2.8. Performance of the classificat

2.8. Performance of the classification algorithm
The classification accuracy was assessed using pixel-wise and
polygon-wise overall accuracy (OA) that were calculated for each
PT. The pixel-wise OA is the number of correctly classified pixels divided by the number of classified pixels. Polygon-wise OA is
the number of correctly classified polygons divided by the number
of classified polygons. A polygon was considered correctly classified if a majority of the pixels within the polygon was classified in
the same class as that polygons class. A polygon was considered
classified if a majority of its pixels were classified into some of the
target classes. Non-vegetation pixels were excluded from the calculations. The percentage of unclassified vegetation pixels in the
image was calculated by dividing the number of unclassified pixels in the image by the total number of pixels in image, while the number of non-vegetation pixels was excluded. The percentage of
unclassified pixels within target and non-target polygons was calculated similarly, with the additional exclusion of shadow polygons
and pixels. Additionally, the percentage of unclassified target and
non-target polygons were calculated. Omission and commission
errors were studied for selected classifications.
3. Results
3.1. Reflectance data and MNF transformed data
MNF transformation condensed spectral variation into smaller
set of bands (Fig. 2). The classification tests with 8–14 MNF bands
yielded the highest pixel-wise OA (90.8%) with the first 12 MNF
bands (Table 2). As a comparison, the pixel-wise OA achieved with
all 64 spectral bands was 71.1%. The first 12 MNF bands were thus
used in the later classifications.
3.2. Effect of probability threshold
The pixel-wise OA remained constant (90.8%) for up to PT
0.3 while all pixels were classified (Fig. 3a). As PT was further
increased, OA started to increase while the percentage of unclassified vegetation pixels in image increased, respectively. By visual
interpretation, it was noted that the validation pixels that were first
left unclassified were on the edges of tree crowns and in other areas
where it was hard to find pure pixels, i.e., pixels which represent
only one species without shadowing or major soil effects. Polygonwise OA increased slightly slower than the pixel-wise OA as the
PT was increased. The percentage of unclassified pixels increased
faster within non-target polygons than within target polygons as
PT was increased (Fig. 3b). Similarly, the percentage of unclassified non-target polygons increased faster than the percentage of
unclassified target polygons (Fig. 3b).
3.3. Classification maps of the study area
The classifications reveal the general distribution patterns of the
studied crops and tree species in the study area (Fig. 4a and b).
Table 2
The pixel-wise overall accuracy (OA) for classifications with the first 8–14 minimum
noise fraction (MNF) bands.
Number of bands 8 9 10 11 12 13 14
OA (%) 89.8 90.0 90.3 90.4 90.8 90.3 90.0
Table 3
Pixel-wise confusion matrix with probability threshold (PT) of 0.0.
Validation data
Classification Aca Ban Gre Mai Man Sha Sug Yam Total
Unclassified 00000000 0 Acacia 325 0 29 3 10 1 0 12 380
Banana 2 312 0 1 19 1 23 7 365

ผลลัพธ์ (ไทย) 1:

