AbstractThis paper proposes a techn

Abstract
This paper proposes a technique to extract urban built-up land features from Landsat Thematic Mapper (TM) and Enhanced Thematic Mapper Plus (ETM_) imagery taking two cities in southeastern China as examples. The study selected three indices, Normalized Difference Built-up Index (NDBI), Modified Normalized Difference Water Index (MNDWI), and Soil Adjusted Vegetation Index (SAVI) to represent three
major urban land-use classes, built-up land, open water body, and vegetation, respectively. Consequently, the seven bands of an original Landsat image were reduced into three thematic-oriented bands derived from above indices. The three new bands were then combined to compose a new image. This considerably reduced data correlation and redundancy between original multispectral bands, and thus significantly avoided the spectral confusion of the above three land-use classes. As a result, the spectral signatures of
the three urban land-use classes are more distinguishable in the new composite image than in the original seven-band image as the spectral clusters of the classes are well separated. Through a supervised classification, a principal components analysis, or a logic calculation on the new image, the urban built-up lands were finally extracted with overall accuracy ranging from 91.5 to 98.5 percent. Therefore,
the technique is effective and reliable. In addition, the advantages of SAVI over NDVI and MNDWI over NDWI in theurban study are also discussed in this paper.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อเอกสารนี้นำเสนอเทคนิคการแยกคุณลักษณะที่ดินเมือง built-up จาก Landsat เฉพาะเรื่อง Mapper (TM) และปรับปรุงเฉพาะเรื่อง Mapper Plus (ETM_) ภาพถ่ายสองเมืองในประเทศจีนตะวันออกเฉียงใต้เป็นตัวอย่าง การศึกษาเลือกสามดัชนี ตามปกติต่าง Built-up ดัชนี (NDBI), ปรับเปลี่ยนตามปกติต่างน้ำดัชนี (MNDWI), และดินปรับปรุงพืชดัชนี (SAVI) ถึง 3ยินดีสอนการใช้ที่ดินเมือง เนื้อที่ ร่างกายน้ำ และที่ดิน พืช ตามลำดับ ดังนั้น วงเจ็ดของ Landsat ภาพเดิมได้ลดลงเป็นสามเน้นเฉพาะเรื่องวงมากดัชนี วงใหม่สามได้แล้วรวมในการเขียนภาพใหม่ นี้ลดลงมากความสัมพันธ์ของข้อมูลและความซ้ำซ้อนระหว่างวงเดิม multispectral แล้วจึง หลีกเลี่ยงความสับสนสเปกตรัมของคลาสที่ใช้ที่ดินสามข้างต้นอย่างมีนัยสำคัญ เป็นผล ลายเซ็นสเปกตรัมของใช้ที่ดินเมืองสามชั้นเรียนมีมากขึ้นแตกต่างในคอมโพสิตภาพใหม่กว่าในรูปเจ็ดวงเดิมเป็นอย่างดีจะแยกกลุ่มสเปกตรัมของคลา ประเภทมี การวิเคราะห์ส่วนประกอบหลัก หรือการคำนวณตรรกะบนรูปใหม่ ที่ดินเนื้อที่เมืองได้สุดท้ายสามารถสกัดความแม่นยำโดยรวมตั้งแต่ 91.5 ถึง 98.5 เปอร์เซ็นต์ ดังนั้นเทคนิคมีประสิทธิภาพ และเชื่อถือได้ นอกจากนี้ ข้อดีของการ SAVI NDVI และ MNDWI มากกว่า NDWI ในการศึกษา theurban จะยังกล่าวถึงในเอกสารนี้

ผลลัพธ์ (ไทย) 2:

