The International Archives of the P

The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-4/C7

OBJECT-BASED CLASSIFICATION VS. PIXEL-BASED CLASSIFICATION:
COMPARITIVE IMPORTANCE OF MULTI-RESOLUTION IMAGERY

Robert C. Weih, Jr. and Norman D. Riggan, Jr.

Arkansas Forest Resources Center, University of Arkansas at Monticello, School of Forest Resources,
Spatial Analysis Laboratory, 110 University Court, Monticello, Arkansas 71656 (weih@uamont.edu
)

Commission VI, WG IV/4
KEY WORDS: LULC, Feature Analyst, Object-Based Classification, Supervised Classification, Unsupervised Classification, PCA,
Multi Resolution
ABSTRACT:

Land Use/Land Cover (LULC) classifications have proven to be valuable assets for resource managers interested in landscape
characteristics and the changes that occur over time. This study made a comparison of an object-based classification with supervised
and unsupervised pixel-based classification. Two multi-temporal (leaf-on and leaf-off), medium-spatial resolution SPOT-5 satellite
images and a high-spatial resolution color infrared digital orthophoto were used in the analysis. Combinations of these three images
were merged to evaluate the relative importance of multi-temporal and multi-spatial imagery to classification accuracy. The object-
based classification using all three-image datasets produced the highest overall accuracy (82.0%), while the object-based
classification using the high-spatial resolution image merged with the SPOT-5 leaf-off image had the second highest overall
accuracy (78.2%). While not significantly different from each other, these two object-based classifications were statistically
significantly different from the other classifications. The presence of the high-spatial resolution imagery had a greater impact on
improving overall accuracy than the multi-temporal dataset, especially with the object-based classifications.

1. INTRODUCTION

Remotely sensed imagery, in the form of satellite and aerial
photography, has become an indispensable tool in resource
management and in numerous areas of scientific research. A
study by McRoberts and Tomppo (2007) of national forest
inventories in Europe, reported that remotely sensed data not
only increased the speed, cost efficiency, precision, and
timeliness of forest inventories, but also contributed to the
development of maps of forest attributes with spatial
resolutions and accuracies not previously possible. Methods
have been developed for the mapping of large-scale forest
cover change (Fraser et al., 2005) and estimating the extent of
burned areas (Gitas et al., 2004). Likewise, new analytical
techniques have been developed for mapping of urbanization
and urban sprawl (Xian and Crane, 2005).

In the past, most LULC classifications have been created using
a pixel-based analysis of remotely sensed imagery. They used
either a supervised classification, unsupervised classification or
some combination (Enderle and Weih, 2005). These pixelbased
procedures
analyze
the spectral
properties
of
every
pixel

within
the
area
of
interest,
without
taking
into
account
the

spatial
or
contextual
information
related
to
the
pixel
of
interest.

With
the growing availability
of
higher
resolution
imagery,
this

spatial
information
could
be
used
to
produce
more
accurate

LULC
classifications
(De Jong
et al.,
2001;
Dwivedi
et al.,

2004).

Researchers
have
generally
found
that
when
pixel-based

methods
are applied
to
high-resolution
images
a “salt
and

pepper”
effect
was
produced
that
contributed
to
the inaccuracy

of
the
classification
(Campagnolo
and
Cerdeira,
2007;
De Jong

et
al.,
2001;
Gao
and Mas,
2008;
Van
de Voorde
et al.,
2004).

For
decades,
GIS
specialists
have
theorized
about
the

possibility
of developing
a fully
automated
classification

procedure
that
would
be
an improvement
over pixel-based

procedures (Blaschke et al., 2000; Csatho et al., 1999; Marpa et
al., 2006). Computer software packages such as eCognition

and Feature Analyst
®
have been developed utilizing objectbased
classification
procedures.
These
packages
analyze
both

the
spectral
and
spatial/contextual
properties
of
pixels
and
use
a

segmentation
process
and
iterative
learning
algorithm
to

achieve
a semi-automatic
classification
procedure
that
promises

to
be
more
accurate
than
traditional
pixel-based
methods

(Blundell
and
Opitz,
2006;
Grenzdörffer,
2005;
Hay
and

Castilla,
2006).

The
first objective
of
this
study was
to
compare
the
three

methodologies
(object-based,
supervised
and
unsupervised

pixel-based
classifications).
This
objective
will determine if
an
object-based
analysis
of
remotely
sensed imagery
will produce
a
LULC
classification
that
is
statistically
more
accurate
than
a

pixel-based
analysis
when
applied
to
the
same
imagery.
The

second
objective
was
to
determine
the
relative
importance
of
multi-resolution
image
datasets
to
classification
accuracy
for

the
above
methods.

2. METHODS
2.1 Study Area

The study area was located in and around the city of Hot
Springs, Garland County, Arkansas (Figure 1), and included
Hot Springs National Park. Hot Springs National Park is
approximately 2,250 hectares, while the study area was
approximately 16,850 hectares. The study area includes
features such as the city reservoir, the city landfill, golf courses,
county parks, and several rock quarries. While having some
urban areas, the study area was predominantly rural, consisting
of fields and pastures, pine plantations, shortleaf (Pinus
echinata) and loblolly (P. taeda), deciduous, oaks (Quercus
spp.) and hickories (Carya spp.), mixed forests and some urban
areas. Hot Springs is at the foothills of the Ouachita Mountains,
with elevations in the study area ranging from 107 to 433
meters.
®

Robert C. Weih, Jr. and Norman D. Riggan, Jr.