2.8 การประสิทธิภาพการทำงานของอัลกอริทึมการจัดประเภทความถูกต้องประเภทถูกประเมินโดยใช้ pixel-wise และpolygon-wise รวมความถูกต้อง (OA) ที่คำนวณได้สำหรับแต่ละPT Pixel-wise OA คือ จำนวนพิกเซลที่ลับถูกหาร ด้วยจำนวนพิกเซลที่ลับ เป็น polygon-wise OAหมายเลขของรูปหลายเหลี่ยมลับถูกหาร ด้วยจำนวนของรูปหลายเหลี่ยมลับ รูปหลายเหลี่ยมถูกว่าถูกลับส่วนใหญ่ของพิกเซลในรูปหลายเหลี่ยมถูกจัดในชั้นเดียวเป็นชั้นที่รูปหลายเหลี่ยม ถือเป็นรูปหลายเหลี่ยมประเภทถ้าส่วนใหญ่ของพิกเซลถูกแบ่งของห้องเรียนเป้าหมาย พิกเซลของพืชไม่ถูกแยกออกจากการคำนวณ เปอร์เซ็นต์ของพืชไม่ได้แยกประเภทพิกเซลในตัวภาพถูกคำนวณ โดยการหารจำนวนพิกเซลที่ไม่ได้แยกประเภทในภาพโดยจำนวนรวมของพิกเซลในภาพ ในขณะที่จำนวนพิกเซลของพืชไม่ถูกคัดออก เปอร์เซ็นต์ของพิกเซลไม่ได้แยกประเภทภายในรูปหลายเหลี่ยมไม่ใช่เป้าหมายและเป้าหมายถูกคำนวณในทำนองเดียวกัน มีข้อยกเว้นที่เพิ่มเติมของเงารูปหลายเหลี่ยมและพิกเซล นอกจากนี้ เปอร์เซ็นต์ของเป้าหมายไม่ได้แยกประเภท และรูปหลายเหลี่ยมไม่ใช่เป้าหมายถูกคำนวณ กระทำการอันและค่าคอมมิชชันมีศึกษาข้อผิดพลาดสำหรับการจัดประเภทที่เลือก3. ผลลัพธ์3.1. ข้อมูลแบบสะท้อนแสงและบดข้อมูลที่แปลงแปลงบดบีบเปลี่ยนแปลงสเปกตรัมเป็นขนาดเล็กชุดของวง (Fig. 2) การจัดประเภททดสอบกับวงบด 8-14หา OA pixel-wise สูงสุด (ร้อยละ 90.8) กับบดก่อน 12วง (ตาราง 2) เป็นการเปรียบเทียบ OA pixel-wise ที่ประสบความสำเร็จได้แถบสเปกตรัมทั้งหมด 64 เป็น 71.1% วงบดก่อน 12 ได้ดังนั้นใช้ในการจัดประเภทในภายหลัง3.2. ผลของความน่าเป็นขีดจำกัดPixel-wise OA ยังคงคง (ร้อยละ 90.8) สำหรับถึง PT0.3 ขณะพิกเซลทั้งหมด ลับ (Fig. 3a) เป็น PT เพิ่มเติมเพิ่มขึ้น OA เริ่มเพิ่มขึ้นในขณะที่เปอร์เซ็นต์ของพิกเซลไม่ได้แยกประเภทพืชในภาพเพิ่มขึ้น ตามลำดับ โดย visualตี ถูกตั้งข้อสังเกตว่า พิกเซลตรวจสอบที่ถูกครั้งแรกซ้ายไม่ได้แยกประเภทอยู่บนขอบ ของครอบฟันต้นไม้ และ ในพื้นที่อื่น ๆที่ยากจะค้นหาพิกเซลบริสุทธิ์ เช่น พิกเซลที่แสดงชนิดเดียวเท่านั้น โดยไม่มีการแรเงาหรือหลักดินผลกระทบ Polygonwise OA เพิ่มขึ้นเล็กน้อยช้ากว่า OA pixel-wise เป็นการPT เพิ่มขึ้น เพิ่มเปอร์เซ็นต์ของพิกเซลที่ไม่ได้แยกประเภทเร็วภายในรูปหลายเหลี่ยมไม่ใช่เป้าหมายมากกว่าภายในรูปหลายเหลี่ยมเป้าหมายเป็นPT เพิ่มขึ้น (Fig. 3b) ในทำนองเดียวกัน เปอร์เซ็นต์ของรูปหลายเหลี่ยมไม่ใช่เป้าหมายไม่ได้แยกประเภทเพิ่มขึ้นเร็วกว่าเปอร์เซ็นต์ของเป้าหมายไม่ได้แยกประเภทรูปหลายเหลี่ยม (Fig. 3b)3.3 การจัดประเภทแผนผังของพื้นที่ศึกษาการจัดประเภทเปิดเผยแจกจ่ายทั่วไปรูปแบบของการศึกษาพืชและต้นไม้พันธุ์ในพื้นที่ศึกษา (Fig. 4a และ b)ตารางที่ 2ที่ pixel-wise (OA) ความถูกต้องโดยรวมการจัดประเภทด้วยอย่างน้อย 8 – 14 ครั้งแรกเสียงวงเศษ (บด)จำนวนวง 8 9 10 11 12 13 14OA (%) 89.8 90.0 90.3 90.4 90.8 90.3 90.0ตาราง 3เมตริกซ์ pixel-wise สับสนกับขีดจำกัดของความน่าเป็น (PT) ของ 0.0ตรวจสอบข้อมูลประเภทบ้าน Aca Gre เชียงใหม่คนช่า Sug ยำรวมไม่ได้แยกประเภท 00000000 เซีย 0 325 0 29 3 10 1 0 12 380กล้วย 2 312 0 1 19 1 23 7 365

