analyses. Therefore, preprocessing

analyses. Therefore, preprocessing is necessary to remove or
minimize such errors.
Pre-processing steps for this study included Top Of Atmosphere
(TOA) reflectance conversion, BRDF/View angle normalization, and
cloud masking. Each image was normalized for solar irradiance by
converting digital number values to the TOA reflectance. This
conversion algorithm is “physically based, automated, and does not
introduce significant errors to the data” (Huang and Townshend
2003). Bi-directional reflectance distribution function (BRDF) effects
correction was performed to the TOA image employing a per
scene BRDF adjustment. Hansen et al. (2008) showed that per scene
BRDF adjustments improves radiometric response and land cover
characterizations. The next step was to prepare a mosaic consisting
of year 2000 and 2012 by selecting best growing season pixels for
each year.
We used the Classification and Regression Tree (CART) algorithm
for image classification. CART is one of the commonly used
classification algorithms for land cover characterization and
mapping. The algorithm recursively splits training data pixels
into increasingly homogeneous subsets until reaching terminal
nodes with maximum homogeneity. Homogeneity is measured
relative to classes defined by training data. Training data in this
case being selections of pixels corresponding to areas of known
land cover based on expert analysis and ancillary data We used
Landsat bands (1e5 & 7), SRTM digital elevation model, and
mangrove database as explanatory variable and mangrove/nonmangrove
classes as response variables. We mapped “true
mangroves,” defined as trees, shrubs, and palms that grow
exclusively in the tidal and intertidal zones of the tropical and
subtropical regions. The minimum mapping unit used in this
study was 0.08 ha.
The regional analysis of South Asia was performed using Google
Earth Engine (http://earthengine.google.org/#intro) and Classification
and Regression Tree (CART) algorithm. The Google Earth
Engine provides an online platform with data, software, and
computing infrastructure for data analysis. Using Earth Engine
saved substantial costs in resources and time by eliminating the
need for data search and download, pre-processing, software
licensing, disk-space, and computing. The platform provides preprocessed
Landsat data from 1999 to present, disk-space, a number
of classification algorithms including CART, and Random Forests,
and super-computing resources. Similar platforms are also
available from the NASA Earth Exchange (https://c3.nasa.gov/nex/)
and ESRI ArcGIS online (http://www.arcgis.com/about/).
Validation of land cover products based on rigorous sampling
methods and high quality contemporaneous reference data is
clearly desirable, however, as is very often the case, limited resources
made fully rigorous quantitative validation and unreachable
ideal. Nonetheless, we evaluated our database with other
existing regional and local datasets. We also performed qualitative
validation with the help of local experts and high resolution satellite
data such as QuickBird and IKONOS. We divided the entire
area into 500 m  500 m grids and checked each grid visually to
identify and correct gross errors in the classified maps. This measure
helped characterize the map qualitatively and improve the
overall classification.
Case studies were performed using diverse data sources, and
methodologies. A brief description of data sources and methodology
for three case study sites are presented in Table 1.
Landsat and Global Land Survey (GLS) satellite data used in the
studies were acquired through US Geological Survey (USGS), Center
for Earth Resources Observation and Science (EROS) (http://eros.
usgs.gov), and the Global Land Cover Facility (GLCF) (http://glcf.
umd.edu). Detailed description of Geo-Cover data can be found
at: http://zulu.ssc.nasa.gov/mrsid. The Indian Remote Sensing (IRS)
Linear Imaging Self Scanning Sensor-3 (LISS-III) data were acquired
from National Remote Sensing Agency (NRSA), Hyderabad e India.
Collection and use of ancillary data plays a crucial role to improve
classification accuracy. In addition to satellite images, all three case
studies used GIS layers such as administrative boundaries, populated
places, creeks, roads, forest maps, and land use/land cover
maps.