Arkansas Forest Resources Center, University of Arkansas at Monticello, School of Forest Resources, 
Spatial Analysis Laboratory, 110 University Court, Monticello, Arkansas 71656 (weih@uamont.edu
)

Commission VI, WG IV/4 
KEY WORDS: LULC, Feature Analyst, Object-Based Classification, Supervised Classification, Unsupervised Classification, PCA,
Multi Resolution 
ABSTRACT:
 
Land Use/Land Cover (LULC) classifications have proven to be valuable assets for resource managers interested in landscape
characteristics and the changes that occur over time. This study made a comparison of an object-based classification with supervised
and unsupervised pixel-based classification. Two multi-temporal (leaf-on and leaf-off), medium-spatial resolution SPOT-5 satellite
images and a high-spatial resolution color infrared digital orthophoto were used in the analysis. Combinations of these three images
were merged to evaluate the relative importance of multi-temporal and multi-spatial imagery to classification accuracy. The object-
based classification using all three-image datasets produced the highest overall accuracy (82.0%), while the object-based 
classification using the high-spatial resolution image merged with the SPOT-5 leaf-off image had the second highest overall
accuracy (78.2%). While not significantly different from each other, these two object-based classifications were statistically
significantly different from the other classifications. The presence of the high-spatial resolution imagery had a greater impact on
improving overall accuracy than the multi-temporal dataset, especially with the object-based classifications.

1. INTRODUCTION
 
Remotely sensed imagery, in the form of satellite and aerial
photography, has become an indispensable tool in resource
management and in numerous areas of scientific research. A
study by McRoberts and Tomppo (2007) of national forest
inventories in Europe, reported that remotely sensed data not
only increased the speed, cost efficiency, precision, and
timeliness of forest inventories, but also contributed to the
development of maps of forest attributes with spatial
resolutions and accuracies not previously possible. Methods
have been developed for the mapping of large-scale forest
cover change (Fraser et al., 2005) and estimating the extent of
burned areas (Gitas et al., 2004). Likewise, new analytical
techniques have been developed for mapping of urbanization
and urban sprawl (Xian and Crane, 2005).

In the past, most LULC classifications have been created using
a pixel-based analysis of remotely sensed imagery. They used 
either a supervised classification, unsupervised classification or
some combination (Enderle and Weih, 2005). These pixelbased
procedures
analyze
the spectral
properties
of
every
pixel

within
the
area
of
interest,
without
taking
into
account
the

spatial
or
contextual
information
related
to
the
pixel
of
interest.

With
the growing availability
of
higher
resolution
imagery,
this

spatial
information
could
be
used
to
produce
more
accurate

LULC
classifications
(De Jong
et al.,
2001;
Dwivedi
et al.,

2004).

Researchers
have
generally
found
that
when
pixel-based

methods
are applied
to
high-resolution
images
a “salt
and

pepper”
effect
was
produced
that
contributed
to
the inaccuracy

of
the
classification
(Campagnolo
and
Cerdeira,
2007;
De Jong

et
al.,
2001;
Gao
and Mas,
2008;
Van
de Voorde
et al.,
2004).

For
decades,
GIS
specialists
have
theorized
about
the

possibility
of developing
a fully
automated
classification

procedure
that
would
be
an improvement
over pixel-based

procedures (Blaschke et al., 2000; Csatho et al., 1999; Marpa et
al., 2006). Computer software packages such as eCognition

and Feature Analyst
®
 have been developed utilizing objectbased
classification
procedures.
These
packages
analyze
both

the
spectral
and
spatial/contextual
properties
of
pixels
and
use
a

segmentation
process
and
iterative
learning
algorithm
to

achieve
a semi-automatic
classification
procedure
that
promises

to
be
more
accurate
than
traditional
pixel-based
methods

(Blundell
and
Opitz,
2006;
Grenzdörffer,
2005;
Hay
and

Castilla,
2006).

The
first objective
of
this
study was
to
compare
the
three

methodologies
(object-based,
supervised
and
unsupervised

pixel-based
classifications).
This
objective
will determine if
an
object-based
analysis
of
remotely
sensed imagery
will produce
a
LULC
classification
that
is
statistically
more
accurate
than
a

pixel-based
analysis
when
applied
to
the
same
imagery.
 The

second
objective
was
to
determine
the
relative
importance
of
multi-resolution
image
datasets
to
classification
accuracy
for

the
above
methods.