ผลลัพธ์ (ไทย) 2:

2.8 ผลการดำเนินงานขั้นตอนวิธีการจัดหมวดหมู่ความถูกต้องของการจัดหมวดหมู่ที่ได้รับการประเมินโดยใช้พิกเซลที่ชาญฉลาดและความถูกต้องของรูปหลายเหลี่ยมที่ชาญฉลาดโดยรวม(OA) ที่ถูกคำนวณสำหรับแต่ละPT โอเอพิกเซลที่ชาญฉลาดคือจำนวนพิกเซลที่จัดได้อย่างถูกต้องหารด้วยจำนวนพิกเซลลับ โอรูปหลายเหลี่ยมฉลาดเป็นจำนวนรูปหลายเหลี่ยมจัดอย่างถูกต้องหารด้วยจำนวนรูปหลายเหลี่ยมจัด รูปหลายเหลี่ยมได้รับการพิจารณาอย่างถูกต้องถ้าจัดส่วนใหญ่ของพิกเซลภายในรูปหลายเหลี่ยมที่ถูกจัดให้อยู่ในระดับเดียวกับระดับที่รูปหลายเหลี่ยม รูปหลายเหลี่ยมได้รับการพิจารณาจัดถ้าส่วนใหญ่ของพิกเซลที่ถูกแบ่งออกเป็นบางส่วนของชั้นเรียนเป้าหมาย พิกเซลที่ไม่ใช่พืชได้รับการยกเว้นจากการคำนวณ ร้อยละของพิกเซลพืชไม่เป็นความลับในที่ภาพที่ได้รับการคำนวณโดยการหารจำนวนพิกเซลไม่เป็นความลับในภาพด้วยจำนวนพิกเซลในภาพขณะที่จำนวนของพิกเซลที่ไม่ใช่พืชได้รับการยกเว้น อัตราร้อยละของพิกเซลไม่เป็นความลับที่อยู่ในเป้าหมายและรูปหลายเหลี่ยมไม่ใช่เป้าหมายที่คำนวณได้ในทำนองเดียวกันกับการยกเว้นที่เพิ่มขึ้นของรูปหลายเหลี่ยมเงาและพิกเซล นอกจากนี้ร้อยละของเป้าหมายไม่เป็นความลับและรูปหลายเหลี่ยมไม่ใช่เป้าหมายที่ถูกคำนวณ และคณะกรรมการการละเลยข้อผิดพลาดที่มีการศึกษาการจำแนกประเภทที่เลือก. 3 ผล3.1 ข้อมูลและสะท้อนเอมเปลี่ยนข้อมูลการเปลี่ยนแปลงรูปแบบเอมข้นรางเป็นขนาดเล็กชุดของวงดนตรี(รูปที่. 2) การทดสอบการจัดหมวดหมู่ที่มีวงดนตรีที่ 8-14 เอมให้ผลสูงสุดโอพิกเซลที่ชาญฉลาด(90.8%) กับครั้งแรก 12 เอมวงดนตรี(ตารางที่ 2) การเปรียบเทียบที่โอเอพิกเซลฉลาดประสบความสำเร็จกับ64 วงดนตรีที่สเปกตรัมเป็น 71.1% ครั้งแรกที่ 12 วงดนตรีที่เอมจึงถูกนำมาใช้ในการจำแนกประเภทในภายหลัง. 3.2 ผลกระทบของความน่าจะเป็นเกณฑ์พิกเซลฉลาดโอเอยังคงคงที่ (90.8%) สำหรับ PT ถึง 0.3 ในขณะที่พิกเซลทั้งหมดถูกจัดให้ (รูป. 3a) ในฐานะที่ได้รับการต่อไป PT เพิ่มขึ้นโอเริ่มที่จะเพิ่มขึ้นในขณะที่ร้อยละของพิกเซลพืชไม่เป็นความลับในภาพที่เพิ่มขึ้นตามลำดับ โดยภาพการตีความมันก็ตั้งข้อสังเกตว่าพิกเซลการตรวจสอบที่ได้รับครั้งแรกที่เหลือไม่เป็นความลับอยู่บนขอบของครอบฟันต้นไม้และในพื้นที่อื่นๆที่มันเป็นเรื่องยากที่จะหาพิกเซลบริสุทธิ์คือพิกเซลซึ่งเป็นตัวแทนเพียงหนึ่งชนิดโดยไม่ต้องแชโดว์หรือผลดินที่สำคัญ. Polygonwise โอเอเพิ่มขึ้นช้ากว่าเล็กน้อยโอพิกเซลที่ชาญฉลาดเป็นPT เพิ่มขึ้น ร้อยละของพิกเซลไม่เป็นความลับที่เพิ่มขึ้นได้เร็วขึ้นภายในรูปหลายเหลี่ยมไม่ใช่เป้าหมายกว่าเป้าหมายภายในรูปหลายเหลี่ยมเป็นPT เพิ่มขึ้น (รูป. 3b) ในทำนองเดียวกันร้อยละของรูปหลายเหลี่ยมไม่ใช่เป้าหมายไม่เป็นความลับที่เพิ่มขึ้นเร็วกว่าอัตราร้อยละของรูปหลายเหลี่ยมเป้าหมายไม่เป็นความลับ (รูป. 3b). 3.3 แผนที่การจำแนกประเภทของพื้นที่ศึกษาจัดชั้นเผยให้เห็นรูปแบบการจัดจำหน่ายทั่วไปของพืชและศึกษาพันธุ์ไม้ในพื้นที่ศึกษา(รูป. 4a และ b). ตารางที่ 2 ความถูกต้องโดยรวมของพิกเซลที่ชาญฉลาด (OA) สำหรับการจำแนกประเภทกับครั้งแรกที่ 8 14 ขั้นต่ำส่วนเสียง(เอม) วงดนตรี. จำนวนวงดนตรีที่ 8 9 10 11 12 13 14 โอเอ (%) 89.8 90.0 90.3 90.4 90.8 90.3 90.0 ตารางที่ 3 เมทริกซ์สับสนพิกเซลที่ชาญฉลาดกับเกณฑ์ความน่าจะเป็น (PT) 0.0. การตรวจสอบข้อมูลการจำแนกประเภท Aca บ้าน Gre เชียงใหม่ผู้ชาย Sha Sug ยำรวมรับการจำแนกประเภทAcacia 00000000 0 325 0 29 3 10 1 0 12 380 กล้วย 312 2 0 1 1 19 23 7 365

