Sixty–seventy training sites varying in size from 286 to 8,914 pixels (5–46%) were used to locate
training pixels on the images. Except for the bare soil/ landfill category, training samples for each class were 5–
12 subclasses. The training samples were then evaluated by using class histogram plots. Training samples were
refined, renamed, merged, and deleted after the evaluation of class histogram and statistical parameters. A
supervised maximum likelihood classification (MLC) algorithm was subsequently applied to each image
which has generally been proven to obtain the best results from remotely-sensed data if each class has a
Gaussian distribution (Bolstad and Lillesand 1991). Misclassification was observed in the classified
land cover categories obtained from the MLC classification. For example, certain urban surfaces
were misclassified as landfill sites due to their similar spectral characteristics. Likewise, misclassification
was also found between the wetland/lowlands category and the cultivated land, water bodies, and
lowland/wetland category. It may be noted that initially the wetland category was identified as a
separate class but eventually it merged with the lowland class as it was not possible to separate from
the lowland category because of their alike spectral properties. Post-classification refinement, therefore,
was used to improve the accuracy as it is simple, efficient and easily executable method (Harris and
Ventura 1995). It is important to note that misclassification was higher in the MSS image among the
datasets. To surmount the difficulty of misclassification, a number of strategies were considered. For
example, thematic information (e.g. water bodies, vegetation, and bare soil) was first extracted from the
V-S-W index (Yamagata et al. 1997). Then a rulebased technique using thematic information (DEM,
municipal map and water bodies, etc.) was employed to correct previously misclassified land cover categories
in ERDAS’s spatial modeler. Although application of the rule-based technique greatly improved the
MLC classification, a small amount of misclassification was still found between wetland and cultivated
lands. This was mainly attributed to their geographical contiguity. GIS tools such as Area of Interest
(AOI) were afterward applied using visual analysis, reference data, and local knowledge to split and
recode these covers into their original classes. It is necessary to mention that ground truth information
was also of great value in the refinement process. Applying those techniques substantially improved the
result of pre-classification by the supervised algorithm. A 3×3 majority filter finally applied to the
classified land cover data to reduce the salt-andpepper effect (Lillesand and Kiefer 1999).
สถานที่ฝึกอบรมที่แตกต่างกันในขนาดหกสิบเจ็ดสิบจาก 286 ถึง 8914 พิกเซล (5-46%) ถูกนำมาใช้เพื่อหา
พิกเซลการฝึกอบรมในภาพ ยกเว้นดินเปลือย / ประเภทการฝังกลบการฝึกอบรมตัวอย่างสำหรับแต่ละชั้นมี 5-
12 subclasses ตัวอย่างการฝึกอบรมได้รับการประเมินแล้วโดยใช้แปลง histogram ชั้น ตัวอย่างการฝึกอบรมได้รับการ
กลั่น, เปลี่ยนชื่อ, รวมและลบหลังจากการประเมินผลของ histogram ชั้นและพารามิเตอร์ทางสถิติ
ภายใต้การดูแลการจัดหมวดหมู่ความน่าจะเป็นสูงสุด (MLC) อัลกอริทึมที่ใช้ต่อมาภาพแต่ละภาพ
ที่ได้รับการพิสูจน์โดยทั่วไปเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากข้อมูลระยะไกลรู้สึกถ้าแต่ละชั้นเรียนมี
การกระจายเสียน (Bolstad และ Lillesand 1991) จำแนกเป็นข้อสังเกตในการจัด
ที่ดินประเภทปกที่ได้รับจากการจัดหมวดหมู่แอลซี ตัวอย่างเช่นพื้นผิวที่บางเมือง
ถูกแบ่งเป็นเว็บไซต์ที่ฝังกลบเนื่องจากลักษณะสเปกตรัมของพวกเขาที่คล้ายกัน ในทำนองเดียวกันการจำแนก
ก็พบกันระหว่างพื้นที่ชุ่มน้ำ / ประเภทที่ราบลุ่มและพื้นที่เพาะปลูก, แหล่งน้ำและ
ที่ลุ่ม / ประเภทของพื้นที่ชุ่มน้ำ มันอาจจะตั้งข้อสังเกตว่าในขั้นแรกประเภทพื้นที่ชุ่มน้ำที่ถูกระบุว่าเป็น
แยกชั้น แต่ในที่สุดมันกลืนไปกับการเรียนที่ลุ่มที่มันเป็นไปไม่ได้ที่จะแยกออกจาก
หมวดหมู่ที่ลุ่มเพราะคุณสมบัติสเปกตรัมของพวกเขาเหมือนกัน การปรับแต่งโพสต์จำแนกจึง
ถูกนำมาใช้ในการปรับปรุงความถูกต้องในขณะที่มันเป็นเรื่องง่ายที่มีประสิทธิภาพและวิธีการปฏิบัติการได้อย่างง่ายดาย (แฮร์ริสและ
เวนทูรา 1995) มันเป็นสิ่งสำคัญที่จะทราบว่าจำแนกสูงในภาพ MSS ในหมู่
ชุดข้อมูล เพื่อฟันฝ่าความยากลำบากของการจำแนก, จำนวนของกลยุทธ์ได้รับการพิจารณา สำหรับ
ตัวอย่างเช่นข้อมูลที่ใจ (เช่นแหล่งน้ำพืชและดินเปล่า) ถูกสกัดครั้งแรกจาก
ดัชนี V-SW (ยามากาตะ et al. 1997) แล้วเทคนิค rulebased โดยใช้ข้อมูลที่ใจ (DEM,
แผนที่เทศบาลและแหล่งน้ำ ฯลฯ ) ถูกจ้างมาเพื่อแก้ไขก่อนหน้านี้แบ่งประเภทสิ่งปกคลุมดิน
ในโมเดลเชิงพื้นที่ ERDAS ของ แม้ว่าการประยุกต์ใช้เทคนิคตามกฎดีขึ้นมาก
การจัดหมวดหมู่แอลซีเป็นจำนวนเงินที่เล็ก ๆ ของจำแนกก็พบว่ายังคงอยู่ระหว่างการเพาะปลูกในพื้นที่ชุ่มน้ำและ
ดินแดน นี้ได้รับการบันทึกส่วนใหญ่จะติดต่อกันทางภูมิศาสตร์ของพวกเขา เครื่องมือสารสนเทศภูมิศาสตร์เช่นพื้นที่ที่น่าสนใจ
(AOI) ถูกนำไปใช้ในภายหลังโดยใช้การวิเคราะห์ภาพ, การอ้างอิงข้อมูลและความรู้ในท้องถิ่นเพื่อแยกและ
recode เหล่านี้ครอบคลุมในชั้นเรียนเดิมของพวกเขา มันเป็นสิ่งจำเป็นที่จะพูดถึงข้อมูลความจริงที่พื้นดิน
ก็ยังมีค่ามากในขั้นตอนการปรับแต่ง การประยุกต์ใช้เทคนิคเหล่านั้นอย่างมีนัยสำคัญปรับปรุง
ผลการจัดหมวดหมู่ก่อนโดยขั้นตอนวิธีการภายใต้การดูแล 3 × 3 ส่วนใหญ่กรองในที่สุดก็จะนำไปประยุกต์ใช้
ข้อมูลที่ปกคลุมดินประเภทที่จะลดผลกระทบเกลือ andpepper (Lillesand และ Kiefer 1999)
การแปล กรุณารอสักครู่..