Satellite data were geo-referenced to UTM WGS 84 with a Root
Mean Square (RMS) of less than half pixel (

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ ดังนั้น ประมวลผลเบื้องต้นจำเป็นต้องเอาออก หรือลดข้อผิดพลาดดังกล่าวขั้นตอนสำหรับการศึกษานี้การประมวลผลล่วงหน้ารวมบนบรรยากาศแปลงแบบสะท้อนแสง (สารบัญผู้เขียน) ฟื้นฟู BRDF วิวมุม และcloud กระดาษกาว แต่ละภาพได้ตามปกติสำหรับแสง irradiance โดยการแปลงค่าตัวเลขดิจิตอลแบบสะท้อนแสงโตอะ นี้อัลกอริทึมการแปลงเป็น "จริงตาม อัตโนมัติ และไม่เกิดข้อผิดพลาดที่สำคัญข้อมูล" (หวงและทาวน์เซนด์2003) . ทิศทางแบบสะท้อนแสงการกระจายฟังก์ชัน (BRDF) ผลทำการแก้ไขให้ใช้รูปโตอะมีต่อฉากปรับปรุง BRDF แฮนเซ่น et al. (2008) พบว่าต่อฉากปรับปรุง BRDF เพิ่มนับครอบคลุมตอบสนองและที่ดินcharacterizations ขั้นตอนต่อไปคือการ เตรียมโมเสคประกอบด้วยปี 2000 และ 2012 โดยเลือกพิกเซลของฤดูการเจริญเติบโตส่วนแต่ละปีเราใช้อัลกอริทึมการจัดประเภทและถดถอยทรี (รถเข็น)การจัดรูปการ รถเข็นเป็นหนึ่งในของใช้ทั่วไปอัลกอริทึมการจัดประเภทสำหรับที่ดินครอบคลุมการจำแนก และการแมป Recursively อัลกอริทึมการแบ่งเซลข้อมูลฝึกอบรมเป็นชุดย่อยเหมือนมากขึ้นเรื่อย ๆ จนถึงเทอร์มินัลโหนดที่ มี homogeneity สูงสุด วัด homogeneityสัมพันธ์กับชั้นเรียนที่กำหนด โดยข้อมูลการฝึกอบรม ข้อมูลการฝึกอบรมนี้กรณีที่ถูกเลือกของพิกเซลที่สอดคล้องกับพื้นที่รู้จักปกแผ่นดินวิเคราะห์ผู้เชี่ยวชาญและข้อมูลพิเศษที่เราใช้Landsat วง (1e5 & 7), รุ่น SRTM ความสูงดิจิตอล และฐานข้อมูลป่าชายเลนเป็นตัวแปรอธิบายและป่าชาย เลน/nonmangroveเรียนเป็นตัวแปรตอบสนอง เราแมป "จริงโกรฟส์ กำหนดต้นไม้ สนุกสนาน และปาล์มที่เจริญเติบโตโดยเฉพาะในโซน intertidal และบ่าของเขตร้อน และแบบขอบเขตการ หน่วยการแม็ปขั้นต่ำที่ใช้ในศึกษาได้ 0.08 ฮาทำการวิเคราะห์ภูมิภาคเอเชียใต้โดยใช้ Googleเอิร์ท (http://earthengine.google.org/#intro) และประเภทและอัลกอริทึมถดถอยทรี (รถเข็น) Google Earthเครื่องยนต์ให้เป็นแพลตฟอร์มที่ออนไลน์ข้อมูล ซอฟต์แวร์ และโครงสร้างพื้นฐานระบบคอมพิวเตอร์สำหรับการวิเคราะห์ข้อมูล ใช้เครื่องยนต์ของโลกบันทึกต้นทุนพบในทรัพยากรและเวลา โดยการกำจัดการต้องการค้นหาข้อมูลดาวน์โหลด การประมวลผลเบื้องต้น ซอฟแวร์อนุญาตให้ใช้สิทธิ์ เนื้อที่ ว่างบนดิสก์ และใช้งาน แพลตฟอร์มให้ preprocessedข้อมูล Landsat จากปี 1999 ปัจจุบัน เนื้อที่ ตัวเลขของอัลกอริทึมจัดประเภทรวมทั้งรถเข็น สุ่มป่าและทรัพยากรคอมพิวเตอร์เตอร์รุ่น แพลตฟอร์มคล้ายมีมีการแลกเปลี่ยนโลก NASA (https://c3.nasa.gov/nex/)และ ESRI ArcGIS ออนไลน์ (http://www.arcgis.com/about/)การตรวจสอบที่ดินครอบคลุมผลิตภัณฑ์ตามการสุ่มตัวอย่างอย่างเข้มงวดวิธีการและคุณภาพที่ contemporaneous อ้างอิงข้อมูลเป็นชัดเจนประกอบ อย่างไรก็ตาม เป็นบ่อยกรณี จำกัดทรัพยากรทำการตรวจสอบเชิงปริมาณอย่างเข้มงวด และไม่สามารถเข้าถึงสำรองห้องพัก กระนั้น เราประเมินฐานข้อมูลของเรากันที่มีอยู่ในท้องถิ่น และภูมิภาค datasets เรายังดำเนินการเชิงคุณภาพตรวจสอบ โดยใช้ผู้เชี่ยวชาญในท้องถิ่นและสัญญาณดาวเทียมความละเอียดสูงข้อมูลเช่น IKONOS QuickBird เราแบ่งออกเป็นทั้งหมดตั้งเป็น 500 m 500 m กริด และตรวจสอบตารางแต่ละสายตาไประบุ และแก้ไขข้อผิดพลาดรวมในแผนที่ลับ วัดนี้ช่วยกำหนดลักษณะแผนที่ qualitatively และปรับปรุงการการจัดประเภทโดยรวมกรณีศึกษาที่ดำเนินการโดยใช้แหล่งข้อมูลที่หลากหลาย และหลักสูตร คำอธิบายโดยย่อของแหล่งข้อมูลและวิธีการในสามกรณีศึกษา เว็บไซต์จะแสดงในตารางที่ 1ข้อมูลที่ใช้ในดาวเทียม Landsat และสำรวจแผ่นดินทั่วโลก (GLS)การศึกษาได้รับมาผ่านเราธรณีวิทยาสำรวจ (USGS), ศูนย์สังเกตทรัพยากรโลกและวิทยาศาสตร์ (อีรอส) (http://erosusgs.gov), และส่วนกลางที่ดินครอบคลุมสิ่งอำนวยความสะดวก (GLCF) (http://glcfumd.edu) ได้อธิบายรายละเอียดของข้อมูลทางภูมิศาสตร์ครอบคลุมสามารถพบที่: http://zulu.ssc.nasa.gov/mrsid อินเดียรีโมทไร้สาย (IRS)เส้นภาพตัวเองกำลังสแกนเซ็นเซอร์-3 (LISS-III) ข้อมูลที่ได้รับมาจากการตรวจหน่วยงาน (NRSA), ไฮเดอราบัดอีอินเดียระยะไกลแห่งชาติเก็บรวบรวมและใช้ข้อมูลพิเศษมีบทบาทสำคัญในการปรับปรุงความถูกต้องของประเภท นอกจากดาวเทียมภาพ ทั้งหมด 3 กรณีการศึกษาใช้ชั้น GIS เช่นบริหารขอบเขต รวบรวมสถาน ลำธาร ถนน แผนที่ป่า และฝาใช้ที่ดิน/ที่ดินแผนผังข้อมูลดาวเทียมมีการอ้างอิงทางภูมิศาสตร์กับ UTM WGS 84 กับรากค่าเฉลี่ยกำลังสอง (RMS) ของพิกเซลน้อยกว่าครึ่งหนึ่ง (< 15 m) ป่าชายเลนคลาสที่ระบุ และป้ายแล้วซึ่งถูกผสานเข้าไปในตัวประเภทชายเดี่ยว สามที่ดินครอบคลุมชั้นเรียนประกอบด้วยป่าชายเลน น้ำ และอื่น ๆ (ที่ดินแห้งแล้ง เกษตร habitation)ได้รับการแม็ป ทำการจัดประเภทหลังแก้ไข 'ดงานจะบันทึก'เอาข้อผิดพลาดที่ชัดเจน ในที่สุด วิเคราะห์การเปลี่ยนแปลงการจัดประเภทหลังทำบาน et al. (2007b) ได้