2. METHODS
2.1 Study Area

The study area was located in and around the city of Hot
Springs, Garland County, Arkansas (Figure 1), and included
Hot Springs National Park. Hot Springs National Park is
approximately 2,250 hectares, while the study area was
approximately 16,850 hectares. The study area includes
features such as the city reservoir, the city landfill, golf courses,
county parks, and several rock quarries. While having some
urban areas, the study area was predominantly rural, consisting
of fields and pastures, pine plantations, shortleaf (Pinus
echinata) and loblolly (P. taeda), deciduous, oaks (Quercus
spp.) and hickories (Carya spp.), mixed forests and some urban
areas. Hot Springs is at the foothills of the Ouachita Mountains,
with elevations in the study area ranging from 107 to 433
meters. 
®

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

จดหมายเหตุระหว่างประเทศของภาพถ่ายทางอากาศ, การสำรวจระยะไกลและวิทยาศาสตร์ข้อมูลเชิงพื้นที่ปริมาตร xxxviii-4/c7

การจัดหมวดหมู่การจำแนกวัตถุที่ใช้เทียบกับพิกเซลที่ใช้:
Comparitive สำคัญหลายภาพความละเอียด

Robert C weih จูเนียร์ และนอร์แมน d riggan จูเนียร์

อาร์คันซอทรัพยากรป่าไม้ศูนย์มหาวิทยาลัยอาร์คันซอที่มอนติเซลโลโรงเรียนของทรัพยากรป่า
ห้องปฏิบัติการวิเคราะห์อวกาศ, 110 มหาวิทยาลัยศาลมอนติเซลโล, อาร์คันซอ 71656 (weih@uamont.edu
)

คณะกรรมการ vi, wg iv / 4
คำสำคัญ: lulc นักวิเคราะห์คุณลักษณะการจำแนกวัตถุที่ใช้การจำแนกภายใต้การดูแลการจัดหมวดหมู่แบ่ง, PCA

ความละเอียดหลายนามธรรม:

ที่ดินครอบคลุมการใช้งาน / การจำแนกประเภทที่ดิน (lulc) ได้พิสูจน์แล้วว่าเป็นทรัพย์สินที่มีค่าสำหรับผู้จัดการทรัพยากรที่สนใจในลักษณะ
ภูมิทัศน์และการเปลี่ยนแปลงที่เกิดขึ้นเมื่อเวลาผ่านไป การศึกษานี้ทำจากการเปรียบเทียบการจัดหมวดหมู่ของวัตถุที่ใช้กับ
ภายใต้การดูแลใกล้ชิดและการจัดหมวดหมู่ตามพิกเซล สองหลายชั่วขณะ (ใบและใบปิด), กลางอวกาศมติจุด-5 ดาวเทียม
ภาพและสีความละเอียดสูงอวกาศอินฟราเรด ortho ระบบดิจิตอลถูกนำมาใช้ในการวิเคราะห์ การรวมกันของทั้งสาม
ภาพรวมในการประเมินความสำคัญของภาพหลายชั่วขณะและหลายพื้นที่เพื่อความถูกต้องของการจัดหมวดหมู่ วัตถุ-
การจำแนกโดยใช้ชุดข้อมูลสามภาพทั้งหมดที่ผลิตโดยรวมของความถูกต้องที่สูงที่สุด (82.0%) ในขณะที่วัตถุที่ใช้
การจัดหมวดหมู่การใช้ภาพความละเอียดสูงของพื้นที่รวมกับจุด-5 ภาพใบปิดมีความถูกต้องที่สองรวมสูงสุด
(78.2%) ในขณะที่ไม่แตกต่างกันอย่างมีนัยสำคัญจากกันและกันทั้งสองจำแนกประเภทวัตถุที่ใช้เป็นทางสถิติอย่างมีนัยสำคัญที่แตกต่างกัน
จากการจำแนกประเภทอื่น ๆ การปรากฏตัวของภาพความละเอียดสูงของพื้นที่มีผลกระทบมากขึ้นใน
การปรับปรุงความถูกต้องโดยรวมกว่าชุดข้อมูลหลายชั่วขณะโดยเฉพาะอย่างยิ่งกับการจำแนกประเภทวัตถุที่ใช้.

1 การแนะนำ

จากระยะไกลรู้สึกภาพในรูปแบบของดาวเทียมและการถ่ายภาพ
ทางอากาศได้กลายเป็นเครื่องมือที่จำเป็นในการจัดการทรัพยากร
และในหลายพื้นที่ของการวิจัยทางวิทยาศาสตร์ การศึกษา
โดย McRoberts และ tomppo (2007) จากป่าสงวนแห่งชาติ
สินค้าคงเหลือในยุโรปรายงานว่าจากระยะไกลรู้สึกข้อมูลไม่ได้
เพิ่มขึ้นเพียงความเร็วที่มีประสิทธิภาพค่าใช้จ่ายที่มีความแม่นยำและทันเวลาของสินค้าคงเหลือ
ป่า แต่ยังสนับสนุนการพัฒนา
ของแผนที่ของคุณลักษณะป่าที่มีความละเอียดเชิงพื้นที่และ
ความถูกต้องไม่ได้เป็นไปได้ก่อนหน้านี้ วิธี
ได้รับการพัฒนาสำหรับการทำแผนที่ของป่าขนาดใหญ่การเปลี่ยนแปลงปก
(เฟรเซอร์, et al., 2005) และประเมินขอบเขตของการ
พื้นที่เผา (gitas et al. 2004) ในทำนองเดียวกันการวิเคราะห์เทคนิคใหม่
ได้รับการพัฒนาสำหรับการทำแผนที่ของ
รูปแบบและแผ่กิ่งก้านสาขา (ซีอานและเครน, 2005).

