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 Thematicมีสองเมืองในประเทศจีนตะวันออกเฉียงใต้เป็นตัวอย่างภาพ mapper (TM) และปรับปรุงเฉพาะเรื่อง Mapper Plus (ETM_) 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) 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 .