ผลลัพธ์ (ไทย) 2:

วิเคราะห์ ดังนั้นการประมวลผลเบื้องต้นเป็นสิ่งที่จำเป็นที่จะลบหรือลดข้อผิดพลาดดังกล่าว. ขั้นตอนก่อนการประมวลผลการศึกษาครั้งนี้รวมถึงด้านบนของบรรยากาศ(TOA) การแปลงสะท้อน, BRDF / ดูมุมฟื้นฟูและกำบังเมฆ ภาพแต่ละภาพได้ปกติสำหรับรังสีแสงอาทิตย์โดยการแปลงค่าตัวเลขดิจิตอลเพื่อสะท้อน TOA นี้ขั้นตอนวิธีการแปลงคือ"ตามร่างกายโดยอัตโนมัติและไม่ได้นำข้อผิดพลาดอย่างมีนัยสำคัญกับข้อมูลที่" (Huang และเฮนด์2003) สองทิศทางฟังก์ชั่นการกระจายการสะท้อน (BRDF) ผลกระทบการแก้ไขที่ได้ดำเนินการไปยังภาพTOA จ้างต่อฉากปรับ BRDF แฮนเซน, et al (2008) แสดงให้เห็นว่าฉากต่อการปรับเพิ่มการตอบสนองBRDF radiometric และสิ่งปกคลุมดินสมบัติ ขั้นตอนต่อไปคือการเตรียมความพร้อมประกอบด้วยกระเบื้องโมเสคของปี 2000 และ 2012 โดยการเลือกพิกเซลฤดูการเจริญเติบโตที่ดีที่สุดสำหรับแต่ละปี. เราใช้การจำแนกและต้นไม้ถดถอย (รถเข็น) ขั้นตอนวิธีการจัดหมวดหมู่ของภาพ รถเข็นเป็นหนึ่งในที่นิยมใช้ขั้นตอนวิธีการจัดหมวดหมู่สำหรับลักษณะปกคลุมดินและการทำแผนที่ อัลกอริทึมซ้ำแยกพิกเซลข้อมูลการฝึกอบรมออกเป็นส่วนย่อยที่เป็นเนื้อเดียวกันมากขึ้นจนกว่าจะถึงขั้วโหนดที่มีความสม่ำเสมอสูงสุด ความสม่ำเสมอเป็นวัดที่มีความสัมพันธ์กับการเรียนที่กำหนดโดยข้อมูลการฝึกอบรม ข้อมูลการฝึกอบรมในครั้งนี้กรณีที่ถูกเลือกพิกเซลที่สอดคล้องกับพื้นที่ที่เป็นที่รู้จักกันปกคลุมดินอยู่บนพื้นฐานของการวิเคราะห์ของผู้เชี่ยวชาญและข้อมูลเสริมเราใช้วงดนตรีLandsat (1e5 และ 7), SRTM รุ่นสูงดิจิตอลและฐานข้อมูลป่าชายเลนเป็นตัวแปรอธิบายและป่าชายเลน/ nonmangrove เรียนเป็น ตัวแปรการตอบสนอง เราแมป "จริงป่าชายเลน" กำหนดเป็นต้นไม้พุ่มไม้และต้นปาล์มที่ปลูกเฉพาะในโซนน้ำขึ้นน้ำลงและ intertidal ของเขตร้อนและภูมิภาคเขตร้อน การทำแผนที่หน่วยขั้นต่ำที่ใช้ในการนี้การศึกษาเป็น 0.08 ฮ่า. การวิเคราะห์ในระดับภูมิภาคของเอเชียตะวันออกเฉียงใต้ที่ได้ดำเนินการโดยใช้ Google โลกเครื่องยนต์ (http://earthengine.google.org/#intro) และการจัดหมวดหมู่และต้นไม้ถดถอย(รถเข็น) อัลกอริทึม โลกของ Google เครื่องยนต์ให้แพลตฟอร์มออนไลน์ที่มีข้อมูลซอฟต์แวร์และโครงสร้างพื้นฐานคอมพิวเตอร์ในการวิเคราะห์ข้อมูล