We used random-forest regression to

We used random-forest regression to separately estimate vegetation cover from 2 vegetation indices, the Normalized Difference Vegetation Index (NDVI) and the Modified l Adjusted Vegetation Index (MSAVI 2 ), derived from multispectral WorldView-2 data (1.8 m). The good model fit of R 2 5 0.79 indicates the great potential of a remote-sensing approach for the observation of grassland cover. We used the modeled relationship to produce a vegetation cover map, which showed large areas of grassland degradation.

ผลลัพธ์ (ไทย) 1:

เราใช้สุ่มป่าถดถอยแยกกันประเมินครอบคลุมพืชจากพืช 2 ดัชนี การตามปกติแตกต่างพืชดัชนี (NDVI) และ l ปรับปรับปรุงดัชนีพืช (MSAVI 2), มาจากโลกทัศน์-2 ข้อมูล multispectral (1.8 ม.) แบบจำลองดีพอของ R 2 5 0.79 แสดงศักยภาพที่ดีของวิธีการตรวจจับระยะไกลสำหรับการสังเกตปกทุ่งหญ้า เราสามารถใช้ความสัมพันธ์ที่สร้างแบบจำลองในการผลิตแผนที่ครอบคลุมพืช ซึ่งแสดงให้เห็นพื้นที่ขนาดใหญ่ของทุ่งหญ้าย่อยสลาย

ผลลัพธ์ (ไทย) 2:

เราใช้การถดถอยแบบสุ่มป่าแยกประเมินพืชพรรณจาก 2 ดัชนีพืชที่ปกติแตกต่างดัชนีพืชพรรณ (NDVI) และดัดแปลง L ดัชนีปรับพืช (MSAVI 2) มาจาก multispectral ข้อมูล WorldView-2 (1.8 เมตร) รูปแบบแบบที่ดีของ R 2 5 0.79 แสดงให้เห็นถึงศักยภาพที่ดีของวิธีการตรวจวัดระยะไกลสำหรับการสังเกตของฝาครอบทุ่งหญ้า เราใช้ความสัมพันธ์แบบจำลองในการผลิตพืชแผนที่ปกซึ่งแสดงให้เห็นพื้นที่ขนาดใหญ่ของการย่อยสลายทุ่งหญ้า.

ผลลัพธ์ (ไทย) 3:

เราใช้การสุ่มแยกประเมินครอบคลุมพืชป่าพืชจาก 2 ดัชนีความแตกต่างค่าดัชนีพืชพรรณและแก้ไขผมปรับดัชนีพืชพรรณ ( msavi 2 ) ที่ได้จากข้อมูล worldview-2 3 ( 1.8 เมตร ) แบบพอดี R 2 5 2 แสดงศักยภาพที่ดีของการรับรู้จากระยะไกลแนวทางการสังเกตของทุ่งหญ้าปกคลุม เราใช้แบบจำลองความสัมพันธ์ในการผลิตพืชคลุมแผนที่ ซึ่งมีพื้นที่ขนาดใหญ่ของการย่อยสลายทุ่งหญ้า