1. IntroductionHyperspectral remote

1. Introduction
Hyperspectral remote sensing (RS) images acquired by different imaging
spectrometer sensors, such as EO-1 Hyperion, HyMap and AVIRIS,
have shown wide usefulness in many geosciences, environmental and
agricultural applications. In general, hyperspectral RS image has fine
spectral resolution and abundant information which can be used to address
a variety of resource and environmental issues. Especially, hyperspectral
sensors can be used to distinguish different types of the same
species [20]. According to published literatures, hyperspectral RS information
processing is complex in terms of data uncertainty [21], curse of
dimensionality [20] and small samples [11,12], etc. As a result, it is difficult
to apply a traditional classifier to hyperspectral data with high
performance. The classification accuracy seriously decreases because
of Hughes phenomenon [15]. An alternate classification technique, support
vector machine (SVM), has been put forward and adopted to
hyperspectral remote sensing image classification successfully. Many
results show that the SVM outperforms traditional classifiers such as
artificial neural network (ANN), minimum distance classifier (MDC),
maximum likelihood classifier (MLC) and spectral angle mapper
(SAM) [

ผลลัพธ์ (ไทย) 1:

1. บทนำHyperspectral ระยะไกล (RS) ภาพที่ได้จากการถ่ายภาพที่แตกต่างกันในการตรวจจับสเปกโตรมิเตอร์เซ็นเซอร์ เช่น Hyperion EO-1, HyMap และ AVIRISแสดงให้เห็นประโยชน์มากมายในหลายสเซียน สิ่งแวดล้อม และการใช้งานเกษตร ทั่วไป ภาพ hyperspectral RS มีดีความละเอียดสเปกตรัมและข้อมูลมากมายซึ่งสามารถใช้ที่อยู่ความหลากหลายของทรัพยากรและสิ่งแวดล้อม โดยเฉพาะอย่างยิ่ง hyperspectralเซนเซอร์สามารถใช้แยกแยะประเภทเดียวกันพันธุ์ [20] ตามประกาศกวีนิพนธ์ ข้อมูล RS hyperspectralการประมวลผลมีความซับซ้อนในแง่ของข้อมูลไม่แน่นอน [21], แช่งมิติ [20] และกลุ่มตัวอย่าง [11, 12] ฯลฯ เป็นผล มันเป็นเรื่องยากการใช้ลักษณนามแบบดั้งเดิมกับ hyperspectral ข้อมูลสูงการทำงาน ความถูกต้องของการจัดประเภทอย่างจริงจังลดลงเนื่องจากฮิวจ์สปรากฏการณ์ [15] เทคนิคการจัดประเภทอื่น สนับสนุนเวกเตอร์เครื่อง (SVM), ได้รับนำส่ง และนำมาใช้เพื่อสบู่ hyperspectral ภาพประเภทเรียบร้อยแล้ว หลายผลลัพธ์แสดงว่า การ SVM มีประสิทธิภาพสูงกว่าคำหลักภาษาดั้งเดิมเช่นโครงข่ายประสาทเทียม (แอน), ลักษณนามระยะต่ำ (MDC),ลักษณนามโอกาสสูงสุด (MLC) และมุมสเปกตรัม mapper(SAM) [

ผลลัพธ์ (ไทย) 2:

1. บทนำ
Hyperspectral การสำรวจระยะไกล (RS) ภาพที่ได้มาโดยการถ่ายภาพที่แตกต่างกัน
เซ็นเซอร์สเปกโตรมิเตอร์เช่น EO-1 ไฮเปอร์ HyMap และ AVIRIS,
ได้แสดงให้เห็นประโยชน์ที่กว้างในหลายธรณี, สิ่งแวดล้อมและการ
ใช้งานด้านการเกษตร โดยทั่วไป RS Hyperspectral ภาพมีการปรับ
ความละเอียดสเปกตรัมและข้อมูลมากมายที่สามารถนำมาใช้เพื่อรับมือกับ
ความหลากหลายของทรัพยากรและสิ่งแวดล้อม โดยเฉพาะอย่างยิ่ง Hyperspectral
เซ็นเซอร์สามารถใช้ในการแยกแยะความแตกต่างของเดียวกัน
ชนิด [20] ตามที่วรรณกรรมการตีพิมพ์ Hyperspectral RS ข้อมูล
การประมวลผลที่มีความซับซ้อนในแง่ของความไม่แน่นอนของข้อมูล [21], การสาปแช่งของ
มิติ [20] และกลุ่มตัวอย่างขนาดเล็ก [11,12] ฯลฯ เป็นผลให้มันเป็นเรื่องยาก
ที่จะใช้ลักษณนามแบบดั้งเดิม ข้อมูล Hyperspectral สูง
ประสิทธิภาพ ความถูกต้องจำแนกอย่างจริงจังลดลงเพราะ
ของปรากฏการณ์ฮิวจ์ [15] เทคนิคการจัดหมวดหมู่อื่นสนับสนุน
เครื่องเวกเตอร์ (SVM) ได้รับการหยิบยกและนำไปใช้เพื่อ
Hyperspectral การจัดหมวดหมู่ภาพระยะไกลที่ประสบความสำเร็จ หลายคน
ผลการศึกษาพบว่ามีประสิทธิภาพดีกว่า SVM ลักษณนามแบบดั้งเดิมเช่น
เครือข่ายประสาทเทียม (ANN) ต่ำสุดลักษณนามระยะทาง (MDC)
ลักษณนามโอกาสสูงสุด (แอลซี) และ Mapper มุมสเปกตรัม
(SAM) [

ผลลัพธ์ (ไทย) 3:

1 . แนะนำhyperspectral การสำรวจข้อมูลระยะไกล ( RS ) ภาพที่ได้มาจากภาพถ่ายต่าง ๆกล้องเซ็นเซอร์ เช่น eo-1 ไฮเปอร์เรี่ยน และ aviris hymap ,ได้แสดงประโยชน์กว้างในหลาย ธรณีสิ่งแวดล้อมและงานเกษตร ในทั่วไป , รูปภาพ hyperspectral RS ได้ดีความละเอียดของสเปกตรัมและข้อมูลมากมายซึ่งสามารถใช้ที่อยู่ความหลากหลายของทรัพยากรและสิ่งแวดล้อม โดยเฉพาะอย่างยิ่ง hyperspectralเซ็นเซอร์สามารถใช้ในการแยกชนิดของเดียวกันชนิด [ 20 ] ตามหัวข้อ hyperspectral วรรณกรรม ข้อมูล อาร์เอสการประมวลผลข้อมูลที่ซับซ้อนในแง่ของความไม่แน่นอน [ 21 ] คำสาปของdimensionality [ 20 ] และขนาดเล็ก 11,12 ตัวอย่าง [ ] , ฯลฯ ผลคือ มันเป็นเรื่องยากเพื่อใช้เป็นข้อมูล hyperspectral สูงแบบดั้งเดิมผลการปฏิบัติงาน ความแม่นยำในการจำแนกอย่างจริงจังลดลงเพราะของ ฮิวจ์ส ปรากฏการณ์ [ 15 ] เทคนิคการจำแนกประเภทอื่นสนับสนุนเครื่องเวกเตอร์ ( SVM ) , ได้ใส่ไปข้างหน้า และ บุญธรรมhyperspectral ระยะไกลการจำแนกภาพเรียบร้อยแล้ว หลายผลการทดลองแสดงให้เห็นว่า SVM โปรยคำดั้งเดิม เช่นโครงข่ายประสาทเทียม ( ANN ) , ระยะต่ำสุดลักษณนาม ( MDC )Maximum Likelihood ลักษณนาม ( MLC ) และ mapper มุมสเปกตรัม( แซม )