Extraction of Urban Built-up Land F

Extraction of Urban Built-up Land Features
After producing SAVI, MNDWI, and NDBI images, a new image dataset was created, which used these three new images as three bands. The further extraction of urban built-up land was carried out based on this new dataset. The change from an original seven-multispectral-band image into the three-thematic-band image largely reduces correlation among three bands (Table 4). Consequently, three major urban land-use classes, vegetation, water, and built-up land are well separated (Figure 4). Compared with the original image, moreover, spectral signature analysis was also greatly simplified owing to the reducing of banddimensions
(Figure 3 and Figure 5). Three methods were used to extract built-up land features from the new images composed of the three thematic-oriented bands, which are principal components analysis (PCA), logic calculation, and supervised classification methods. PCA is a method that examines principal components eigenvector loadings to decide which of the PC images will concentrate information related directly to the theoretical spectral signatures of specific target materials. The technique is able to predict whether the target material is represented by bright or dark pixels in the relevant PC image according to the magnitude and sign of the eigenvectors. Table 5 describes the PC transformation on the new images based on the covariance matrix and is the base for identifying which PC has the greatest loadings (values) for NDBI band (representing
the built-up land class), but that also has opposite signs (_ or _) with SAVI and MNDWI bands. It is obvious that the built-up lands cannot be identified from PC3 as all three input bands have positive loadings in the two images, and is also difficult to be separated from vegetation in PC1 of the two images because both NDBI and SAVI bands in Quanzhou image have close positive loadings, and the NDBI band of Fuzhou image only has a small loading (0.014). Therefore, the built-up lands can only be mapped by PC2 based on a strong positive or negative loading with an opposite sign from SAVI and MNDWI bands. The negative sign of the loading for NDBI-band in Quanzhou image indicates that the built-up lands will be present by dark pixels. Accordingly, by negating (i.e., multiplying by _1) PC2 image, built-up lands of the image were mapped as bright pixels. Finally, a threshold value (Table 6) was used to extract built-up features from the PC2 image to form a binary-image with the built-up land class assigned a value of 1 and all non-built-up land classes a
value of 0 (Figure 6a and 6f). The second method is an “if-then-else” logic calculation through a band spectral signature analysis. A simple rulebased logic tree is used to segment urban built-up lands
from non-urban built-up lands. Figure 5 illustrates the signatures of the three new bands in the two index-derived images. A distinct feature is that the mean values of band 2 (NDBI-band) of both new images are all greater than those of

ผลลัพธ์ (ไทย) 1:

สกัดของที่ดินเมือง Built-upหลังจากผลิตภาพ SAVI, MNDWI และ NDBI ชุดข้อมูลรูปแบบใหม่ที่สร้าง ซึ่งใช้ภาพเหล่านี้ใหม่สามเป็นสามวง ที่ดินเมือง built-up สกัดดาวถูกดำเนินการตามชุดข้อมูลใหม่นี้ การเปลี่ยนแปลงจากรูป 7-multispectral วงเดิมเป็นรูปสามเฉพาะเรื่องวงส่วนใหญ่ลดความสัมพันธ์ระหว่างสามวง (ตาราง 4) ดังนั้น สามเมืองสำคัญใช้ที่ดินเรียน พืช น้ำ และเนื้อที่ที่ดินดีแยกออกจากกัน (รูปที่ 4) เปรียบเทียบกับภาพต้นฉบับ นอก วิเคราะห์ลายเซ็นสเปกตรัมเป็นยังมากภาษาเนื่องจากการลดลงของ banddimensions(รูปที่ 3 และรูปที่ 5) สามวิธีที่ใช้ในการดึงคุณลักษณะที่ดินเนื้อที่จากภาพใหม่ที่ประกอบด้วยสามเน้นเฉพาะเรื่องวงดนตรี วิเคราะห์ส่วนประกอบหลัก (PCA), การคำนวณตรรกะ และแบบมีผู้สอนวิธีการจัดประเภท PCA เป็นวิธีที่ตรวจสอบ loadings eigenvector ส่วนประกอบหลักในการตัดสินใจซึ่งของ PC ภาพจะเข้มข้นข้อมูลที่เกี่ยวข้องโดยตรงกับลายเซ็นสเปกตรัมทฤษฎีวัสดุและเป้าหมายที่เฉพาะเจาะจง เทคนิคนี้สามารถที่จะทำนายว่า วัสดุเป้าหมายแสดงสว่าง หรือมืดพิกเซลในรูปคอมพิวเตอร์ที่เกี่ยวข้องตามขนาดและเครื่องหมายของลักษณะเฉพาะได้ ตาราง 5 อธิบายการแปลงพีซีในภาพใหม่ตามเมตริกซ์ความแปรปรวนร่วม และเป็นฐานสำหรับการระบุคอมพิวเตอร์ที่มี loadings ที่ยิ่งใหญ่ที่สุด (ค่า) สำหรับวง NDBI (แทนที่ดินเนื้อที่ชั้น), แต่ที่มีเครื่องหมายตรงข้าม (_หรือ_) กับวง SAVI และ MNDWI มันเป็นที่ชัดเจนว่า ที่ดินเนื้อที่ไม่ระบุจาก PC3 เป็นวงเข้าสามทั้งหมดมี loadings บวกสองภาพ และก็ยากที่จะแยกออกจาก PC1 การดำรงชีวิตของสองภาพเนื่องจากวง NDBI และ SAVI ในฉวนโจวรูปมี loadings ปิดบวก และรูปฟูวง NDBI มีการโหลดเล็ก (0.014) ดังนั้น ที่ดินเนื้อที่สามารถเพียงถูกแมป โดย PC2 ตามโหลดที่เป็นค่าบวก หรือค่าลบที่แข็งแรงด้วยเครื่องหมายตรงกันข้ามจากวง SAVI และ MNDWI เครื่องหมายลบของโหลดในวง NDBI ในฉวนโจวภาพบ่งชี้ว่า ที่ดินเนื้อที่จะมีพิกเซลสีดำ ดังนั้น โดย negating (เช่น คูณ _1) รูป PC2 ที่ดินเนื้อที่ของรูปถูกแมปเป็นพิกเซลสว่าง ในที่สุด ค่าขีดจำกัด (ตาราง 6) ถูกใช้เพื่อแยกคุณลักษณะเนื้อที่จากภาพ PC2 เพื่อรูปแบบไบนารี ด้วยชั้นเนื้อที่ที่ดินที่กำหนดค่าสอนไม่สร้างค่าที่ดินทั้งหมด และ 1 ตัวค่า 0 (รูปที่ 6a และ 6f) วิธีสองคือ การคำนวณตรรกะของ "ถ้าแล้วอื่น" ผ่านการวิเคราะห์ลายเซ็นสเปกตรัมวง ใช้ตรรกะง่าย ๆ rulebased ต้นไม้เพื่อทำเซ็กเมนต์เนื้อที่ที่ดินเมืองจากที่ดินเนื้อที่เมืองไม่ รูปที่ 5 แสดงให้เห็นลายเซ็นของวงใหม่สามในรูปดัชนีมาสอง คุณลักษณะที่แตกต่างกันคือค่าเฉลี่ยของวง 2 (NDBI-วง) ของทั้งสองภาพใหม่ทั้งหมดมากกว่าของ

ผลลัพธ์ (ไทย) 2:

การสกัดเมืองที่สร้างขึ้นคุณสมบัติที่ดินหลังจากการผลิต SAVI, MNDWI และภาพ NDBI เป็นชุดภาพใหม่ที่ถูกสร้างขึ้นซึ่งใช้ทั้งสามภาพใหม่เป็นสามวง
การสกัดต่อไปของที่ดินที่สร้างขึ้นในเมืองที่ได้รับการดำเนินการบนพื้นฐานของชุดใหม่นี้ การเปลี่ยนแปลงจากเดิมภาพเจ็ด multispectral วงเข้าไปในภาพสามใจวงส่วนใหญ่จะช่วยลดความสัมพันธ์ระหว่างสามวง (ตารางที่ 4) ดังนั้นหลักสามชั้นเรียนการใช้ที่ดินในเมืองพืชน้ำและที่ดินที่สร้างขึ้นจะถูกแยกกัน (รูปที่ 4) เมื่อเทียบกับภาพต้นฉบับยิ่งไปกว่านั้นการวิเคราะห์ลายเซ็นผีก็ยังง่ายมากเนื่องจากการลด banddimensions
(รูปที่ 3 และรูปที่ 5) สามวิธีการถูกนำมาใช้เพื่อดึงตัวขึ้นคุณลักษณะที่ดินจากภาพใหม่ประกอบด้วยสามวงใจที่มุ่งเน้นที่การวิเคราะห์องค์ประกอบหลัก (PCA) คำนวณตรรกะและดูแลวิธีการจำแนก PCA เป็นวิธีการที่จะตรวจสอบ loadings องค์ประกอบหลักวิคเตอร์ที่จะตัดสินใจว่าภาพของเครื่องคอมพิวเตอร์จะเน้นข้อมูลที่เกี่ยวข้องโดยตรงกับลายเซ็นสเปกตรัมทางทฤษฎีของวัสดุเป้าหมายที่เฉพาะเจาะจง เทคนิคที่มีความสามารถที่จะคาดการณ์ว่าวัสดุเป้าหมายที่เป็นตัวแทนจากพิกเซลสว่างหรือมืดในภาพของเครื่องคอมพิวเตอร์ที่เกี่ยวข้องให้เป็นไปตามขนาดและเข้าสู่ระบบของ eigenvectors ตารางที่ 5 อธิบายการเปลี่ยนแปลงพีซีในภาพใหม่บนพื้นฐานของการแปรปรวนเมทริกซ์และเป็นฐานสำหรับการระบุว่าเครื่องคอมพิวเตอร์มีภาระที่ยิ่งใหญ่ที่สุด (ค่า) สำหรับวงดนตรี NDBI
(แทนระดับที่ดินสร้างขึ้น) แต่ที่ยังมีอาการตรงข้าม ( หรือ _ _) กับ SAVI และวงดนตรีที่ MNDWI เป็นที่ชัดเจนว่าดินแดนที่สร้างขึ้นไม่สามารถระบุได้จาก PC3 เป็นทั้งสามวงดนตรีอินพุทมีแรงบวกในสองภาพและยังเป็นเรื่องยากที่จะแยกออกจากพืชใน PC1 ของทั้งสองภาพเนื่องจากทั้งสองวงดนตรีที่ NDBI และ SAVI ใน Quanzhou ภาพที่มีแรงบวกใกล้ชิดและวง NDBI ของภาพฝูโจวเพียง แต่มีการโหลดขนาดเล็ก (0.014) ดังนั้นดินแดนที่สร้างขึ้นสามารถแมปโดย PC2 อยู่บนพื้นฐานของการโหลดบวกหรือลบที่แข็งแกร่งที่มีเครื่องหมายตรงข้ามจาก SAVI และวงดนตรีที่ MNDWI สัญญาณเชิงลบของการโหลดสำหรับ NDBI วงในภาพ Quanzhou แสดงให้เห็นว่าดินแดนที่สร้างขึ้นจะถูกนำเสนอโดยพิกเซลที่มืด ดังนั้นโดยกวน (เช่นคูณด้วย _1) ภาพ PC2 ดินแดนที่สร้างขึ้นของภาพที่ถูกแมปเป็นพิกเซลสดใส ในที่สุดค่าเกณฑ์ (ตารางที่ 6) ถูกใช้ในการดึงคุณสมบัติที่สร้างขึ้นจากภาพ PC2 ในรูปแบบภาพไบนารีที่มีระดับที่ดินสร้างขึ้นที่ได้รับมอบหมายค่า 1
และที่ไม่ได้สร้างขึ้นในชั้นเรียนที่ดินเป็นมูลค่า0 (รูปที่ 6a และ 6) วิธีที่สองคือ "ถ้า-แล้วอื่น" คำนวณตรรกะผ่านการวิเคราะห์ลายเซ็นของวงสเปกตรัม ต้นไม้ตรรกะ rulebased
ง่ายจะใช้ในส่วนของดินแดนที่สร้างขึ้นในเมืองจากที่ไม่ใช่ดินแดนเมืองที่สร้างขึ้น รูปที่ 5 แสดงให้เห็นถึงลายเซ็นของทั้งสามวงดนตรีใหม่ในสองภาพที่ได้มาจากดัชนี คุณลักษณะที่แตกต่างกันก็คือค่าเฉลี่ยของวงดนตรี 2 (NDBI วง) ของทั้งสองภาพใหม่ทั้งหมดมากขึ้นกว่า

ผลลัพธ์ (ไทย) 3:

การสกัดของเมืองสร้างขึ้นคุณสมบัติที่ดิน
หลังจากการผลิต นอกจากนั้น mndwi และ ndbi ภาพชุดข้อมูลภาพใหม่ถูกสร้างขึ้น ซึ่งใช้ทั้งสามใหม่ภาพเป็นสามแถบ การสกัดเพิ่มเติมของที่ดินในเมืองสร้างขึ้นดำเนินการตามข้อมูลใหม่การเปลี่ยนแปลงจากเดิมเจ็ดหลายภาพเป็นวงดนตรีสามวงใจภาพส่วนใหญ่ลดความสัมพันธ์ระหว่าง 3 วง ( ตารางที่ 4 ) จึง เรียน สาขาสามพืชเมือง การใช้ที่ดิน น้ำ และการใช้ที่ดิน จะแยกกัน ( รูปที่ 4 ) เมื่อเทียบกับภาพต้นฉบับ นอกจากนี้การวิเคราะห์สัญญาณสเปกตรัมก็ง่ายมาก เนื่องจากการลดลงของ banddimensions
( รูปที่ 3 และรูปที่ 5 ) สามวิธีที่ใช้เพื่อแยกคุณลักษณะที่ดินสร้างขึ้นจากภาพใหม่ประกอบด้วยสามวงใจมุ่งเน้นที่การวิเคราะห์องค์ประกอบหลัก ( PCA ) ตรรกะการคำนวณและควบคุมวิธีการจำแนก .วิธีเป็นวิธีที่ตรวจสอบหลักองค์ประกอบเวกเตอร์ลักษณะเฉพาะภาระที่จะตัดสินใจที่ของเครื่องคอมพิวเตอร์ ภาพจะเน้นข้อมูลที่เกี่ยวข้องโดยตรงกับลายเซ็นทฤษฎีสเปกตรัมของวัสดุเป้าหมายที่เฉพาะเจาะจงเทคนิคจะสามารถทำนายได้ว่าเป้าหมายสำคัญคือแสดงโดย สว่าง หรือ มืดพิกเซลภาพในเครื่องคอมพิวเตอร์ที่เกี่ยวข้องตามขนาดและเครื่องหมายของเสนอ . ตารางที่ 5 อธิบายการเปลี่ยนแปลงบนพีซีใหม่ภาพขึ้นอยู่กับความเมทริกซ์และเป็นฐานสำหรับการระบุที่ PC มีภาระที่ยิ่งใหญ่ที่สุด ( ค่า )
ndbi วง ( แทนชั้นที่ดินอยู่อาศัย ) แต่ที่ยังมีป้ายตรงข้าม ( _ หรือ _ ) และอาร์เอฟไอดี mndwi วงดนตรี มันเป็นที่ชัดเจนว่าดินแดนที่สร้างขึ้นไม่สามารถระบุจากข้อมูลทั้งหมดด้วยเป็น 3 วง มีภาระบวกสองภาพ และยังเป็นเรื่องยากที่จะแยกจากพืชใน PC ของทั้งสองภาพ เพราะทั้ง ndbi : วงดนตรีใน Quanzhou และภาพปิดบวกกระทำได้ ,และ ndbi วงดนตรีของภาพฝูโจวมีเพียงโหลดขนาดเล็ก ( 0.014 ) ดังนั้น ดินแดนที่สร้างขึ้นสามารถแมปโดย pc2 ตามโหลดในเชิงบวกหรือเชิงลบที่แข็งแกร่งกับมีเครื่องหมายตรงกันข้ามจากซาวี่ mndwi และวงดนตรี ลบร่องรอยของการโหลดสำหรับ ndbi วงดนตรีใน Quanzhou ภาพแสดงว่าที่ดินขึ้นจะนำเสนอโดยพิกเซลเข้ม ดังนั้นโดย negating ( เช่นคูณด้วย _1 ) pc2 ภาพสะสมที่ดินของภาพถูกแมปเป็นพิกเซลสดใส สุดท้ายเกณฑ์ค่า ( ตารางที่ 6 ) ถูกใช้เพื่อแยกคุณลักษณะสร้างขึ้นจากภาพ pc2 รูปแบบภาพไบนารีที่มีชั้นเรียนแผ่นดิน built-up มอบหมายค่าเป็น 1 และไม่สร้างที่ดินคลาส
ค่า 0 ( 6 รูป และ 6F )วิธีที่สอง คือ " ได้ " ตรรกะการคำนวณผ่านวงสัญญาณสเปกตรัมการวิเคราะห์ ง่าย rulebased ตรรกะต้นไม้ใช้ส่วนเมืองอยู่อาศัยที่ดิน
จากเมืองลงบนที่ดิน รูปที่ 5 แสดงลายเซ็นของทั้งสามวงใหม่ในดัชนีที่ได้มาสองภาพคุณลักษณะที่แตกต่างกันนั่นหมายความว่า ค่าของ ( ndbi วงดนตรี 2 วง ) ภาพใหม่ทั้งหมดมากกว่านั้น