ผลลัพธ์ (ไทย) 3:

2.8 . ประสิทธิภาพของขั้นตอนวิธีการจำแนก
ความแม่นยำในการจำแนกและการใช้ปัญญาและปัญญาพิกเซล
รูปหลายเหลี่ยมความถูกต้องโดยรวม ( OA ) ที่คำนวณสำหรับแต่ละ
pt . พิกเซลปัญญา OA คือจำนวนพิกเซลจำแนกถูกต้องแบ่งตามเอกสารลับของพิกเซล รูปหลายเหลี่ยมปัญญา OA คือ
จำนวนรูปหลายเหลี่ยมจำแนกถูกต้องแบ่งตามหมายเลข
ของแบ่งรูปหลายเหลี่ยมรูปหลายเหลี่ยมก็ถือว่าถูกต้องตามถ้าส่วนใหญ่ของพิกเซลภายในรูปหลายเหลี่ยมถูกแบ่ง
ห้องเดียวกับที่รูปหลายเหลี่ยมชั้นเรียน รูปหลายเหลี่ยมถือว่า
จัดถ้าส่วนใหญ่ของพิกเซลออกเป็นบางส่วนของ
เป้าหมายการเรียน ไม่ใช่พืชพิกเซลที่ได้รับการยกเว้นจากการคํานวณ เปอร์เซ็นต์ของการแยกประเภทพืชพิกเซล
ภาพถูกคำนวณโดยการหารจำนวน Unclassified พิกเซลในภาพด้วยจำนวนของพิกเซลในรูปในขณะที่จำนวนของพิกเซลบนพืชถูกแยกออก เปอร์เซ็นต์ของเป้าหมายและไม่แยกประเภท
พิกเซลภายในเป้าหมายรูปหลายเหลี่ยมคำนวณเช่นเดียวกันกับส่วนเพิ่มเติมของเงาและรูปหลายเหลี่ยม
พิกเซล นอกจากนี้ ร้อยละของเป้าหมายและ
ไม่มีประเภทรูปหลายเหลี่ยมบนเป้าหมายได้ ข้อผิดพลาดการละเลยและคณะกรรมการ
ศึกษาเลือกหมวดหมู่ .
3 ผลลัพธ์
3.1 . ข้อมูลและแปลงข้อมูลการแปลงค่าเอมเอม

