Five land-use/land-cover categories

Five land-use/land-cover categories were automatically classi-
fied from the remote sensing images, including forest and orchard,
double-cropping land, single-cropping land, no-vegetable land,
and water. The three-date NDVI images within each crop calendar
year were stacked together and then classified by using a
supervised maximum likelihood classifier. Training sites were
first delineated from the natural-color composite of the original
Landsat images and then transferred to the NDVI composite. For
details, refer to Lu et al. (2011).
We randomly selected 144 points for each individual category
and read their land-use/land-cover types from the map in 2000.
Then, the results were compared to ground truth data collected in
field surveys and visual interpretation of China & Brazil Earth
Resource Satellite (CBERS) images and other high-spatial-resolution
images in Google Earth. The overall classification accuracy is
over 85% (Table 1). The area of double-cropping systems in
2010 was compared with that from statistical yearbooks; the
Pearson correlation coefficient was above 9.0 (Local Statistic
Bureau, 2010).

ผลลัพธ์ (ไทย) 1:

ประเภทที่ดินใช้/แลนด์ปะห้าได้โดยอัตโนมัติ classi-ฟองจากภาพ sensing ระยะไกล รวมทั้งป่าและสวนที่ดินปลูกพืชเดี่ยว เดียวครอบที่ดิน ที่ดินไม่มีผักและน้ำ ภาพ NDVI วันสามภายในปฏิทินแต่ละพืชปีซ้อนกัน และจัดประเภทแล้ว โดยการแบบมีผู้สอน classifier โอกาสสูงสุด การฝึกอบรมถูกdelineated แรก จากส่วนประกอบธรรมชาติสีของต้นฉบับLandsat ภาพแล้ว โอนย้ายไปยังคอมโพสิต NDVI สำหรับรายละเอียด อ้างถึง Lu et al. (2011)เราสุ่มเลือกแต่ละประเภทแต่ละ 144 คะแนนและอ่านประเภทของที่ดินใช้/แลนด์ฝาจากแผนที่ 2000แล้ว ผลลัพธ์ได้เมื่อเทียบกับความจริงดินรวบรวมข้อมูลในฟิลด์สำรวจและตีความภาพของจีนและแผ่นดินโลกบราซิลภาพดาวเทียม (CBERS) ทรัพยากรและอื่น ๆ สูงพื้นที่ความละเอียดภาพใน Google Earth มีความถูกต้องของการจัดประเภทโดยรวมกว่า 85% (ตารางที่ 1) พื้นที่ของระบบปลูกพืชเดี่ยวใน2010 ถูกเปรียบเทียบกับจากสถิติ yearbooks ที่สัมประสิทธิ์สหสัมพันธ์เพียร์สันได้เหนือ 9.0 (สถิติท้องถิ่นสำนักงาน 2010)

ผลลัพธ์ (ไทย) 2:

ห้าการใช้ที่ดิน / ที่ดินประเภทที่ครอบคลุมถูกโดยอัตโนมัติ classi-
กระแสไฟจากภาพระยะไกลรวมทั้งป่าไม้และสวนผลไม้,
ที่ดินสองครั้งที่การปลูกพืช, ที่ดินปลูกพืชเดี่ยวที่ดินไม่มีผัก
และน้ำ สามวันภาพ NDVI ในแต่ละปฏิทินการเพาะปลูก
ปีได้ซ้อนกันและจัดแล้วโดยใช้
ลักษณนามโอกาสสูงสุดภายใต้การดูแล เว็บไซต์การฝึกอบรมได้รับ
คดีแรกจากคอมโพสิตสีธรรมชาติของเดิม
ภาพ Landsat และโอนไปยังคอมโพสิต NDVI สำหรับ
รายละเอียดโปรดดู Lu et al, (2011).
เราสุ่มเลือก 144 คะแนนสำหรับแต่ละประเภทของแต่ละบุคคล
และอ่านการใช้ที่ดินของพวกเขา / ประเภทที่ดินปกจากแผนที่ในปี 2000.
จากนั้นผลที่ได้มาเปรียบเทียบกับข้อมูลความจริงพื้นดินที่เก็บรวบรวมใน
การสำรวจข้อมูลและการตีความภาพของจีนและ บราซิลโลก
ทรัพยากรดาวเทียม (CBERS) ภาพและอื่น ๆ ที่สูงเชิงพื้นที่ความละเอียด
ภาพใน Google Earth ความถูกต้องของการจัดหมวดหมู่โดยรวมเป็น
กว่า 85% (ตารางที่ 1) พื้นที่ของระบบการปลูกพืชสองครั้งใน
ปี 2010 เมื่อเทียบกับที่จาก yearbooks สถิติ
ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันอยู่เหนือ 9.0 (Local สถิติ
สำนัก 2010)

ผลลัพธ์ (ไทย) 3:

การใช้ที่ดิน / ที่ดิน 5 ประเภท ปกเป็น classi โดยอัตโนมัติจากระยะไกล
fied ภาพสัมผัส รวมทั้งป่าไม้และสวนผลไม้ การปลูกพืช การปลูกพืชเดี่ยว
คู่แผ่นดิน แผ่นดิน ไม่มีผักที่ดิน
และน้ำ สามภาพในแต่ละการเปลี่ยนแปลงด้านพืชพรรณวันที่ปฏิทิน
ปีซ้อนด้วยกัน แล้วจัดโดยใช้
มีความเป็นไปได้สูงสุดลักษณนาม เว็บไซต์การฝึกอบรม
แรกอธิบายจากสีธรรมชาติรวมภาพจากต้นฉบับ
และจากนั้นโอนไปยังการเปลี่ยนแปลงด้านพืชพรรณคอมโพสิต สำหรับ
รายละเอียดอ้างถึง Lu et al . ( 2011 )
เราสุ่ม 144 คะแนนสำหรับแต่ละประเภทของการใช้ที่ดินแต่ละ
อ่าน / สิ่งปกคลุมดินประเภทจากแผนที่ใน 2000 .
แล้วเปรียบเทียบกับข้อมูลใน
พื้นความจริงการสำรวจและการตีความของประเทศจีน&บราซิลโลก
ทรัพยากรภาพดาวเทียม ( cbers ) ภาพและภาพความละเอียดสูงในพื้นที่อื่น ๆ
Google Earth ความถูกต้องของการจำแนกโดยรวม
กว่า 85% ( ตารางที่ 1 ) ระบบการปลูกพืชในพื้นที่ของคู่
2010 เมื่อเทียบกับที่จากหนังสือรุ่นสถิติ ;
( ค่าสัมประสิทธิ์สหสัมพันธ์มากกว่า 9.0 สถิติ
สำนักงานท้องถิ่น , 2010 )