ใช้เครื่องยนต์โลกบันทึกค่าใช้จ่ายมากในทรัพยากรและเวลาโดยการขจัดความจำเป็นในการค้นหาข้อมูลและดาวน์โหลดก่อนการประมวลผลซอฟต์แวร์ใบอนุญาตดิสก์พื้นที่และคอมพิวเตอร์ แพลตฟอร์มให้ preprocessed ข้อมูลภาพถ่ายดาวเทียมจาก 1999 ถึงปัจจุบันพื้นที่ดิสก์จำนวนของขั้นตอนวิธีการจัดหมวดหมู่รวมทั้งรถเข็นและป่าสุ่มและทรัพยากรซุปเปอร์คอมพิวเตอร์ แพลตฟอร์มที่คล้ายกันนอกจากนี้ยังสามารถใช้ได้จากตลาดหลักทรัพย์โลกนาซา (https://c3.nasa.gov/nex/) และ ESRI ArcGIS ออนไลน์ (http://www.arcgis.com/about/). การตรวจสอบของผลิตภัณฑ์สิ่งปกคลุมดินบนพื้นฐานของ การสุ่มตัวอย่างอย่างเข้มงวดวิธีการและข้อมูลอ้างอิงสมัยที่มีคุณภาพสูงเป็นที่น่าพอใจอย่างเห็นได้ชัดแต่เป็นมากมักจะเป็นกรณีที่ทรัพยากรที่มี จำกัดทำให้การตรวจสอบเชิงปริมาณอย่างเข้มงวดอย่างเต็มที่และไม่สามารถเข้าถึงที่เหมาะ อย่างไรก็ตามเราประเมินฐานข้อมูลของเรากับคนอื่น ๆที่มีอยู่ชุดข้อมูลภูมิภาคและระดับท้องถิ่น นอกจากนี้เรายังดำเนินการเชิงคุณภาพการตรวจสอบด้วยความช่วยเหลือของผู้เชี่ยวชาญท้องถิ่นและดาวเทียมความละเอียดสูงข้อมูลเช่นQuickBird และ IKONOS เราทั้งแบ่งพื้นที่ออกเป็น 500 เมตร? 500 เมตรกริดและการตรวจสอบแต่ละตารางสายตาที่จะระบุและข้อผิดพลาดขั้นต้นที่ถูกต้องในแผนที่ที่จัด มาตรการนี้ช่วยอธิบายลักษณะแผนที่ในเชิงคุณภาพและปรับปรุงการจัดหมวดหมู่โดยรวม. กรณีศึกษาได้ดำเนินการโดยใช้แหล่งข้อมูลที่หลากหลายและวิธีการ คำอธิบายสั้น ๆ ของแหล่งที่มาของข้อมูลและวิธีการสามกรณีศึกษาเว็บไซต์ที่ถูกนำเสนอในตารางที่1 Landsat และการสำรวจที่ดินทั่วโลก (GLS) ข้อมูลดาวเทียมที่ใช้ในการศึกษาได้มาผ่านการสำรวจทางธรณีวิทยาสหรัฐฯ(USGS) ศูนย์โลกทรัพยากรการสังเกตและวิทยาศาสตร์(EROS) (http: //. รักusgs.gov) และสิ่งอำนวยความสะดวกปกคลุมดินทั่วโลก (GLCF) (http: //. glcf umd.edu) รายละเอียดของข้อมูลภูมิศาสตร์ปกสามารถพบได้ที่: http://zulu.ssc.nasa.gov/mrsid อินเดียตรวจจับระยะไกล (IRS) เชิงเส้นการถ่ายภาพตนเองเซนเซอร์ที่ใช้สแกน-3 (LISS-III) ข้อมูลที่ได้รับมาจากหน่วยงานแห่งชาติตรวจจับระยะไกล(NRSA), ไฮเดอราอีอินเดีย. การเก็บและการใช้ข้อมูลเสริมมีบทบาทสำคัญในการปรับปรุงความถูกต้องของการจัดหมวดหมู่ นอกจากภาพถ่ายจากดาวเทียมทั้งสามกรณีศึกษาที่ใช้ชั้น GIS เช่นขอบเขตการบริหารประชากรสถานที่ธารน้ำ, ถนน, แผนที่ป่าไม้และการใช้ที่ดิน / ที่ดินปกแผนที่. ข้อมูลดาวเทียมถูกอ้างอิงทางภูมิศาสตร์เพื่อ UTM WGS 84 มีรากเฉลี่ยสแควร์ (RMS) น้อยกว่าครึ่งหนึ่งพิกเซล (<15 เมตร) ป่าชายเลนชั้นเรียนมีการระบุและติดป้ายซึ่งรวมแล้วเป็นหมวดหมู่ป่าชายเลนเดียว สามชั้นปกคลุมดินประกอบด้วยป่าชายเลนน้ำและอื่น ๆ (ดินแดนที่แห้งแล้ง, การเกษตร, ที่อยู่อาศัย) ถูกแมป จำแนกโพสต์ recoding แก้ไข '' ที่ได้ดำเนินการลบความผิดพลาดที่เห็นได้ชัด ในที่สุดการวิเคราะห์การเปลี่ยนแปลงหลังการจัดหมวดหมู่ได้ดำเนินการอีหนู et al, (2007B)

ผลลัพธ์ (ไทย) 3:

วิเคราะห์ข้อมูล ดังนั้น การเตรียมเป็นสิ่งจำเป็นที่จะลบหรือ

ลดข้อผิดพลาด เช่น ขั้นตอนก่อนการประมวลผล รวมทั้งศึกษาชั้นบรรยากาศด้านบน
( โท ) การแปลงสะท้อน , brdf / มุมมองมุมบรรทัดฐานและ
เมฆบัง ภาพแต่ละภาพก็ปกติสำหรับพลังงานแสงอาทิตย์ดังกล่าวโดย
แปลงดิจิตอลจำนวนค่าลัทธิเต๋าสะท้อน . ขั้นตอนวิธีการแปลงนี้
" ทางร่างกายโดยอัตโนมัติและไม่ได้
แนะนำข้อผิดพลาดอย่างมีนัยสำคัญเพื่อข้อมูล " ( Huang และ ทาวน์เซนด์
2003 ) สองทิศทาง reflectance ฟังก์ชันการแจกแจง ( brdf ) ผล
แก้ไขได้ลัทธิเต๋าภาพการต่อ
brdf ปรับฉาก Hansen et al . ( 2551 ) พบว่า การปรับเพิ่มการตอบสนองต่อฉาก
brdf ทางอากาศและที่ดินปก
characterizations .ขั้นตอนต่อไปคือการเตรียมกระเบื้องโมเสคที่ประกอบด้วย
ของปี 2000 และ 2012 โดยการเลือกที่ดีที่สุดสำหรับฤดูปลูกพิกเซล

เราใช้ในแต่ละปี การจัดหมวดหมู่และการถดถอยที่ต้นไม้ ( รถเข็น ) โดย
สำหรับหมวดหมู่ภาพ รถเข็นเป็นหนึ่งในการจำแนกขั้นตอนวิธีสำหรับการใช้ทั่วไป

ครอบคลุมที่ดินและแผนที่ ขั้นตอนวิธี recursively แยกการฝึกอบรมข้อมูล
พิกเซลเป็นเนื้อเดียวกันมากขึ้นจาก terminal
โหนดที่มีค่าจนกว่าจะถึงสูงสุด วิธีการวัด
เมื่อเทียบกับชั้นเรียนที่กำหนดโดยข้อมูลการฝึกอบรม ข้อมูลการฝึกอบรมในกรณีนี้
ถูกเลือกของพิกเซลที่สอดคล้องกับพื้นที่ของที่ดินรู้จัก
ปกตามการวิเคราะห์และข้อมูลเสริมผู้เชี่ยวชาญเราใช้
ดาวเทียมเหล็กพืด ( 1e5 & 7 ) , srtm ระดับความสูงแบบดิจิตอลและ
ตัวแปรการกำหนดค่าฐานข้อมูลเป็นป่าชายเลนป่าชายเลน / nonmangrove
ชั้นเรียนเป็นตัวแปรตอบสนอง เรากำหนด " จริง
ป่าชายเลน " ที่กำหนดไว้ตามต้นไม้ พุ่มไม้ และปาล์มที่ปลูก
เฉพาะในทะเล ป่าโกงกาง และโซนของเขตร้อนและเขตกึ่งร้อน
. อย่างน้อยแผนที่ หน่วยที่ใช้ในการศึกษาครั้งนี้คือ 0.08 ฮา
.
