The spectral information, character

The spectral information, characterized by land cover and land use (LCLU) classes in a
classified thematic map, is regarded as one of the most important information for remote sensing
image interpretation. The a priori knowledge about the study region, e.g. a state-wide LCLU
map, allows us to identify appropriate training sites and use a supervised classification approach
based on support vector machines (SVMs) rather than an unsupervised classification technique
like clustering or mathematical morphology [16] – [18]. The SVM is a novel type of learning
machine based on statistical learning theory introduced by Cortes, Vapnik and Burges [17], [18].
Study has been conducted addressing the SVM-based classification scheme for land cover using
polarimetric synthetic aperture radar (SAR) images [19]. In [20], it has been concluded using
hyperspectal AVIRIS images that the SVM outperforms the other traditional classification rules.
A SVM-type classifier has been developed for automatic classification of cloud data from GOES
imagery in [21] and other kernel methods for unsupervised discovery of snow, ice, clouds have
been discussed in [22]

ผลลัพธ์ (ไทย) 1:

ข้อมูลสเปกตรัมโดดเด่นด้วยสิ่งปกคลุมดินและที่ดินชั้นเรียน (lclu) ใช้ในการจัด
ใจแผนที่ได้รับการยกย่องว่าเป็นหนึ่งในข้อมูลที่สำคัญที่สุดสำหรับการตรวจวัดระยะไกลการตีความภาพ
ความรู้เบื้องต้นเกี่ยวกับพื้นที่การศึกษาเช่น รัฐกว้าง lclu
แผนที่ช่วยให้เราสามารถระบุเว็บไซต์การฝึกอบรมที่เหมาะสมและการใช้วิธีการจัดหมวดหมู่ภายใต้การดูแล
ขึ้นอยู่กับเครื่องเวกเตอร์สนับสนุน (svms) มากกว่าการจัดหมวดหมู่
หากินเทคนิคเช่นการจัดกลุ่มหรือสัณฐานทางคณิตศาสตร์ [16] - [18] SVM เป็นชนิดใหม่ของการเรียนรู้เครื่อง
บนพื้นฐานของทฤษฎีการเรียนรู้ทางสถิติที่นำมาใช้โดย Cortes, vapnik และ burges [17] [18]. การศึกษา
ได้รับการดำเนินการที่อยู่ในโครงการจัดหมวดหมู่ SVM ที่ใช้สำหรับสิ่งปกคลุมดินโดยใช้
รูรับแสงเรดาร์ polarimetric ภาพ (SAR) สังเคราะห์ [19] ใน [20] จะได้รับการสรุปการใช้ภาพ aviris
hyperspectal SVM ที่มีประสิทธิภาพดีกว่าอื่น ๆ กฎการจัดหมวดหมู่แบบดั้งเดิม.
ลักษณนาม SVM ประเภทได้รับการพัฒนาสำหรับการจัดหมวดหมู่ข้อมูลอัตโนมัติของข้อมูลเมฆจากไปในภาพ
[21] และเมล็ดอื่น ๆ สำหรับการค้นพบวิธีการหากินของหิมะน้ำแข็งก้อนเมฆมี
รับการกล่าวถึงใน [22]

ผลลัพธ์ (ไทย) 2:

ข้อมูลสเปกตรัม โดยครอบคลุมที่ดินและที่ดินที่ใช้เรียน (LCLU) ในการ
แผนที่เฉพาะเรื่องลับ ถือเป็นหนึ่งในข้อมูลที่สำคัญที่สุดสำหรับแชมพู
ภาพตีความ มี priori ความรู้เกี่ยวกับภูมิภาคศึกษา เช่น LCLU ทั่วรัฐ
แผนที่ ช่วยให้เราสามารถระบุเว็บไซต์ฝึกอบรมที่เหมาะสม และใช้วิธีการจัดประเภทมี
ตามเครื่องสนับสนุนเวกเตอร์ (SVMs) นอกจากเทคนิคการจัดประเภท unsupervised
ชอบสัณฐานระบบคลัสเตอร์ หรือคณิตศาสตร์วิทยา [16] – [18] SVM เป็นนวนิยายเรียน
เครื่องตามทฤษฎีการเรียนรู้สถิติที่นำ โดยสคอทส์ Vapnik และ Burges [17], [18] .
มีการดำเนินการศึกษากำหนดโครงร่างการจัดประเภทตาม SVM ที่ดินครอบคลุมใช้
polarimetric สังเคราะห์แสงเรดาร์ (เขตบริหารพิเศษ) ภาพ [19] ใน [20], มันได้ถูกสรุปใช้
hyperspectal AVIRIS ภาพว่า SVM ที่ outperforms ที่อื่น ๆ จัดประเภทดั้งเดิมกฎ.
classifier SVM ชนิดที่ได้รับการพัฒนาสำหรับการจัดประเภทอัตโนมัติข้อมูลเมฆจากไป
ใน [21] และวิธีเคอร์เนลอื่น ๆ สำหรับการค้นพบหิมะ น้ำแข็ง unsupervised เมฆได้
ได้กล่าวถึงใน [22]

ผลลัพธ์ (ไทย) 3:

ข้อมูลความยาวคลื่นที่ลักษณะดินโดยฝาครอบและการใช้ประโยชน์จากที่ดิน( lclu )ชั้นเรียนในแผนที่
ซึ่งจะช่วยได้รับการจำแนกให้เป็นสาระสำคัญที่ได้รับการพิจารณาว่าเป็นหนึ่งในข้อมูลที่สำคัญสำหรับการแปล
ภาพ รีโมทคอนโทรลพร้อมด้วยการตรวจจับช่องเสียบ Priori ความรู้ที่เกี่ยวกับเขตพื้นที่การศึกษาเช่นแผนที่ lclu
ซึ่งจะช่วยรัฐ - หลากหลายที่ช่วยให้เราสามารถระบุไซต์การฝึกอบรมที่เหมาะสมและใช้วิธีการที่มีการตรวจสอบการแบ่ง ประเภท
ที่ใช้เครื่อง vector ( svms )มากกว่าโดยไม่ต้องมีการตรวจสอบโดยการใช้เทคนิคการจำแนก ประเภท ที่
เช่นคลัสเตอร์หรือทางคณิตศาสตร์รูปร่างลักษณะของหิน[ 16 ] - - [ 18 ] SVM เป็นชนิดใหม่ที่มีการเรียนรู้
เครื่องตามทฤษฎีการเรียนรู้ทางสถิติโดย สภานิติบัญญัติ vapnik และ burges [ 17 ][ 18 ]..
การศึกษาได้รับการจัดให้บริการการระบุปลายทางโครงสร้างการแบ่ง ประเภท SVM - - ซึ่งใช้สำหรับฝาครอบที่ดินโดยใช้
ช่องรับแสงกว้างทำจากเส้นใยสังเคราะห์ polarimetric เรดาร์( SAR ) ภาพ ...[ 19 ] ใน[ 20 ],มีการสรุปการใช้
hyperspectal aviris SVM ภาพ ที่ดีกว่าที่อื่นๆแบบดั้งเดิมการแบ่ง ประเภท กฎ.
ที่ SVM - ประเภท ข้าวได้รับการพัฒนาขึ้นมาโดยอัตโนมัติการจำแนก ประเภท ของก้อนเมฆข้อมูลจากไป
ภาพ ใน[ 21 ]และอื่นๆสำหรับวิธีการเคอร์เนลไม่มีการตรวจสอบการค้นพบของหิมะน้ำแข็ง,เมฆมี
รับการกล่าวถึงใน[ 22 ]