SAR data are less frequently used i

SAR data are less frequently used in land-cover classifi cation studies
than optical data, yet they can be an important alternative or complementary data source for areas with persistent cloud cover. In Earth Obse rv a ti on an d wi th SA R da ta in pa rt ic u la r, we a re u su a lly fa c ed wi th
high-d imension al datase ts. More soph isticat ed class ifi ers are needed
to deal with such data, and machine learning algorithms such as SVM
an d RF ar e a mon g the mo st ef fe cti ve m eth ods cur rent ly av ai la ble . In
th is s tu dy we h av e p re se n te d on e of th e fi rs t kn own a pp li c a ti ons of
the Extremely Randomised Trees (ERT) algorithm for grassland discrimination using SAR data. The results provide for the fi rst time fi ne spatial
resolution land cover classifi cations for two counties in Ireland, showing
the spatial distribution of different grassland classes based on the integration of multi-temporal, multi-sensor C- and L-band SAR and ancillary
soils and elevation data. All three algorithms produce high classifi cation
accuracies for both study areas. The best results are achieved when both
frequencies are used in the classifi cations, agreeing with previous studies which have highlighted the limitations of using single polarisation
a nd fr eq ue n c y da ta ( Blaes, Vanhalle, & Defourny, 2005; Ferrazzoli,
Guerriero, & Schiavon, 1999). An almost consistent, although at times
moderate, superiority of ERT over RF and SVMs was observed for all
datasets. Consistent with the results of Loosvelt, Peters, Skriver,
Lievens, et al. (2012), a decrease in the number of variables led to a
strong reduction in the data dimensionality and a more parsimonious
dataset with increased overall accuracies. Overall, the high accuracies
are very encouraging and the presented approach has demonstrated
comparable results for two different large and heterogeneous areas.
This is an important aspect in terms of the operational viability of the
approach in being applied on a national scale across all counties in
Ireland. If carried out nationally on an annual basis, the classifications
could contribute to future assessments of Ireland's greenhouse gas
(GHG) inventory for the (extended) Kyoto protocol (2013–2020), EU
reporting and other national assessment requirements. This will be critical for monitoring the impacts of achieving the productivity and environmental sustainability targets as set out in Food Harvest 2020 and
the Green Low-Carbon Agri-Environmental Scheme (GLAS)

ผลลัพธ์ (ไทย) 1:

ข้อมูลปีการศึกษาน้อยมักใช้ในการศึกษาครอบคลุมที่ดิน classifi cationกว่าข้อมูลแสง ยังจะได้มีแหล่งข้อมูลสำรอง หรือเสริมสำคัญสำหรับพื้นที่ที่มีเมฆแบบครอบคลุม ในโลก Obse rv ตี้บน d SA th อินเตอร์อาร์ดาตา ในป่า rt ic u ลา r เราเป็น re su ยู lly fa c ed อินเตอร์ thสูง-d imension al datase ts Isticat soph เพิ่มเติม ed คลาส ifi สกู๊ปจำเป็นการจัดการกับข้อมูลดังกล่าว เครื่องอัลกอริทึมการเรียนรู้เช่น SVMd e ar RF g มอญเมาะเซนต์ ef fe cti ve m eth ods ปัจจุบันเช่าลี av ไอลา ble ในth เป็น s ตู dy เรา p e h av ใหม่ te se n d บน e th อีสายเอสทีช็อปปิ้งส่วนตี้ของซีลี่เป็น pp เองขั้นตอนวิธีมาก Randomised ต้นไม้ (ERT) สำหรับกราสแลนด์แบ่งแยกโดยใช้ข้อมูลปีการศึกษา ให้ผลลัพธ์ fi rst เวลาสายมุปริภูมิแก้ปัญหาที่ดินครอบคลุม classifi เป็นของหายากในเขตสองประเทศไอร์แลนด์ แสดงการกระจายของคลาสกราสแลนด์ที่แตกต่างกันขึ้นอยู่กับการรวมหลายขมับ เซ็นเซอร์หลาย C - และ L-ดนตรีปีการศึกษาและค่าดินเนื้อปูนและข้อมูลระดับ อัลกอริทึมทั้งสามทั้งหมดผลิต cation classifi สูงaccuracies ทั้งศึกษาพื้นที่ ผลลัพธ์ที่ได้เมื่อทั้งสองความถี่ที่ใช้ในการ classifi เป็นของหายาก เงื่อนไขกับการศึกษาก่อนหน้านี้ที่มีข้อจำกัดของการใช้เร่งเดี่ยวที่เน้นเป็น nd fr eq ue n c y ดาตา (Blaes, Vanhalle, & Defourny, 2005 FerrazzoliGuerriero, & Schiavon, 1999) มีเกือบสม่ำเสมอ ถึงแม้ว่าบางครั้งปานกลาง superiority ของ ERT RF และ SVMs ถูกตรวจสอบทั้งหมดdatasets สอดคล้องกับผลลัพธ์ของ Peters, Loosvelt, SkriverLievens, et al. (2012), การลดจำนวนตัวแปรที่นำไปสู่การลดแรงในการ dimensionality ข้อมูลและ parsimonious มากขึ้นชุดข้อมูล ด้วย accuracies โดยรวมเพิ่มขึ้น โดยรวม accuracies สูงมีกำลังใจมากและวิธีการนำเสนอได้สาธิตผลลัพธ์เทียบเท่าการสองแตกต่างกันมาก และแตกต่างกันเป็นข้อมูลด้านต่าง ๆ ที่สำคัญในชีวิตการทำงานของการวิธีการในการใช้ในระดับชาติในเขตทั้งหมดในไอร์แลนด์ ถ้าทำผลงานเป็นประจำ การจัดประเภทสามารถนำไปสู่การประเมินก๊าซเรือนกระจกของไอร์แลนด์ในอนาคตสินค้าคงคลัง (GHG) สำหรับการ (ขยาย) พิธีสารเกียวโต (2013-2020), สหภาพยุโรปต้องประเมินแห่งชาติรายงาน และอื่น ๆ นี้จะสำคัญสำหรับการตรวจสอบผลกระทบต่อการบรรลุเป้าหมายผลผลิตและรักษาสภาพแวดล้อมเป้าหมายใน 2020 เก็บเกี่ยวอาหาร และสีเขียวต่ำคาร์บอนสิ่งแวดล้อม Agri โครงร่าง (GLAS)

ผลลัพธ์ (ไทย) 2:

ข้อมูล SAR มักมีการใช้น้อยในแผ่นดินปกศึกษาไอออนบวก classifi
กว่าข้อมูลออปติคอลพวกเขาก็ยังสามารถจะเป็นทางเลือกที่สำคัญหรือแหล่งข้อมูลที่สมบูรณ์สำหรับพื้นที่ที่มีเมฆปกคลุมถาวร ในโลก Obse RV ทิงในวันที่ไร้ SA R ดาตาในปีอาร์ไอซียูอาลาเราอีกครั้งยูซู lly
ฟะคเอ็ดไร้ชั้นสูงd imension อัลทีเอ datase เทื isticat เพิ่มเติมเอ็ดชั้น ERS IFI
ที่มีความจำเป็นในการจัดการกับข้อมูลดังกล่าวและขั้นตอนวิธีการเรียนรู้เครื่องเช่นSVM
ง RF เท่นเอจันทร์กรัมโมเซนต์ EF fe CTI ได้มผลประโยชน์ทับซ้อนเช่าเลว ODS เหมือนกระแส ai เบิ้ลลา ในวันที่มีการ s เฉิงตู DY เราเอชอีกระแสใหม่ SE n เต้งใน e ของ e สาย ณ อาร์เอสที kn เป็นเจ้าของได้ pp li แคลิฟอร์เนียทิ ons ของต้นไม้แบบสุ่มมาก(ERT) อัลกอริทึมสำหรับการเลือกปฏิบัติทุ่งหญ้าโดยใช้ข้อมูล SAR ผลการจัดให้มีสายไฟครั้งแรกเนบราสก้าเชิงพื้นที่ความละเอียดที่ดินปกไพเพอร์ classifi สำหรับสองมณฑลในไอร์แลนด์แสดงการกระจายของการเรียนที่แตกต่างกันทุ่งหญ้าบนพื้นฐานของการรวมตัวกันของหลายชั่วC- หลายเซ็นเซอร์และ L-วง SAR และ ขึ้นอยู่กับดินและข้อมูลระดับความสูง ทั้งสามขั้นตอนวิธีการผลิตไอออนบวก classifi สูงความถูกต้องสำหรับพื้นที่การศึกษาทั้ง ผลลัพธ์ที่ดีที่สุดจะประสบความสำเร็จเมื่อทั้งสองความถี่ที่ใช้ในไพเพอร์ classifi ที่เห็นด้วยกับการศึกษาก่อนหน้านี้ซึ่งได้เน้นข้อ จำกัด ของการใช้ขั้วเดียวครั้งเEQ UE ncy ดาตา (Blaes, Vanhalle และ Defourny, 2005; Ferrazzoli, Guerriero, และสกีอาวอน, 1999) สอดคล้องเกือบถึงแม้ว่าในช่วงเวลาปานกลางเหนือกว่าของหน่วยแพทย์ฉุกเฉินในช่วงคลื่นความถี่วิทยุและจำแนกเป็นข้อสังเกตสำหรับทุกชุด สอดคล้องกับผลการ Loosvelt ที่ปีเตอร์ส Skriver, Lievens, et al (2012) ลดลงในจำนวนของตัวแปรที่นำไปสู่การลดลงที่แข็งแกร่งในมิติข้อมูลและประหยัดมากขึ้นชุดข้อมูลที่มีความถูกต้องโดยรวมเพิ่มขึ้น โดยรวมแล้วความถูกต้องสูงเป็นกำลังใจที่ดีและวิธีการที่นำเสนอได้แสดงให้เห็นผลการเทียบเคียงสำหรับสองที่แตกต่างกันพื้นที่ขนาดใหญ่และขนาดที่แตกต่างกัน. นี้เป็นสิ่งสำคัญในแง่ของศักยภาพการดำเนินงานของวิธีการในการที่จะถูกนำไปใช้ในระดับชาติทั่วทุกจังหวัดในไอร์แลนด์. หากดำเนินการในระดับประเทศเป็นประจำทุกปีจำแนกประเภทอาจนำไปสู่การประเมินอนาคตของก๊าซเรือนกระจกของไอร์แลนด์(GHG) สำหรับสินค้าคงคลัง (ขยาย) เกียวโตโปรโตคอล (2013-2020) ของสหภาพยุโรปรายงานและข้อกำหนดอื่นๆ การประเมินระดับชาติ นี้จะมีความสำคัญสำหรับการตรวจสอบผลกระทบของการบรรลุเป้าหมายการผลิตและความยั่งยืนด้านสิ่งแวดล้อมที่กำหนดไว้ในอาหารเก็บเกี่ยวปี 2020 และกรีนต่ำคาร์บอนโครงการเกษตรสิ่งแวดล้อม(กลาส)

ผลลัพธ์ (ไทย) 3:

ข้อมูล SAR จะน้อยกว่าที่ใช้บ่อยในแผ่นดินครอบคลุมการศึกษาข้อมูล classifi
กว่าแสง แต่พวกเขาสามารถเป็นทางเลือกที่สำคัญหรือแหล่งข้อมูลสำหรับพื้นที่ที่มีเมฆหมอกปกคลุม หมั่นประกอบ . โลก obse RV เป็น Ti ใน wi th r d ซาดาทาใน Pa RT IC u la R เราอีกครั้ง ยู ซู เฮลท์ เอฟเอ ซีเอ็ด Wi TH
high-d imension อัล datase TS มากกว่าโซฟ isticat ed คลาส IFI ERS เป็น
เพื่อจัดการกับข้อมูลดังกล่าวและเครื่องอัลกอริทึมการเรียนรู้เช่น SVM
d RF ar E เป็นตัว G โมเซนต์ EF Fe CTI ได้ M ETH ODS cur ให้เช่าหลี AV ไอลา ble . ใน th เป็น S
Tu ดี้เรา H AV E P Re se n Te d e e th Fi RS T KN เป็นเจ้าของ PP หลี่ C Ti ส่วนเสริมของ
มากต้นไม้ ( ERT ) ด้านอัลกอริทึมสำหรับการแบ่งแยกทุ่งหญ้าโดยใช้ข้อมูลข ผลให้ RST fi fi ne
เชิงเวลาความละเอียดของสิ่งปกคลุมดิน classifi แคตสองจังหวัดในไอร์แลนด์ , การแสดง
การกระจายเชิงพื้นที่ของชั้นเรียนทุ่งหญ้าที่แตกต่างกันขึ้นอยู่กับการบูรณาการหลายเวลา multi-sensor C - และ SAR กระทันหันและดิน ancillary
และข้อมูลระดับความสูง ทั้งสามขั้นตอนวิธีการสร้างความถูกต้อง
classifi สูงทั้งการศึกษาพื้นที่ ผลลัพธ์ที่ดีที่สุดจะเกิดขึ้นได้เมื่อทั้ง
ความถี่ที่ใช้ใน classifi ไอออนบวก เห็นด้วยกับการศึกษาก่อนหน้านี้ ซึ่งต้องเน้นข้อ จำกัด ของการใช้
โพลาไรเซชันเดียวครั้ง fr EQ UE N C Y ดาต้า ( blaes vanhalle & , , defourny , 2005 ; ferrazzoli
guerriero , & schiavon , 1999 ) การสอดคล้องกันเกือบ แม้ว่าในบางครั้ง
ปานกลาง ความเหนือกว่าของ ERT กว่า RF และแบบสังเกตทุก
ชุดข้อมูลสอดคล้องกับผลของ loosvelt ปีเตอร์ skriver
, , lievens et al . ( 2012 ) , การลดลงของจำนวนตัวแปรนำไปสู่
แข็งแรงลดข้อมูลและข้อมูล dimensionality ตระหนี่
มากขึ้นด้วยเพิ่มขึ้นโดยรวมความถูกต้อง . โดยรวม , ความถูกต้องสูง
จะเล็กมาก และเสนอแนวทางให้มี
ผลการเทียบเคียงสำหรับสองพื้นที่ขนาดใหญ่และแตกต่างกันที่แตกต่างกัน .
นี้เป็นสิ่งสําคัญในแง่ของศักยภาพการดำเนินงานของแนวทางในการประยุกต์
ในระดับชาติระดับทั่วทุกจังหวัดใน
ไอร์แลนด์ ถ้าดำเนินการในระดับชาติ ในแต่ละปี หมวดหมู่
อาจนำไปสู่การประเมินในอนาคตของไอร์แลนด์ก๊าซเรือนกระจก
( ก๊าซเรือนกระจก ) สินค้าคงคลัง ( ขยาย ) พิธีสารเกียวโต ( 2013 ( 2020 ) , รายงานอียู
และความต้องการการประเมินอื่น ๆ นี้จะสำคัญสำหรับการตรวจสอบผลกระทบของการบรรลุประสิทธิภาพและความยั่งยืนด้านสิ่งแวดล้อมเป้าหมายตามที่กําหนดในการเก็บเกี่ยวอาหาร 2020 และ
สีเขียวคาร์บอนต่ำ โครงการเกษตรสิ่งแวดล้อม ( แก้ว )