ในอดีตที่ผ่านมาส่วนใหญ่การจำแนกประเภท lulc ได้ถูกสร้างขึ้นโดยใช้การวิเคราะห์
พิกเซลตามระยะไกลรู้สึกนึกคิด พวกเขาจะใช้อย่างใดอย่างหนึ่ง
การจำแนกหมวดหมู่ภายใต้การดูแลใกล้ชิดหรือการรวมกัน
(Enderle และ weih, 2005) บางส่วนขั้นตอนเหล่านี้

pixelbased วิเคราะห์
การเจริญเติบโต jong
, et al, 2001
..

Dwivedi et al,

2004).

นักวิจัยได้

โดยทั่วไปพบว่า

เมื่อพิกเซลตามวิธี

ถูกนำมาใช้เพื่อ
ภาพความละเอียดสูง

"
เกลือและพริกไทย
_
" ผล

เป็น

ที่ผลิต

ส่วนที่ไม่ถูกต้อง

จาก

การจัดหมวดหมู่ (Campagnolo

และ Cerdeira, 2007
.
de jong

et al,, 2001
;

Mas เก่าและ
2008;..

แวนเดอ Voorde
et al,,
2004)

มานานหลายทศวรรษ

GIS ผู้เชี่ยวชาญ

มีมหาเศรษฐี

เกี่ยวกับความเป็นไปได้

ของการพัฒนาอย่างเต็มที่

อัตโนมัติ

ขั้นตอนการจัดหมวดหมู่

ว่าจะเป็น

ปรับปรุงกว่าพิกเซลตามขั้นตอน
_
(Blaschke, et al, 2000;. csatho, et al, 1999;.. Marpa
et al,, 2006) แพคเกจซอฟต์แวร์คอมพิวเตอร์เช่น ecognition

นักวิเคราะห์คุณลักษณะและ

®ได้รับการพัฒนาโดยใช้ของพิกเซล

และการใช้งาน

แบ่งส่วนกระบวนการ

ซ้ำและการเรียนรู้ขั้นตอนวิธี

เพื่อบรรลุ

วัตถุประสงค์แรกของการศึกษานี้

เป็นไป

เปรียบเทียบ

สามวิธี

(วัตถุตาม

ดูแลและใกล้ชิด

พิกเซลที่ใช้จำแนก
).

วัตถุประสงค์นี้จะเป็นตัวกำหนด

ถ้า
วัตถุที่ใช้การวิเคราะห์

จากระยะไกล

ภาพรู้สึกจะ
2 วิธี
พื้นที่ศึกษา 2.1
พื้นที่การศึกษาที่ตั้งอยู่ในและรอบ ๆ เมืองร้อน
สปริงส์, พวงมาลัยเคาน์ตี้อาร์คันซอ (รูปที่ 1) และรวมถึง
ร้อนสวนน้ำพุแห่งชาติ Hot Springs National Park เป็น
ประมาณ 2,250 เฮกตาร์ในขณะที่พื้นที่การศึกษาคือ
ประมาณ 16,850 เฮกตาร์ พื้นที่ศึกษามีคุณลักษณะ
เช่นอ่างเก็บน้ำเมืองฝังกลบเมืองสนามกอล์ฟ
เขตสวนสาธารณะและเหมืองหินหลาย ในขณะที่มีบางพื้นที่ในเมือง
พื้นที่การศึกษาคือชนบทซึ่งประกอบด้วย
ของเขตข้อมูลและทุ่งหญ้าสวนสน shortleaf (ปินัส
echinata) และ loblolly (พี taeda), ผลัดใบต้นโอ๊ก (วร์
spp.) และ hickories ( Carya spp.), ผสมป่าและบางพื้นที่ในเมือง
น้ำพุร้อนอยู่ที่บริเวณเชิงเขาของเทือกเขาชิตา
ด้วยเอนไซม์ไลในพื้นที่ศึกษาตั้งแต่ 107-433 เมตร

®

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

คลังข้อมูลนานาชาติ Photogrammetry แชมพู และปริภูมิข้อมูล วิทยาศาสตร์ ปี XXXVIII-4/C7

VS การจัดประเภทตามวัตถุ การจัดประเภทตามพิกเซล:
COMPARITIVE ความสำคัญของภาพ MULTI-RESOLUTION

Robert C. Weih จูเนียร์และ Norman D. Riggan จูเนียร์

ศูนย์ทรัพยากรป่าอาร์คันซอ มหาวิทยาลัยอาร์คันซอที่ Monticello โรงเรียนป่าทรัพยากร,
ห้องปฏิบัติการวิเคราะห์ปริภูมิ 110 มหาวิทยาลัยคอร์ท Monticello อาร์คันซอ 71656 (weih@uamont.edu
)

เสริม VI, WG IV/4
คำสำคัญ: LULC นัก วิเคราะห์คุณลักษณะ การจัดประเภทตามวัตถุ การจัด ประเภทแบบมีผู้สอน ประเภท Unsupervised, PCA,
ละเอียด Multi
นามธรรม:

