The traditional maximum-likelihood

The traditional maximum-likelihood classifier (MLC) is selectedfor forest cover classification in this study. MLC classifier assumesthat a hyper-ellipsoid decision volume can be used to approximatethe shape of the data clusters. For a given unknown pixel, describedby a vector of features, the probability of membership in each classis calculated using the mean feature vectors of the classes, thecovariance matrix and the prior probability (Duda and Hart, 1973).The unknown pixel is considered to belong to the class with themaximum probability of membership. In this study, six bands (1, 2,3, 4, 5, and 7) of the Landsat ETM+ data and the composited ETM+spectral bands with temporal features extracted from time seriesNDVI features bands were separately provided as the input data forMLC to analyze the accuracy improving effect of NDVI features.Representative sample collection is the most time consumingprocess in the classification effort. In this study, samples were ran-domly selected from known areas using the ‘region of interest’ (ROI)tools provided by ENVI version 4.8 (ITT industries Inc., Boulder, CO,USA) with the help of ground survey and Google Earth tool. Finally,70 and 138 ROI regions were selected for forest and non-forestclass samples, respectively. The total sample pixels for forest andnon-forest class were 13,212 and 15,824 pixels. The distribution ofthe sample pixels was uniform, which made it well representativefor the whole study area. Half of the sample pixels were randomlyselected as training samples, and the remaining half as validatingsamples. The training and validating samples had no overlap.Accuracy validation of the classified maps was based on theindependent validation samples as presented above. For each class,validation samples were easily identified and located within thestudy area from the remote sensing images and Google Earth map.The overall classification accuracy and kappa statistics estimatedfrom the confusion matrix using the validation samples (Congaltonand Green, 1999; Foody, 2009) were selected for evaluating theforest cover classification results.

ผลลัพธ์ (ไทย) 1:

แบบดั้งเดิมมากที่สุดโอกาส classifier (MLC) มี selectedfor ป่าปกจัดประเภทในการศึกษานี้ MLC classifier assumesthat ตัดสินใจทรงรีไฮเปอร์ไดรฟ์ข้อมูลสามารถใช้รูปร่าง approximatethe ของกลุ่มข้อมูล ในพิกเซลไม่ทราบกำหนด describedby เวกเตอร์ของคุณลักษณะ ความน่าเป็นของสมาชิกในแต่ละ classis คำนวณโดยใช้เวกเตอร์หมายถึงคุณลักษณะของคลา thecovariance เมตริกซ์และความน่าเป็นก่อน (Duda และฮาร์ท 1973)พิกเซลไม่ทราบถือว่าเป็นของชั้นกับ themaximum น่าเป็นสมาชิก ในการศึกษานี้ 6 วง (1, 2,3, 4, 5 และ 7) ข้อมูล Landsat ETM + และ composited ETM + แถบสเปกตรัม มีคุณสมบัติชั่วคราวสกัดจากวงเวลา seriesNDVI ลักษณะการทำงานแยกต่างหากได้เป็น forMLC ข้อมูลการป้อนเข้าเพื่อวิเคราะห์ความถูกต้องปรับปรุงผล NDVI ของเก็บตัวอย่างตัวแทนคือ consumingprocess เวลาส่วนใหญ่ในความพยายามจัดประเภท ในการศึกษานี้ ตัวอย่างดีวิ่ง-domly เลือกจากพื้นที่ที่ใช้ 'ภูมิภาคน่าสนใจ' รู้จักเครื่องมือ (ROI) โดยสามารถรุ่น 4.8 (มิอุตสาหกรรม Inc. หิน CO สหรัฐอเมริกา) โดยใช้แบบสำรวจพื้นดินและเครื่องมือของ Google Earth ในที่สุด 70 และ 138 ร้อยภาคถูกเลือกสำหรับตัวอย่างของป่าและไม่ forestclass ตามลำดับ พิกเซลทั้งหมดตัวอย่างสำหรับคลาส andnon ป่าป่า 13,212 และ 15,824 พิกเซล การกระจายของพิกเซลอย่างได้สม่ำเสมอ ซึ่งทำให้มันดี representativefor พื้นที่ศึกษาทั้งหมด ครึ่งหนึ่งของพิกเซลอย่างมี randomlyselected เป็นตัวอย่างการฝึกอบรม และครึ่งที่เหลือเป็น validatingsamples การฝึกและตรวจสอบตัวอย่างได้ไม่ทับซ้อนตรวจสอบความถูกต้องของแผนที่ลับได้ขึ้นอยู่กับ theindependent ตรวจสอบตัวอย่างที่แสดงข้างต้น สำหรับแต่ละคลาส ตัวอย่างตรวจสอบได้ระบุ และตั้งอยู่ในพื้นที่ thestudy จากแผนที่ Google Earth และภาพไร้สายระยะไกลโดยรวมการจัดประเภทความแม่นยำและกัปปะสถิติ estimatedfrom สับสนเมทริกซ์ (Congaltonand Green, 1999 ตัวอย่างการตรวจสอบ Foody, 2009) ถูกเลือกสำหรับการประเมินผลประเภทปก theforest

ผลลัพธ์ (ไทย) 2:

