There are many challenges associate

There are many challenges associatedwith the task ofmapping LCLU
in southern Ghana using Landsat 7 imagery. In addition to the frequent
and extensive cloud cover across the region, data gaps associated with
the Landsat 7 scan-line corrector failure (SLC-off) (Markham, Storey,
Williams, & Irons, 2004), the lack of a capability to record Landsat 5
TM imagery in western Africa, and discrimination of small and informal
agricultural fields/plots (that are intermixed with natural vegetation)
using data with significantly reduced temporal coverage (due to the
cloud-related and SLC-off data gaps) are particularly challenging. To
overcome these challenges, we created temporal composite images
from available data, and classified each LCLU class individually using
the temporal composite image that provided the most robust discrimination
for that class. Specific waveband, spectral index and image texture
inputs used for image classification were determined through a
robust exploratory analysis of multiple image metrics and extensive
trial and error evaluation. Five temporal composite products were generated
by 1) masking cloud, cloud shadow, and water (except during
the classification ofWater) pixels fromeach of the images used to create
the composite, 2) stacking the masked input layers into a single multiband
image, and 3) computing the maximum value for each pixel
through the temporal stack.

ผลลัพธ์ (ไทย) 2:

มีความท้าทายหลาย associatedwith งาน ofmapping LCLU ที่มี
ในภาคใต้ของประเทศกานาใช้ Landsat 7 ภาพ นอกจากนี้ยังมีบ่อย
เมฆปกคลุมและครอบคลุมทั่วทั้งภูมิภาคช่องว่างข้อมูลที่เกี่ยวข้องกับ
Landsat 7 สแกนเส้น Corrector ความล้มเหลว (SLC-off) (มาร์คัมชั้น,
วิลเลียมส์และโซ่ตรวน, 2004) การขาดความสามารถในการบันทึก Landsat 5
ภาพ TM ในภาคตะวันตกของทวีปแอฟริกาและการเลือกปฏิบัติของขนาดเล็กและไม่เป็นทางการ
ทุ่งเกษตร / แปลง (ที่มีการผสมกับพืชพรรณธรรมชาติ)
โดยใช้ข้อมูลที่มีความคุ้มครองชั่วคราวลดลงอย่างมีนัยสำคัญ (เนื่องจาก
ช่องว่างที่เกี่ยวข้องกับเมฆและ SLC-ปิดข้อมูล) มีความท้าทายโดยเฉพาะอย่างยิ่ง . เพื่อ
เอาชนะความท้าทายเหล่านี้เราได้สร้างภาพคอมโพสิตชั่วคราว
จากข้อมูลที่มีอยู่และการจัดแต่ละชั้น LCLU เป็นรายบุคคลโดยใช้
ภาพคอมโพสิตชั่วคราวที่ให้การเลือกปฏิบัติที่แข็งแกร่งที่สุด
สำหรับการเรียนที่ waveband เฉพาะสเปกตรัมดัชนีและพื้นผิวของภาพ
ปัจจัยการผลิตที่ใช้สำหรับการจัดหมวดหมู่ของภาพได้รับการพิจารณาผ่าน
การวิเคราะห์สอบสวนที่แข็งแกร่งของตัวชี้วัดภาพหลายและครอบคลุม
การทดลองและการประเมินผลข้อผิดพลาด ห้าผลิตภัณฑ์คอมโพสิตชั่วคราวถูกสร้างขึ้น
โดย 1) เมฆกำบังเงาของเมฆและน้ำ (ยกเว้นในช่วง
การจัดหมวดหมู่ ofWater) พิกเซล fromeach ของภาพที่ใช้ในการสร้าง
คอมโพสิต 2) ซ้อนชั้นอินพุตสวมหน้ากากเป็น Multiband เดียว
ภาพและ 3 ) การคำนวณค่าสูงสุดสำหรับแต่ละพิกเซล
ผ่านกองชั่วคราว

ผลลัพธ์ (ไทย) 3:

มีความท้าทายมากมายกับงาน ofmapping lcluในภาคใต้ของกานาใช้ Landsat 7 ภาพ นอกจากการบ่อย ๆที่กว้างขวางและมีเมฆปกคลุมทั่วภูมิภาค ช่องว่างที่เกี่ยวข้องกับข้อมูลภาพที่ 7 สแกนล้มเหลว Corrector บรรทัด ( SLC ปิด ) ( Markham , ชั้น ,วิลเลียมส์ , และเตารีด , 2004 ) การขาดความสามารถในการบันทึกข้อมูล 5ซึ่งภาพในอาฟริกาตะวันตก และการเลือกปฏิบัติของขนาดเล็กและไม่เป็นทางการข้อมูล / แปลงเกษตร ( ที่ผสมกับพืชธรรมชาติ )โดยใช้ข้อมูลที่มีความครอบคลุม ( ลดลงชั่วคราว เนื่องจากการเมฆที่เกี่ยวข้องและ SLC ปิดช่องว่างข้อมูล ) เป็นสิ่งที่ท้าทายโดยเฉพาะอย่างยิ่ง . เพื่อเอาชนะความท้าทายเหล่านี้ เราถูกสร้างภาพคอมโพสิตชั่วคราวจากข้อมูลที่มีอยู่ และจำแนกแต่ละแบบใช้ lclu คลาสเกี่ยวกับการประกอบภาพให้แข็งแกร่งที่สุดสำหรับชั้นนั้น waveband เฉพาะดัชนีสเปกตรัมและภาพพื้นผิวกระผมใช้สำหรับการจำแนกภาพได้รับการพิจารณาผ่านการวิเคราะห์เสถียรภาพของตัววัดสำรวจภาพหลายและกว้างขวางการทดลองและข้อผิดพลาดในการประเมิน ห้าผลิตภัณฑ์คอมโพสิตขึ้นชั่วขณะ1 ) บังเมฆ เมฆ เงา และน้ำ ( ยกเว้นช่วงหมวดหมู่ต่างๆ ) พิกเซลของภาพที่ใช้ในการสร้างของคอมโพสิต 2 ) ซ้อนหน้ากากใส่ชั้นเป็น multiband เดี่ยวภาพ , และ 3 ) การคำนวณมูลค่าสูงสุดสำหรับแต่ละพิกเซลผ่านกองชั่วคราว