จัดประเภทที่ดินใช้/ที่ดินครอบคลุม (LULC) ได้พิสูจน์ให้ ล้ำสำหรับจัดการทรัพยากรในแนวนอน
ลักษณะและการเปลี่ยนแปลงที่เกิดขึ้นช่วงเวลา การศึกษานี้ทำการเปรียบเทียบการจัดประเภทตามวัตถุด้วยมี
และ unsupervised พิกเซลตามประเภท สอง multi-temporal (ใบบน และใบปิด), กลางปริภูมิความดาวเทียมจุด 5
ภาพและความละเอียดสูงปริภูมิสีอินฟราเรดดิจิตอล orthophoto ถูกใช้ในการวิเคราะห์การ ชุดของภาพเหล่านี้สาม
ถูกรวมในการประเมินความสำคัญของ multi-temporal และ multi-spatial ภาพถ่ายการจัดประเภทความแม่นยำ วัตถุ-
ตามประเภทที่ใช้ทั้งหมด 3 ภาพ datasets ผลิตความสูงโดยรวมแม่นยำ (82.0%), ในขณะวัตถุตาม
การจัดประเภทโดยใช้ภาพความละเอียดสูงพื้นที่รวม 5 จุดภาพใบปิดมีสองโดยรวมสูงสุด
(78.2%) ความถูกต้อง ในขณะที่ไม่มีนัยสำคัญแตก เหล่านี้จัดประเภทตามวัตถุสองถูกทางสถิติ
แตกต่างอย่างมีนัยสำคัญจากการจัดประเภทอื่น ๆ ของภาพความละเอียดสูงปริภูมิที่มีผลกระทบบน
ปรับปรุงความแม่นยำโดยรวมกว่าชุดข้อมูล multi-temporal โดยเฉพาะอย่างยิ่งกับการใช้วัตถุจัดประเภท

1 แนะนำ

จากระยะไกลทรงถ่าย ในรูปแบบของดาวเทียมและชั้น
ถ่ายภาพ ได้กลายเป็น เครื่องมือสำคัญในทรัพยากร
บริหารและ ในพื้นที่ต่าง ๆ ของงานวิจัยทางวิทยาศาสตร์ A
ศึกษา โดย McRoberts และ Tomppo (2007) ป่าแห่งชาติ
สินค้าคงคลังในยุโรป รายงานข้อมูลระยะไกล sensed ไม่
เท่าเพิ่มความเร็ว ต้นทุน ประสิทธิภาพความแม่นยำ และ
เที่ยงตรงป่า inventories แต่ยังหรอกไป
พัฒนาแผนที่ของแอตทริบิวต์ป่ากับปริภูมิ
มติและ accuracies ไม่ได้ก่อนหน้านี้ วิธี
ได้รับการพัฒนาสำหรับการแม็ปป่าขนาดใหญ่
ปะเปลี่ยน (เฟรเซอร์ et al., 2005) และประเมินขอบเขตของ
เขียนพื้นที่ (Gitas et al., 2004) ในทำนองเดียวกัน ใหม่วิเคราะห์
ได้รับการพัฒนาเทคนิคสำหรับการแม็ปเป็น
นั่นเออร์ (เซียนและเครน 2005) และ

ในอดีต จัดประเภท LULC ส่วนใหญ่ได้ใช้
วิเคราะห์ตามพิกเซลของภาพถ่ายจากระยะไกล sensed พวกเขาใช้
ใดมีประเภท ประเภท unsupervised หรือ
ชุดบาง (Enderle และ Weih, 2005) Pixelbased เหล่านี้
ขั้นตอน
วิเคราะห์
ที่สเปกตรัม
คุณสมบัติ
ของ
ทุก
พิกเซล

ภายใน

ตั้ง
ของ
สนใจ,
โดย
การ
เป็น
บัญชี

ปริภูมิ
หรือ
บริบท
ข้อมูล
ที่เกี่ยวข้อง
เพื่อ

พิกเซล
ของ
สนใจได้

กับ
พร้อมเติบโต
ของ
สูง
ความละเอียด
ภาพ,
นี้

ปริภูมิ
ข้อมูล
สามารถ
จะ
ใช้
เพื่อ
ผลิต
เพิ่มเติม
ถูกต้อง

LULC
จัดประเภท
(De Jong
et al.,
2001;
Dwivedi
et al.,

2004)

นักวิจัย
มี
โดยทั่วไป
พบ
ที่
เมื่อ
พิกเซลตาม

วิธี
ใช้
การ
ความละเอียดสูง
ภาพ
เป็น "เกลือ
และ

พริก"
ผล
ถูก
ผลิต
ที่
ส่วน
การ
inaccuracy ที่

ของ

ประเภท
(Campagnolo
and
Cerdeira,
2007;
De Jong

et
al.,
2001;
Gao
and Mas,
2008;
Van
de Voorde
et al.,
2004)

