Zhang et al. (2011) presented a nov

Zhang et al. (2011) presented a novel approach by constructing a spectral knowledge base
(SKB) of diseased winter wheat plants, which takes the airborne images as a medium and links
the disease severity with band reflectance from environment and disaster reduction small
satellite images (HJ-CCD) accordingly. Through a matching process with a SKB, we estimated
the disease severity with a disease index (DI) and degrees of disease severity. The proposed
approach was validated against both simulated data and field surveyed data. Estimates of DI
(%) from simulated data were more accurate, with a coefficient of determination (R 2) of 0.9 and
normalized root mean square error (NRMSE) of 0.2. The overall accuracy of classification
reached 0.8, with a kappa coefficient of 0.7. Validation of the estimates against field
measurements showed that there were some errors in the DI value with the NRMSE close to
0.5. The result of the classification was more encouraging with an overall accuracy of 0.77 and
a kappa coefficient of 0.58. For the matching process, Mahalanobis distance performed better
than the spectral angle (SA) in all analyses in this study.

ผลลัพธ์ (ไทย) 1:

Zhang et al. (2011) นำเสนอแนวทางใหม่ โดยสร้างเป็นฐานความรู้ของสเปกตรัม (SKB) ของข้าวสาลีฤดูหนาวโรคพืช ซึ่งจะมีภาพทางอากาศที่เป็นกลางและเชื่อมโยง ความรุนแรงของโรคกับวงสะท้อนจากสภาพแวดล้อมและภัยพิบัติลดขนาดเล็ก ดาวเทียมภาพ (HJ CCD) ตามลำดับ ผ่านกระบวนการตรงกันกับ SKB เราประเมิน ความรุนแรงของโรคเป็นดัชนีโรค (DI) และระดับความรุนแรงของโรค การนำเสนอ วิธีการตรวจสอบข้อมูลที่ถูกจำลองและข้อมูลของเขตข้อมูลที่สำรวจ การประเมินของ (%) จากข้อมูลจำลองได้ถูกต้องมากขึ้น มีสัมประสิทธิ์ของความมุ่งมั่น (R 2) ของ 0.9 และ ตามปกติรากหมายถึงตารางข้อผิดพลาด (NRMSE) ที่ 0.2 ความถูกต้องโดยรวมของการจัดประเภท ถึง 0.8 กับสัมประสิทธิ์ kappa 0.7 ตรวจสอบประมาณการกับฟิลด์ การวัดแสดงให้เห็นว่า มีบางข้อผิดพลาดในค่า DI กับ NRMSE ปิดเพื่อ 0.5 ผลของการจัดประเภทถูกส่งเสริมมากขึ้น มีความถูกต้องโดยรวมของ 0.77 และ ค่าสัมประสิทธิ์ kappa ของ 0.58 สำหรับกระบวนการจับคู่ Mahalanobis ระยะดำเนินการดีกว่า กว่าสเปกตรัมมุม (SA) ในการวิเคราะห์ในการศึกษานี้ทั้งหมด

ผลลัพธ์ (ไทย) 2:

Zhang et al, (2011) นำเสนอแนวทางใหม่โดยการสร้างฐานความรู้สเปกตรัม
(SKB) ของพืชข้าวสาลีฤดูหนาวที่เป็นโรคซึ่งจะนำภาพทางอากาศเป็นสื่อกลางและการเชื่อมโยง
ความรุนแรงของโรคกับวงดนตรีสะท้อนจากสภาพแวดล้อมและการลดภัยพิบัติขนาดเล็ก
ภาพจากดาวเทียม (HJ-CCD ) ตามลำดับ ผ่านขั้นตอนการจับคู่กับ SKB เราประมาณ
ความรุนแรงของโรคที่มีค่าดัชนีโรค (DI) และองศาของความรุนแรงของโรค ที่นำเสนอ
วิธีการได้รับการตรวจสอบกับข้อมูลทั้งจำลองและสำรวจข้อมูลภาคสนาม ประมาณการของ DI
(%) จากข้อมูลจำลองมีความถูกต้องมากขึ้นด้วยค่าสัมประสิทธิ์การตัดสินใจ (R 2) 0.9 และ
รากปกติหมายถึงตารางข้อผิดพลาด (NRMSE) 0.2 ความถูกต้องของการจำแนกประเภทโดยรวม
ถึง 0.8 โดยมีค่าสัมประสิทธิ์ Kappa 0.7 การตรวจสอบของประมาณการกับเขต
วัดแสดงให้เห็นว่ามีข้อผิดพลาดบางอย่างในค่า DI กับ NRMSE ใกล้เคียงกับ
0.5 ผลของการจัดหมวดหมู่ตามมาก็คือการส่งเสริมให้มากขึ้นด้วยความถูกต้องโดยรวมของ 0.77 และ
ค่าสัมประสิทธิ์ Kappa 0.58 สำหรับขั้นตอนการจับคู่ Mahalanobis ระยะทางทำได้ดี
กว่ามุมสเปกตรัม (SA) ในทุกการวิเคราะห์ในการศึกษานี้

ผลลัพธ์ (ไทย) 3:

Zhang et al . ( 2011 ) นำเสนอแนวทางใหม่โดยการสร้างฐานความรู้สเปกตรัม( SKB ) ของโรคพืชข้าวสาลีฤดูหนาวซึ่งใช้อากาศเป็นตัวกลาง และเชื่อมโยงภาพโรคที่สะท้อนความรุนแรงกับวงดนตรีจากสิ่งแวดล้อม และการลดภัยพิบัติขนาดเล็กภาพจากดาวเทียม ( hj-ccd ) ตาม ผ่านกระบวนการจับคู่กับ SKB เราประมาณโรคความรุนแรงกับดัชนีของโรค ( DI ) และระดับความรุนแรงของโรค เสนอการตรวจสอบกับทั้งข้อมูลและสำรวจข้อมูลภาคสนามจำลอง . ประมาณการของ ดิ( % ) จากข้อมูลที่จำลองได้ถูกต้องมากขึ้น ด้วยค่าสัมประสิทธิ์ตัวกำหนด ( R ( 2 ) 0.9 และปกติรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( nrmse ) 0.2 ความถูกต้องโดยรวมของการจัดหมวดหมู่ถึง 0.8 กับกัปปะมีค่า 0.7 ความถูกต้องของการประเมินกับสนามการวัดผลการศึกษาพบว่ามีข้อผิดพลาดบางอย่างในตี้มูลค่ากับ nrmse ใกล้กับ0.5 ผลของการจัดหมวดหมู่เป็นนิมิต มีความถูกต้องโดยรวม 0.77 และกัปปะสัมประสิทธิ์ 0.58 . สำหรับการจับคู่กระบวนการ mahalanobis ระยะทางดำเนินการดีกว่ากว่ามุมสเปกตรัม ( SA ) ในการวิเคราะห์ในการศึกษานี้