การวิเคราะห์ของภูมิภาคเอเชียใต้มีการใช้ Google
เครื่องยนต์โลก ( http : / / earthengine Google . org / # Intro ) และการจำแนกและการถดถอย
ต้นไม้ ( ซื้อ ) ขั้นตอนวิธี Google Earth
เครื่องยนต์ให้แพลตฟอร์มออนไลน์ข้อมูล ซอฟต์แวร์ และโครงสร้างพื้นฐาน
คอมพิวเตอร์เพื่อการวิเคราะห์ข้อมูล การใช้เครื่องยนต์ช่วยอย่างมากในโลก
ต้นทุนทรัพยากรและเวลา โดยการขจัด
ต้องค้นหาข้อมูลและดาวน์โหลดการประมวลผลซอฟต์แวร์
ใบอนุญาตดิสก์ , พื้นที่ ,และ คอมพิวเตอร์ แพลตฟอร์มให้ preprocessed
ข้อมูลดาวเทียมจาก 2542 ถึงปัจจุบัน พื้นที่ดิสก์หมายเลข
ขั้นตอนวิธีการจำแนกรวมทั้งรถเข็น และป่าที่สุ่ม
และทรัพยากรคอมพิวเตอร์ super แพลตฟอร์มที่คล้ายกันนอกจากนี้ยังมี
ใช้ได้จากโลกนาซาตรา ( https : / / C3 NASA . gov / ออฟไลน์และออนไลน์ / )
ESRI ArcGIS . ( http : / / www.arcgis . com /
/ )การตรวจสอบความถูกต้องของผลิตภัณฑ์ครอบคลุมที่ดินตามคนวิธีเคร่งครัด
และคุณภาพสูงซึ่งเกิดขึ้นในสมัยเดียวกันข้อมูลอ้างอิง
พึงปรารถนา อย่างชัดเจน แต่เป็นบ่อยมาก กรณี ทรัพยากรที่ จำกัด ปริมาณการตรวจสอบและเข้มงวดอย่างเต็มที่
ทำให้เข้าไม่ถึง
เหมาะ อย่างไรก็ตาม เราประเมินฐานข้อมูล พร้อมกับอื่น ๆที่มีอยู่ในภูมิภาคและท้องถิ่น
ชุดข้อมูล นอกจากนี้เรายังดำเนินการเชิงคุณภาพ
การตรวจสอบด้วยความช่วยเหลือของผู้เชี่ยวชาญท้องถิ่น และความละเอียดสูง เช่น รูป และข้อมูลดาวเทียม
โคโนส . เราแบ่งพื้นที่ทั้งหมด
เข้าไป 500 เมตร  500 เมตรแต่ละตารางกริดและตรวจสอบเพื่อระบุและแก้ไขข้อผิดพลาดสายตา
ขั้นต้นในการจัดหน้า วัดนี้
ช่วยวิเคราะห์แผนที่เชิงคุณภาพและปรับปรุง

การจำแนกโดยรวม