สำหรับ
ทศวรรษ,
GIS
ผู้เชี่ยวชาญ
มี
theorized
เกี่ยวกับ

สามารถ
ของการพัฒนา
เต็ม
อัตโนมัติ
ประเภท

ตอน
ที่
จะ
จะ
การปรับปรุง
ตามพิกเซลมากกว่า

ขั้นตอน (Blaschke et al., 2000 Csatho et al., 1999 Marpa ร้อยเอ็ด
al., 2006) แพคเกจซอฟต์แวร์คอมพิวเตอร์เช่น eCognition

และนัก วิเคราะห์คุณลักษณะ
®
ได้ถูกพัฒนาใช้ objectbased
ประเภท
กระบวนการ
เหล่านี้
แพคเกจ
วิเคราะห์
ทั้ง

การ
สเปกตรัม
และ
ปริภูมิ/บริบท
คุณสมบัติ
ของ
พิกเซล
และ
ใช้
การ

แบ่ง
กระบวนการ
และ
ซ้ำ
เรียน
อัลกอริทึม
การ

บรรลุ
semi-automatic
classification
procedure
that
promises

to
be
more
accurate
than
traditional
pixel-based
methods

(Blundell
and
Opitz,
2006;
Grenzdörffer,
2005;
Hay
and

Castilla,
2006)

วัตถุประสงค์แรก
ของ
นี้
ศึกษาถูก
การ
เปรียบเทียบ

สาม

ประสบ
(วัตถุตาม,
แบบมีผู้สอน
และ
unsupervised

พิกเซลตาม
จัดประเภท)
นี้
วัตถุประสงค์
จะกำหนดถ้า
การ
ตามวัตถุ
วิเคราะห์
ของ
ระยะไกล
ทรงถ่าย
จะผลิต
เป็น
LULC
ประเภท
ที่
เป็น
ทางสถิติ
เพิ่มเติม
ถูกต้อง
กว่า
เป็น

พิกเซลตาม
วิเคราะห์
เมื่อ
ใช้
การ

เดียว
ถ่าย

สอง
วัตถุประสงค์
ถูก
เพื่อ
กำหนด

ญาติ
สำคัญ
ของ
หลายความละเอียด
รูป
datasets
เพื่อ
ประเภท
แม่นยำ
สำหรับ

เหนือ
วิธี

2 วิธี
2.1 ศึกษาตั้ง

พื้นที่ศึกษาตั้งอยู่ใน และ รอบเมืองของร้อน
สปริงส์ เขตมาลัย อาร์คันซอ (รูป 1), และรวม
อุทยานน้ำพุร้อน อุทยานน้ำพุร้อน
ประมาณ 2250 เฮคเตอร์ ขณะที่อยู่ในพื้นที่ศึกษา
ประมาณ 16,850 เฮคเตอร์ พื้นที่ศึกษาประกอบด้วย
คุณลักษณะเช่นอ่างเก็บน้ำเมือง เมืองฝังกลบ กอล์ฟ,
อุทยานเขต และ quarries ร็อคหลาย ในขณะที่มีบาง
ถูกพื้นที่ศึกษาพื้นที่เมือง ชนบทส่วนใหญ่ ประกอบด้วย
ของฟิลด์และ pastures สวนสน shortleaf (Pinus
echinata) และ loblolly (P. taeda), ผลัดใบ โอ๊ค (Quercus
โอ) และ hickories (โอ Carya), ผสมป่า และบางเมือง
พื้นที่ น้ำพุร้อนอยู่ที่ตีนเขาของเทือกเขา Ouachita,
กับ elevations ในพื้นที่ศึกษาตั้งแต่ 107 433
เมตร
®

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

การจัดเก็บข้อมูลของนานาชาติ photogrammetry ที่รีโมทคอนโทรลพร้อมด้วยการตรวจจับช่องเสียบและช่องข้อมูลวิทยาศาสตร์. xxxviii - 4 c / 7

การแบ่ง ประเภท วัตถุ - ใช้เมื่อเทียบกับ พิกเซลซึ่งใช้การแบ่ง ประเภท :
comparitive ความสำคัญของ C . weih น้อง รูปภาพ

Robert แบบมัลติ - ความละเอียดและ D . riggan น้อง

อาร์คันซอป่าทรัพยากรของศูนย์บริการมหาวิทยาลัยของอาร์คันซอที่ Monticello โรงเรียนของป่าทรัพยากร
ช่องการวิเคราะห์ในห้องปฏิบัติการ 110 มหาวิทยาลัยศาล Monticello อาร์คันซอ 71656 ( weih@uamont.edu
)

คณะกรรมาธิการ VI wg , iv ,/ 4
ปุ่มคำ lulc โดดเด่นไปด้วยนักวิเคราะห์ object-based การแบ่ง ประเภท การแบ่ง ประเภท การตรวจสอบโดยไม่ต้องมีการตรวจสอบการแบ่ง ประเภท ( R ) PCA Cellular

นามธรรมหลายความละเอียด:

