Sixty–seventy training sites varyin

Sixty–seventy training sites varying in size from 286 to 8,914 pixels (5–46%) were used to locate training pixels on the images. Except for the bare soil/ landfill category, training samples for each class were 5– 12 subclasses. The training samples were then evaluated by using class histogram plots. Training samples were refined, renamed, merged, and deleted after the evaluation of class histogram and statistical parameters. A supervised maximum likelihood classification (MLC) algorithm was subsequently applied to each image which has generally been proven to obtain the best results from remotely-sensed data if each class has a
Gaussian distribution (Bolstad and Lillesand 1991). Misclassification was observed in the classified land cover categories obtained from the MLC classification. For example, certain urban surfaces were misclassified as landfill sites due to their similar spectral characteristics. Likewise, misclassification was also found between the wetland/lowlands category and the cultivated land, water bodies, and lowland/wetland category. It may be noted that initially the wetland category was identified as a separate class but eventually it merged with the lowland class as it was not possible to separate from the lowland category because of their alike spectral properties. Post-classification refinement, therefore, was used to improve the accuracy as it is simple, efficient and easily executable method (Harris and Ventura 1995). It is important to note that misclassification was higher in the MSS image among the datasets. To surmount the difficulty of misclassification, a number of strategies were considered. For
example, thematic information (e.g. water bodies, vegetation, and bare soil) was first extracted from the V-S-W index (Yamagata et al. 1997).

ผลลัพธ์ (ไทย) 1:

หกเจ็ดเว็บไซต์ฝึกอบรมแตกต่างกันในขนาด 286 พิกเซล 8,914 (5-46%) ถูกใช้เพื่อค้นหาฝึกอบรมพิกเซลในภาพ ยกเว้นสำหรับดินเปลือย / ฝังกลบมูลฝอยประเภท ตัวอย่างการฝึกอบรมในแต่ละชั้นอยู่ชั้น 5-12 ตัวอย่างการฝึกอบรมได้แล้วประเมิน โดยใช้คลาสฮิสโตแกรมผืน ตัวอย่างฝึกได้กลั่น เปลี่ยนชื่อ ผสาน และลบหลังจากการประเมินของคลาสฮิสโตแกรมและพารามิเตอร์สถิติ ขั้นตอนวิธีในการจัดประเภท (MLC) มีโอกาสสูงสุดมาใช้แต่ละรูปซึ่งโดยทั่วไปได้รับการพิสูจน์ได้รับผลลัพธ์จากข้อมูลเหตุการณ์จากระยะไกลถ้ามีคลาสแต่ละ ตัวกระจาย gaussian (Bolstad และ Lillesand 1991) Misclassification ถูกพบในประเภทปกลับที่ดินที่ได้รับจากการจัดประเภทของ MLC ตัวอย่าง ผิวบางเมืองมีงานเป็นไซต์ที่ฝังกลบเนื่องจากลักษณะของสเปกตรัมคล้าย ในทำนองเดียวกัน misclassification ยังพบระหว่างประเภทพื้นที่ชุ่มน้ำ/สกอตแลนด์ตอนใต้ และเรือกสวนไร่นา แหล่งน้ำ และราบ/พื้นที่ชุ่มน้ำประเภท มันอาจจะสังเกตว่า เริ่มระบุประเภทพื้นที่ชุ่มน้ำเป็นชั้นแยกจากกัน แต่ในที่สุดก็ผสานกับคลาสราบก็ไม่สามารถแยกจากประเภทราบเนื่องจากคุณสมบัติของสเปกตรัมเหมือน ประเภทหลังรีไฟน์เมนท์ ดังนั้น ใช้เพื่อปรับปรุงความถูกต้องซึ่งเป็นวิธีง่าย มีประสิทธิภาพ และปฏิบัติได้อย่างง่ายดาย (แฮร์ริสและทแฮมมิลทัล 1995) โปรดทราบ misclassification ที่มีสูงในภาพ MSS ระหว่าง datasets ได้ มีพิจารณาจำนวนกลยุทธ์เพื่อ surmount ปัญหาของ misclassification สำหรับตัวอย่าง ข้อมูลเฉพาะเรื่อง (เช่นแหล่งน้ำ พืช และดินเปลือย) ก่อนถูกสกัดจากดัชนี V-S-W (งา et al. 1997)

ผลลัพธ์ (ไทย) 2:

สถานที่ฝึกอบรมที่แตกต่างกันในขนาดหกสิบเจ็ดสิบจาก 286 ถึง 8914 พิกเซล (5-46%) ถูกนำมาใช้เพื่อหาพิกเซลการฝึกอบรมในภาพ ยกเว้นดินเปลือย / ประเภทการฝังกลบการฝึกอบรมตัวอย่างสำหรับแต่ละชั้นมี 5- 12 subclasses ตัวอย่างการฝึกอบรมได้รับการประเมินแล้วโดยใช้แปลง histogram ชั้น ตัวอย่างการฝึกอบรมได้รับการกลั่น, เปลี่ยนชื่อ, รวมและลบหลังจากการประเมินผลของ histogram ชั้นและพารามิเตอร์ทางสถิติ ภายใต้การดูแลการจัดหมวดหมู่ความน่าจะเป็นสูงสุด (MLC) อัลกอริทึมที่ใช้ต่อมาภาพที่แต่ละคนได้รับการพิสูจน์โดยทั่วไปเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากข้อมูลระยะไกลรู้สึกถ้าแต่ละชั้นเรียนมี
การกระจายเสียน (Bolstad และ Lillesand 1991) จำแนกพบว่าในที่ดินประเภทปกโฆษณาที่ได้รับจากการจัดหมวดหมู่แอลซี ตัวอย่างเช่นพื้นผิวในเมืองบางรายนั้นแบ่งเป็นเว็บไซต์ที่ฝังกลบเนื่องจากลักษณะสเปกตรัมของพวกเขาที่คล้ายกัน ในทำนองเดียวกันการจำแนกก็พบกันระหว่างพื้นที่ชุ่มน้ำ / ประเภทที่ราบลุ่มและพื้นที่เพาะปลูก, แหล่งน้ำและที่ลุ่ม / ประเภทของพื้นที่ชุ่มน้ำ มันอาจจะตั้งข้อสังเกตว่าในขั้นแรกประเภทพื้นที่ชุ่มน้ำที่ถูกระบุว่าเป็นแยกชั้น แต่ในที่สุดมันกลืนไปกับการเรียนที่ลุ่มที่มันเป็นไปไม่ได้ที่จะแยกออกจากหมวดหมู่ที่ลุ่มเพราะคุณสมบัติสเปกตรัมของพวกเขาเหมือนกัน การปรับแต่งโพสต์จำแนกจึงถูกนำมาใช้ในการปรับปรุงความถูกต้องในขณะที่มันเป็นเรื่องง่ายที่มีประสิทธิภาพและวิธีการปฏิบัติการได้อย่างง่ายดาย (แฮร์ริสและเวนทูรา 1995) มันเป็นสิ่งสำคัญที่จะทราบว่าจำแนกสูงในภาพ MSS ในหมู่ชุดข้อมูล เพื่อฟันฝ่าความยากลำบากของการจำแนก, จำนวนของกลยุทธ์ได้รับการพิจารณา สำหรับ
ตัวอย่างเช่นข้อมูลที่ใจ (เช่นแหล่งน้ำพืชและดินเปล่า) ถูกสกัดครั้งแรกจากดัชนี VSW (ยามากาตะ et al. 1997)

ผลลัพธ์ (ไทย) 3:

หกสิบเจ็ดสิบการฝึกอบรมและเว็บไซต์ที่แตกต่างกันในขนาดจาก 286 ใน 8914 พิกเซล ( 5 ) 46% ) ถูกใช้เพื่อค้นหาพิกเซลการฝึกอบรมบนภาพ ยกเว้นประเภทเปลือยดินกลบ ตัวอย่างการฝึกแต่ละชั้นปี 5 – 12 คลาส . การฝึกจำนวน แล้วประเมินโดยใช้คลาสแกรมแปลง ตัวอย่างการฝึกอบรมกลั่น , เปลี่ยนชื่อ , ผสานและลบ หลังประเมินกราฟคลาสและพารามิเตอร์ทางสถิติ เป็นแบบ Maximum Likelihood การจำแนกประเภท ( MLC ) โดยต่อมาได้ประยุกต์แต่ละภาพ ซึ่งโดยทั่วไปได้รับการพิสูจน์เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากข้อมูลจากระยะไกล ถ้าแต่ละชั้นมี
เสียนกระจาย ( และ bolstad lillesand 1991 )ผิดพลาดพบว่าแบ่งที่ดินครอบคลุมประเภทที่ได้จาก MLC การจำแนกประเภท ตัวอย่างเช่น พื้นผิวบางเมืองถูกฝังกลบ misclassified เป็นเว็บไซต์เนื่องจากลักษณะคล้ายกันสเปกตรัม . อนึ่ง ผิดพลาดที่พบระหว่างบึง / ประเภทที่ลุ่มและปลูกที่ดิน แหล่งน้ำ และพื้นที่ชุ่มน้ำประเภทที่ลุ่ม / .อาจจะสังเกตได้ว่าตอนแรกพื้นที่ชุ่มน้ำประเภทที่ถูกระบุว่าเป็นห้องแยกต่างหาก แต่ในที่สุดก็รวมกับที่ลุ่มเรียนมันไม่ได้เป็นไปได้ที่จะแยกจากประเภทที่ลุ่มเนื่องจากตนเหมือนเงา คุณสมบัติ หมวดหมู่การโพสต์จึงถูกใช้เพื่อปรับปรุงความถูกต้องมันเป็นง่ายและมีประสิทธิภาพที่ง่ายและวิธีการ ( Harris และ Ventura 1995 )มันเป็นสิ่งสำคัญที่จะต้องทราบว่าผิดพลาดมากกว่าภาพ MSS ของชุดข้อมูล การผ่านพ้นปัญหาผิดพลาด ตัวเลขของกลยุทธ์ที่ถูกพิจารณา สำหรับ
ตัวอย่าง , ข้อมูลใจ ( เช่น น้ำ พืช และดินเปลือย ) เป็นครั้งแรกที่สกัดจากดัชนี v-s-w ( ยามากาตะ และคณะ 1997 )