บทคัดย่องานวิจัยนี้เสนอเทคนิคการสกัดเมืองที่สร้างขึ้นคุณลักษณะที่ดินจาก Landsat ใจแมปเปอร์ (TM) และเพิ่มขึ้นใจแมปเปอร์พลัส (ETM_) ภาพการสองเมืองในทิศตะวันออกเฉียงใต้ของประเทศจีนเป็นตัวอย่าง
การศึกษาเลือกสามดัชนีปกติแตกต่างดัชนีที่สร้างขึ้น (NDBI) ดัดแปลงปกติดัชนีน้ำแตกต่าง (MNDWI) และดัชนีพืชปรับปรุงดิน (SAVI)
เพื่อเป็นตัวแทนของสามที่สำคัญการเรียนการใช้ที่ดินในเมืองที่ดินสร้างขึ้น, เปิดน้ำ ร่างกายและพืชผักตามลำดับ ดังนั้นเจ็ดวงดนตรีของภาพ Landsat เดิมลดลงเป็นสามวงดนตรีที่มุ่งเน้นเฉพาะเรื่องที่ได้มาจากดัชนีดังกล่าวข้างต้น ทั้งสามวงดนตรีใหม่ที่ถูกรวมกันแล้วจะแต่งภาพใหม่ ข้อมูลนี้ลดลงอย่างมากความสัมพันธ์และความซ้ำซ้อนระหว่างวงดนตรี multispectral เดิมจึงมีนัยสำคัญหลีกเลี่ยงความสับสนสเปกตรัมของสามชั้นเรียนดังกล่าวข้างต้นการใช้ที่ดิน
เป็นผลให้ลายเซ็นสเปกตรัมของสามชั้นการใช้ที่ดินในเมืองที่มีความแตกต่างในภาพคอมโพสิตใหม่กว่าในภาพเดิมเจ็ดวงเป็นกลุ่มสเปกตรัมของการเรียนจะถูกแยกออกเป็นอย่างดี ผ่านการจัดหมวดหมู่ภายใต้การดูแลเป็นหลักในการวิเคราะห์องค์ประกอบหรือการคำนวณตรรกะที่ภาพใหม่ดินแดนที่สร้างขึ้นในเมืองที่ถูกสกัดในที่สุดด้วยความถูกต้องโดยรวมตั้งแต่ 91.5 ถึงร้อยละ 98.5
ดังนั้นเทคนิคที่มีประสิทธิภาพและเชื่อถือได้ นอกจากนี้ข้อดีของการ SAVI มากกว่า NDVI และ MNDWI มากกว่า NDWI ในการศึกษา theurban ที่จะกล่าวถึงในบทความนี้

ผลลัพธ์ (ไทย) 3:

นามธรรม
บทความนี้เสนอวิธีการสกัดคุณลักษณะที่ดินเมืองสร้างขึ้นจากดาวเทียม mapper ใจ ( TM ) และปรับปรุง Mapper Plus ( ใจ etm_ ) ภาพถ่ายสองเมืองในตะวันออกเฉียงใต้ของจีน เป็นตัวอย่าง การศึกษาที่ 3 ดัชนี ได้แก่ ดัชนีความแตกต่างที่สร้างขึ้น ( ndbi ) แก้ไขรูปต่างน้ำ ดัชนี mndwi )และดินที่ปรับดัชนีพืชพรรณ ( อาร์เอฟไอดี ) เป็นตัวแทนสาม
สาขาเมืองการเรียน การใช้ประโยชน์ เปิดน้ำในร่างกาย และพืช ตามลำดับ จากนั้น เจ็ดวง ของภาพลดลงจากเดิมเป็นสามวงใจมุ่งเน้นได้มาจากดัชนีดังกล่าว สามวงดนตรีใหม่แล้วรวมแต่งภาพใหม่นี้ลดลงอย่างมากและความสัมพันธ์ของข้อมูลซ้ำซ้อนระหว่างวงดนตรี 3 เดิม และหลีกเลี่ยงความสับสนจึงมีสเปกตรัมของข้างต้นสาม - ชั้นเรียน เป็นผลให้ , ลายเซ็นสเปกตรัมของ
สามเมือง การเรียนจะแยกแยะเพิ่มเติมในรูปภาพประกอบใหม่กว่าในรูปเจ็ดวงเดิมเป็น กลุ่มของสเปกตรัมของชั้นเรียนจะแยกออกจากกัน โดยมีการจำแนก การวิเคราะห์องค์ประกอบหลัก หรือตรรกะการคำนวณบนภาพใหม่ เมืองอยู่อาศัยที่ดิน ได้สกัดกับความถูกต้องโดยรวมตั้งแต่การตั้งเพื่อ 98.5 %ดังนั้น
เทคนิคมีประสิทธิภาพและเชื่อถือได้ นอกจากนี้ ข้อดีของซาวี่ มากกว่าการเปลี่ยนแปลงด้านพืชพรรณ mndwi มากกว่าและ ndwi ในชุมชนการศึกษายังกล่าวถึงในบทความนี้ .