ที่ดินใช้/บนบกฝาครอบ( lulc )การแบ่ง ประเภท ได้รับการพิสูจน์แล้วว่าเป็นทรัพย์สินที่มีค่าสำหรับผู้จัดการทรัพยากรมีส่วนได้เสียในแนวนอน
และลักษณะการเปลี่ยนแปลงที่จะเกิดขึ้นในช่วงเวลาหนึ่ง การศึกษานี้ได้ทำการเปรียบเทียบการแบ่ง ประเภท วัตถุที่พร้อมด้วยการแบ่ง ประเภท พิกเซล
ซึ่งจะช่วยแบบไม่มีการตรวจสอบและมีการตรวจสอบ สองจุดให้บริการความละเอียดขนาดกลาง - ช่องแบบมัลติ - Temporal Key Integrity Protocol (ใบและใบ - ปิด) 5 สัญญาณดาวเทียม
ภาพ และระดับสูง - ช่องดิจิตอลอินฟราเรด orthophoto สีความละเอียดที่ถูกใช้ในการวิเคราะห์ การรวมตัวกันของทั้งสาม ภาพ เหล่านี้ได้ถูกรวมเข้าไว้ด้วยกัน
ซึ่งจะช่วยในการประเมินความสำคัญที่เกี่ยวข้องกับเรื่องของ ภาพ แบบมัลติ - Temporal Key Integrity Protocol และแบบมัลติ - Spatial Diversity เพื่อความแม่นยำการแบ่ง ประเภท ออบเจกต์ -
ซึ่งใช้การแบ่ง ประเภท การใช้ datasets สาม - ภาพ โดยรวมความแม่นยำผลิตสูงสุด( 82.0% )ในขณะที่วัตถุแบบใช้
การแบ่ง ประเภท การใช้ ภาพ ความละเอียดสูง - บางส่วนที่นำมารวมกับ ภาพ จุดให้บริการ 5 ใบที่มีสูงโดยรวม
ความเที่ยงตรง( 78.2% ) ในขณะที่ไม่ได้แตกต่างอย่างมีนัยสำคัญจากกันการแบ่ง ประเภท สองวัตถุ - ใช้เหล่านี้เป็นสถิติ
แตกต่างอย่างมีนัยสำคัญจากการแบ่ง ประเภท อื่นๆ การที่มี ภาพ ความละเอียดสูง - บางส่วนที่ได้รับผลกระทบมากกว่าที่
การปรับความเที่ยงตรงโดยรวมมากกว่า dataset แบบมัลติ - Temporal Key Integrity Protocol โดยเฉพาะพร้อมด้วยการแบ่ง ประเภท วัตถุแบบใช้.

1 การแนะนำ

จากระยะไกลได้ทรหด รูปภาพ ในรูปแบบของสัญญาณดาวเทียมและเสาอากาศ
ซึ่งจะช่วยถ่าย ภาพ ได้กลายเป็นเครื่องมือที่ขาดเสียมิได้ในทรัพยากร
ซึ่งจะช่วยการจัดการและอยู่ในพื้นที่จำนวนมากในการวิจัยทางวิทยาศาสตร์
การศึกษาของ mcroberts และ tomppo ( 2007 )ของป่าสงวนแห่งชาติป่า
สินค้าคงคลังในยุโรปรายงานว่าข้อมูลจากระยะไกลได้ทรหดไม่
ซึ่งจะช่วยเพิ่มขึ้นเพียงความเร็ว ประสิทธิภาพ ที่ประหยัดค่าใช้จ่ายได้อย่างแม่นยำและ
ความพร้อมในการจัดทำรายการป่าแต่ยังมีส่วนทำให้
ซึ่งจะช่วยพัฒนาการของแผนที่ของแอตทริบิวต์ป่าพร้อมด้วยช่อง accuracies
ซึ่งจะช่วยแก้ปัญหาและไม่ได้เป็นไปได้. วิธีการ
ได้รับการพัฒนาสำหรับแผนที่ของพื้นที่ป่าขนาดใหญ่
ฝาครอบเปลี่ยน( Fraser et al . 2005 )และการประเมินของ
เผาพื้นที่( gitas et al . 2004 ) ในทำนองเดียวกันใหม่
ซึ่งจะช่วยในการวิเคราะห์ด้านเทคนิคได้รับการพัฒนาสำหรับการจับคู่
ซึ่งจะช่วยพัฒนาและเมือง(ซีอานและเครน 2005 ).

ในอดีตการแบ่ง ประเภท lulc ส่วนมากมีการสร้างขึ้นโดยใช้การวิเคราะห์
พิกเซลซึ่ง ภาพ จากระยะไกลได้ทรหด เขาใช้
ทั้งการแบ่ง ประเภท การตรวจสอบที่ไม่มีการตรวจสอบหรือการแบ่ง ประเภท
การผสมผสานบางส่วน( Enderle Group แบ่งปันมุมมองเกี่ยวกับและ weih 2005 )ขั้นตอนเหล่านี้ pixelbased

ซึ่งจะช่วยวิเคราะห์การเติบโตที่ spectral
properties
of
every
pixel

within
the
area
of
interest,
without
taking
into
account
the

spatial
or
contextual
informat availability
of
higher
resolution
imagery,
this

spatial
information
could
be
used
to
produce
more
accurate

LULC
classification ทราเบลซี
et al .,
2001 ;

dwivedi et al .,

2004 )