ชุดรูปแบบสเปกตรัม ย่อลง วง ( รูปที่ 2 ) หมวดหมู่การทดสอบ 8 – 14 เอมวง
1 พิกเซลสูงสุดปัญญา OA ( ร้อยละ 90.8 ) กับครั้งแรก 12 เอม
วง ( ตารางที่ 2 ) โดยการเปรียบเทียบพิกเซลปัญญา OA บรรลุกับ
ทั้งหมด 64 วงสเปกตรัมเป็นร้อยละ 71.1 เปอร์เซ็นต์ วงแรก 12 เอม ) จึงใช้ในหมวดหมู่ในภายหลัง
.
2 . ผลของความน่าจะเป็นของพิกเซล
ฉลาด OA คงที่ ( ร้อยละ 90.8 ) ถึง PT
0.3 ในขณะที่ทุกจุด จำแนก ( รูปที่ 3 ) เป็นจุด ลดลง
เพิ่มขึ้นOA เริ่มเพิ่มขึ้น ในขณะที่ร้อยละของแยกประเภทพืชพิกเซลภาพที่เพิ่มขึ้นตามลำดับ โดยภาพ
การตีความ มันเป็นข้อสังเกตว่าตรวจสอบพิกเซลที่แรก
ซ้าย Unclassified อยู่บนขอบของครอบฟันต้นไม้และในพื้นที่
อื่น ๆ ซึ่งมันก็ยากที่จะหาพิกเซล บริสุทธิ์ เช่น พิกเซล ซึ่งเป็นเพียงชนิดเดียวโดยไม่มีเงา
หรือผลของดินที่สำคัญpolygonwise OA เพิ่มขึ้นช้ากว่าพิกเซลปัญญา OA เป็น
PT เพิ่มขึ้น ร้อยละของพิกเซลเพิ่มขึ้น
เร็วภายในไม่แยกประเภทเป้าหมายรูปหลายเหลี่ยมกว่าภายในรูปหลายเหลี่ยมเป้าหมาย
PT เพิ่มขึ้น ( รูปที่ 3B ) พบว่า ร้อยละของเป้าหมายเพิ่มขึ้นเร็วกว่ารูปหลายเหลี่ยม Unclassified ไม่ใช่ค่า
Unclassified เป้าหมาย ( รูปที่ 3B รูปหลายเหลี่ยม )
3 .แผนที่แบ่งพื้นที่ศึกษา
หมวดหมู่เปิดเผยกระจายทั่วไป รูปแบบของ
เรียนพืชและพรรณไม้ในพื้นที่ศึกษา ( รูปที่ 4 และ B )
2
ตารางพิกเซลปัญญาความถูกต้องโดยรวม ( OA ) สำหรับการจำแนกประเภทกับครั้งแรก 8 – 14 ต่ำสุด
เสียงเศษส่วน ( เอม ) วงดนตรี
หมายเลข วง 8 9 10 11 12 13 14
OA ( % ) 89.8 90.0 90.3 90.4 90.8 90.3 90.0
3
โต๊ะพิกเซลปัญญาสับสนเมทริกซ์กับความน่าจะเป็นธรณีประตู ( PT ) 0.0 .

ตรวจสอบข้อมูลการจำแนก ACA บ้าน GRE เชียงใหม่คนซาซัคยำรวม
Unclassified , กระถิน 325 0 29 0 1 0 3 10 12 380
กล้วย 2 312 0 1 19 1 23 7 365