and ML classifiers, considering
pan-sharpened image. In contrast, riverside trees and roads, which
usually exhibit lower intraclass spectral variability, showed a
higher PA for all the multispectral pixel-based classifications,
except for ML for riverside trees, where a higher PA was found for
object-based classifications. Discrimination of burnt crop stubble
land use was very successful when applying the MC method for
any MIU considered in the multispectral image with PA of 99.69%,
98.38% and 98.49%, respectively. Similarly, winter cereal stubble
discrimination was very accurate with PA of over 99.29% or even
of 100% in the multispectral image and for any MIU considered,
when applying ML or MC classifications. When comparing the
performance of object-based and pixel + object-based analyses,
there was no clear trend. For example, in ML classification, the
multispectral object-based classification showed a better PA
in the vineyard category than multispectral pixel-object-based
classification (83.87% and 69.64%, respectively). By contrast, in the
light bare soil category the PA was around 89% for both MIU, and
in the roads category the PA was higher in pixel + object-based
classification than in the object-based classification (78.01% and
45.31%, respectively).
Table 4 shows the UA for every individual land use for the different
MIU and classification methods considered. As stated before

ผลลัพธ์ (ไทย) 1:

และ PA ต่ำ (โดยเฉพาะอย่างยิ่งสำหรับคะแนนพิกเซลภาพที่รุนแรงปานการจัดประเภท), เปรียบเหมือนคน (สาธิตสูงกว่า PA ใน MIU และจัดประเภทถือ) หนึ่งความแตกต่างที่ยิ่งใหญ่ที่สุดในปาจะสังเกตได้จากมะกอกประเภทสวนผลไม้ ประเภทสวนผลไม้มะกอกป่าสูงแสดงให้เห็นว่าค่า มากกว่า 92% ในทั้งหมดของวัตถุตาม และพิกเซล + objectbasedการจัดประเภท multispectral อย่างไรก็ตาม ป่าสูงมาก (ขึ้นอยู่กับ99.45%) ยังมาสำหรับคำหลักภาษา MC และ ML พิจารณารูปภาพที่รุนแรงปาน ในความคมชัด ริมแม่น้ำต้นไม้ และ ถนน ซึ่งมักจะแสดงด้านล่าง intraclass สเปกตรัมความแปรปรวน แสดงให้เห็นว่าการป่าสูงสำหรับทั้งหมดที่ multispectral พิกเซลตามประเภทยกเว้น ML สำหรับต้นไม้ริมแม่น้ำ ที่พบเป็นป่าสูงการจัดประเภทตามวัตถุ การเลือกปฏิบัติของพืชไหม้สำหรับใช้ที่ดินประสบความสำเร็จมากเมื่อใช้วิธี MC สำหรับการพิจารณาในภาพ multispectral กับ PA 99.69%, MIU98.38% และ 98.49% ตามลำดับ ในทำนองเดียวกัน สำหรับธัญพืชฤดูหนาวเลือกปฏิบัติถูกมากแม่นยำ ด้วย PA กว่า 99.29% หรือแม้แต่100% ในภาพ multispectral และ สำหรับ MIU ใด ๆ ถือว่าเมื่อใช้ ML หรือ MC จัดประเภท เมื่อเปรียบเทียบกับประสิทธิภาพของใช้วัตถุ และพิกเซล + วิเคราะห์ตามวัตถุมีแนวโน้มไม่ชัดเจน ตัวอย่าง ในประเภท ML การการจัดประเภทตามวัตถุ multispectral พบในป่าดีกว่าในประเภทไร่องุ่นกว่า multispectral พิกเซลตามวัตถุการจัดประเภท (83.87% และ 69.64% ตามลำดับ) โดยคมชัด ในการประเภทดินเปลือยแสง PA ได้ประมาณ 89% สำหรับ MIU ทั้งสอง และในถนน ประเภท PA เป็นสูงในพิกเซล + ตามวัตถุการจัดประเภทกว่าการจำแนกตามวัตถุ (78.01% และ45.31% ตามลำดับ)ตารางที่ 4 แสดง UA สำหรับทุกใช้ที่ดินแต่ละที่แตกต่างกันพิจารณาวิธี MIU และการจำแนก ตามที่ระบุไว้ก่อน

ผลลัพธ์ (ไทย) 2:

และลด PA (โดยเฉพาะอย่างยิ่งสำหรับพิกเซลตาม Pan-sharpened ภาพ
การจำแนกประเภท) เมื่อเทียบกับคนที่เป็นเนื้อเดียวกัน (แสดงให้เห็นถึง
PA สูงในใด ๆ ของ MIU และการจำแนกประเภทการพิจารณา) หนึ่ง
ความแตกต่างที่ยิ่งใหญ่ที่สุดใน PA สามารถสังเกตได้ในมะกอก
หมวดสวนผลไม้ ประเภทมะกอกออร์ชาร์แสดงให้เห็น PA สูง
ค่ามากกว่า 92% ในทุกวัตถุ-based และพิกเซล + objectbased
จำแนกประเภท multispectral แต่สูงมาก PA (ถึง
99.45%) นอกจากนี้ยังได้รับสำหรับพิธีกรและ ML ลักษณนามพิจารณา
ภาพ Pan-sharpened ในทางตรงกันข้ามต้นไม้ริมแม่น้ำและถนนซึ่ง
มักจะแสดงความแปรปรวนต่ำสเปกตรัม intraclass แสดงให้เห็น
PA ที่สูงขึ้นสำหรับทุกการจำแนกประเภทตามพิกเซล multispectral,
ยกเว้น ML สำหรับต้นไม้ริมแม่น้ำที่ถูกพบ PA ที่สูงขึ้นสำหรับ
การจำแนกประเภทวัตถุตาม การเลือกปฏิบัติเครื่องเผาตอซังพืช
ใช้ประโยชน์ที่ดินที่ประสบความสำเร็จมากเมื่อใช้วิธีพิธีกร
MIU ใด ๆ การพิจารณาในภาพ multispectral กับปีของ 99.69%,
98.38% และ 98.49% ตามลำดับ ในทำนองเดียวกันในช่วงฤดูหนาวธัญพืชตอซัง
เลือกปฏิบัติได้ถูกต้องมากกับ PA กว่า 99.29% หรือ
100% ในภาพ multispectral และ MIU ใดพิจารณา
เมื่อมีการใช้ ML หรือ MC จำแนกประเภท เมื่อเปรียบเทียบ
ผลการดำเนินงานของการวิเคราะห์วัตถุตามวัตถุที่ใช้และพิกเซล +
ไม่มีแนวโน้มที่ชัดเจน ยกตัวอย่างเช่นใน ML จัดหมวดหมู่การ
จัดหมวดหมู่ของวัตถุตาม multispectral แสดงให้เห็นว่าดีกว่า PA
ในหมวดหมู่ไร่องุ่นกว่า multispectral พิกเซลวัตถุตาม
การจัดหมวดหมู่ (83.87% และ 69.64% ตามลำดับ) โดยคมชัดใน
หมวดหมู่ของดินเปลือยแสง PA อยู่ที่ประมาณ 89% สำหรับทั้ง MIU และ
ในประเภทถนน PA สูงในพิกเซล + วัตถุตาม
การจัดหมวดหมู่กว่าในการจัดหมวดหมู่ของวัตถุตาม (78.01% และ
45.31% ตามลำดับ ).
ตารางที่ 4 แสดงให้เห็น UA สำหรับทุกการใช้ประโยชน์ที่ดินของแต่ละบุคคลที่แตกต่างกันสำหรับ
MIU และการจำแนกวิธีการพิจารณา ตามที่ระบุไว้ก่อน

ผลลัพธ์ (ไทย) 3:

และ PA ลดลง ( โดยเฉพาะอย่างยิ่งสำหรับพิกเซลภาพจากกระทะ รุนแรงขึ้นหมวดหมู่ ) เมื่อเทียบกับคน ( ที่แสดงเป็นเนื้อเดียวกันสูงกว่า PA ในใด ๆของมิวและตลาดหลักทรัพย์พิจารณา ) หนึ่งของความแตกต่างที่ยิ่งใหญ่ที่สุดในป่าสามารถพบในน้ำมันมะกอกประเภทสวนไม้ผล ประเภทสวนมะกอกพบ PA สูงค่ามากกว่า 92% ในทั้งหมดและวัตถุที่ใช้ + objectbased พิกเซลเรื่องที่ 3 . แต่ PA สูงมาก ( ขึ้น99.45 % ) ยังรับได้ พิธีกร และ มล. คำพิจารณาแพนลับภาพ ในทางตรงกันข้าม ต้นไม้ แม่น้ำ ถนน ซึ่งมักจะมีการลดลงที่แสดงความแปรปรวน พบว่าสูงกว่า PA ทั้งหมดตามหมวดหมู่ 3 พิกเซล ,ยกเว้น ml ริเวอร์ไซด์ ต้นไม้ที่พบในป่าที่สูงวัตถุที่ใช้ในเมืองไทย การเผาตอซังพืชการใช้ที่ดินประสบความสำเร็จมากเมื่อใช้ MC วิธีการใด ๆ พิจารณาภาพ Multispectral Miu กับป่าของ 99.69 %98.38 % และ 98.49 ตามลำดับ ในทำนองเดียวกัน ธัญพืชฤดูหนาวแต่ตอการเลือกปฏิบัติได้ถูกต้องกับป่ากว่า 99.29 % หรือแม้แต่100 % ในรูปหลายๆ Miu และพิจารณาเมื่อใช้มล หรือพิธีกรในเมืองไทย เมื่อเปรียบเทียบของวัตถุที่ใช้งานและวัตถุที่ใช้พิกเซล + วิเคราะห์ไม่มีแนวโน้มที่ชัดเจน ตัวอย่างเช่นในการจำแนกมิลลิลิตรการจำแนกวัตถุที่ใช้ Multispectral พบป่าดีกว่าในประเภทวัตถุตามไร่องุ่นกว่า 3 พิกเซลหมวดหมู่ ( 83.87 % และ 69.64 ตามลำดับ ) ในทางตรงกันข้าม , ในไฟ ดินเปล่า หมวด PA ประมาณ 89% ทั้งมิวและในประเภทถนน PA สูงพิกเซล + วัตถุที่ใช้ในหมวดหมู่กว่าในวัตถุที่ใช้หมวดหมู่ ( 78.01 ล้านบาท45.31 ตามลำดับ )ตารางที่ 4 แสดงมากสำหรับบุคคลทุกการใช้ที่ดินสำหรับที่แตกต่างกันMiu และวิธีการพิจารณา ตามที่ระบุไว้ก่อน