นักวิจัย

มีโดยทั่วไปแล้วพบ

เมื่อ
ที่พิกเซลซึ่งใช้ วิธีการ

ซึ่งจะช่วยให้มีการใช้
ความละเอียดสูง

ภาพ ที่"เกลือ พริกไทย

และ"

มีผลเป็น
ซึ่งจะช่วยผลิต

ซึ่งจะช่วยทำให้ที่
ซึ่งจะช่วยในการ
ซึ่งจะช่วยได้ไม่ แน่นอน

ของ

ซึ่งจะช่วยให้การจำแนก ประเภท การ
( campagnolo

และ cerdeira ,
2007 ;
de ทรา เบลซี

et al .
,
2001 ;

และ MAS ถือเป็น,
2008 ;

ซึ่งจะช่วยรถตู้ de voorde
et al .,
2004 )

สำหรับ
ทศวรรษ,

GIS ผู้เชี่ยวชาญด้าน
ซึ่งจะช่วยได้

ถูกทำเกี่ยวกับ

ตามมาตรฐานความเป็นไปได้ ที่

การพัฒนา

ซึ่งจะช่วยอย่างเต็มที่โดยอัตโนมัติ

การแบ่ง ประเภท

ขั้นตอนที่
ซึ่งจะช่วยจะ

ซึ่งจะช่วยทำให้การปรับปรุง
ซึ่งจะช่วยมากกว่าพิกเซ ล

ขั้นตอน( blaschke et al ., 2000 ; csatho et al ., 1999 ; marpa et al .
, 2006 ) แพ็คเกจซอฟต์แวร์คอมพิวเตอร์เช่น ecognition

และนักวิเคราะห์โดดเด่นไปด้วย

®ได้รับการพัฒนาโดยใช้ objectbased

ขั้นตอนการแบ่ง ประเภท .

แพ็คเกจนี้
ซึ่งจะช่วยวิเคราะห์ คุณสมบัติ

ที่

และความยาวคลื่น
ช่อง/ตาม บริบท

ทั้ง

ของพิกเซลและ

ที่ใช้การแบ่ง กลุ่ม

ซึ่งจะช่วยกระบวนการและ

การเรียนรู้ฝึกฝนตาม

อัลกอริธึม การ

ซึ่งจะช่วยให้มีที่ semi-automatic
classification
procedure
that
promises

to
be
more
accurate
than
traditional
pixel-based
methods

(Blundell
and
O

ที่

ซึ่งจะช่วยเป็นครั้งแรกโดยมีวัตถุประสงค์ของ

ซึ่งจะช่วยการศึกษานี้เป็น

ซึ่งจะช่วยในการเปรียบเทียบ

ซึ่งจะช่วยให้ทั้ง สาม

แนว
(วัตถุแบบใช้,

มีการตรวจสอบและไม่มีการ ตรวจสอบ

พิกเซล
ซึ่งจะช่วยแบ่ง ประเภท )..

ซึ่งจะช่วยนี้มีวัตถุประสงค์

ซึ่งจะช่วยจะเป็นตัวกำหนดว่าวัตถุ
ซึ่งจะช่วยให้ใช้การวิเคราะห์

ซึ่งจะช่วยได้จากระยะไกลของ รูปภาพ

จะสั่ง produce
a
LULC
classification
that
is
statistically
more
accurate
than
a

pixel-based
analysis
when
applied
to
the
same
imagery. The

second
objective
was
to
determine
the
relative
importance
of
multi-resolution
image
datasets
to
classification
accuracy
for
2 . พื้นที่การศึกษาวิธีการ
2.1 การศึกษาพื้นที่

ตั้งอยู่ในและโดยรอบเมืองของร้อน
น้ำพุร้อนพวงมาลัย County อาร์คันซอ(รูปที่ 1 )และรวมถึงน้ำพุร้อนธรรมชาติอุทยานแห่งชาติ
ร้อน น้ำพุร้อน National Park คือ
ประมาณ 2,250 เฮกเตอร์ขณะที่พื้นที่การศึกษาที่เป็น
ซึ่งจะช่วยประมาณ 16,850 เฮกเตอร์ เขตพื้นที่การศึกษารวมถึง
โดดเด่นไปด้วยเช่นที่เก็บเมืองเมืองที่ฝังกลบที่สนามกอล์ฟอุทยาน
Countyและก้อนหินหลายเหมือง ในขณะที่มีบางพื้นที่ในเมืองบริเวณ
ซึ่งจะช่วยการศึกษาที่เป็นชนบทโดดเด่นไปด้วยประกอบด้วย
ของฟิลด์และทุ่งหญ้าเลี้ยงสัตว์พื้นที่เพาะปลูกสน shortleaf ( echinata สนสองใบสน
)และ loblolly ( taeda P .)ป่าเบญจพรรณ Oaks ( ประเภท พืช
)และ hickories ( carya พืช)ป่าและพื้นที่ในเมือง
บางอย่าง น้ำพุร้อนอยู่ที่บริเวณตีนเขาของ ภูเขา ouachita
พร้อมด้วยพื้นที่ระดับสูงในพื้นที่การศึกษาที่หลากหลายเริ่มจาก 107 ไป 433
ตารางเมตร.
Intel ®

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.