ลักษณนามโอกาสสูงสุดแบบดั้งเดิม (MLC) เป็นจำแนกป่าปกคลุมเรารวมในการศึกษานี้ ลักษณนาม MLC assumesthat ปริมาณการตัดสินใจ Hyper-รีสามารถใช้ในการ approximatethe รูปร่างของกลุ่มข้อมูล สำหรับพิกเซลที่ไม่รู้จักที่กำหนด describedby เวกเตอร์ของคุณสมบัติที่น่าจะเป็นของสมาชิกในแต่ละโครงการคำนวณโดยใช้ค่าเฉลี่ยคุณลักษณะเวกเตอร์ของคลาสเมทริกซ์ thecovariance และความน่าจะเป็นก่อน (Duda และฮาร์ต 1973) พิกเซลได้โดยเริ่มต้นที่ไม่รู้จักจะถือเป็น ในชั้นเรียนที่มีความน่าจะเป็น themaximum ของการเป็นสมาชิก ในการศึกษานี้หกวง (1, 2,3, 4, 5, และ 7) ของข้อมูล Landsat ETM + และ composited ETM + วงสเปกตรัมที่มีคุณสมบัติที่ขมับสกัดจาก seriesNDVI เวลาคุณสมบัติวงได้ให้แยกเป็นข้อมูลเข้า forMLC ไป วิเคราะห์ความถูกต้องในการปรับปรุงผลกระทบของการเก็บตัวอย่าง NDVI features.Representative เป็น consumingprocess เวลามากที่สุดในความพยายามจัดหมวดหมู่ ในการศึกษานี้ตัวอย่างวิ่ง-domly เลือกจากพื้นที่เป็นที่รู้จักกันโดยใช้ 'ภูมิภาคท​​ี่น่าสนใจ' (ROI) เครื่องมือที่ให้บริการโดยรุ่น ENVI 4.8 (ITT อุตสาหกรรมอิงค์ Boulder, CO, USA) ด้วยความช่วยเหลือของการสำรวจพื้นดินและ Google Earth เครื่องมือ สุดท้าย 70 และ 138 ภูมิภาคผลตอบแทนการลงทุนที่ได้รับการแต่งตั้งให้เป็นป่าและตัวอย่างที่ไม่ forestclass ตามลำดับ พิกเซลกลุ่มตัวอย่างทั้งหมดสำหรับป่าระดับเขตและนอกป่าเป็น 13,212 และ 15,824 พิกเซล การกระจาย ofthe พิกเซลกลุ่มตัวอย่างเป็นเครื่องแบบซึ่งทำให้มันได้ดี representativefor พื้นที่การศึกษาทั้ง ครึ่งหนึ่งของพิกเซลตัวอย่างถูกสุ่มตัวอย่างเป็นตัวอย่างการฝึกอบรมและอีกครึ่งหนึ่งที่เหลือเป็น validatingsamples การฝึกอบรมและการตรวจสอบตัวอย่างได้ไม่มีการตรวจสอบ overlap.Accuracy ของแผนที่ที่จัดอยู่บนพื้นฐานของการตรวจสอบตัวอย่าง theindependent ตามที่นำเสนอข้างต้น สำหรับแต่ละชั้นเรียนตัวอย่างการตรวจสอบที่ถูกระบุได้อย่างง่ายดายและอยู่ในพื้นที่ thestudy จากภาพระยะไกลและความถูกต้องจำแนกโดยรวม Google Earth map.The และสถิติแคปปา estimatedfrom เมทริกซ์ความสับสนโดยใช้ตัวอย่างการตรวจสอบ (Congaltonand สีเขียว 1999; Foody 2009) เป็น เลือกสำหรับการประเมินผลการจัดหมวดหมู่ theforest ปก

ผลลัพธ์ (ไทย) 3:

แบบ Maximum Likelihood ลักษณนาม ( MLC ) selectedfor หมวดหมู่ครอบคลุมพื้นที่ป่าในการศึกษานี้ MLC ลักษณนาม assumesthat ปริมาณการตัดสินใจรีไฮเปอร์สามารถใช้ approximatethe รูปร่างของข้อมูลกลุ่ม เพื่อให้รู้จักพิกเซล , describedby เวกเตอร์คุณสมบัติความน่าจะเป็นของสมาชิกในแต่ละสอนคำนวณค่าเฉลี่ยคุณลักษณะเวกเตอร์ของคลาสเมทริกซ์ thecovariance และความน่าจะเป็นก่อน ( ดูดา และ ฮาร์ท , 1973 ) พิกเซลที่ถือว่าอยู่ในระดับที่ใช้กับความน่าจะเป็นของการเป็นสมาชิก ในการศึกษานี้ มี 6 วง ( 1 , 2 , 3 , 4 , 5 ,และ 7 ) ของดาวเทียม ETM ข้อมูลและ composited ETM สเปกตรัมวงกับคุณลักษณะเวลาเวลา seriesndvi คุณสมบัติสกัดจากวงได้ถูกแยกไว้เป็นข้อมูล formlc วิเคราะห์ความถูกต้องปรับปรุงผลของการเปลี่ยนแปลงด้านพืชพรรณ ประกอบด้วย ผู้แทนการเก็บตัวอย่างคือ เวลาส่วนใหญ่ consumingprocess ในการจำแนกความพยายาม ในการศึกษานี้ตัวอย่างรัน domly เลือกจากพื้นที่ที่เป็นที่รู้จักโดยใช้ ' 1 ' ( ROI ) เครื่องมือโดย Envi รุ่น 4.8 ( ITT อุตสาหกรรมอิงค์ Boulder , CO , USA ) ด้วยความช่วยเหลือของเครื่องมือการสำรวจพื้นดินและโลก Google ในที่สุด , 70 และ 138 ร้อยเอ็ดภูมิภาคเลือกป่าและตัวอย่าง forestclass ไม่ตามลำดับ จำนวนพิกเซลทั้งหมดป่าป่าและสภาพการเรียน 13212 15ถ้าพิกเซล การกระจายของจำนวนพิกเซลเป็นเครื่องแบบ ซึ่งทำให้มัน representativefor พื้นที่ศึกษาทั้งหมด ครึ่งหนึ่งของกลุ่มตัวอย่างโดยการสุ่มตัวอย่างอย่างง่าย จำนวนพิกเซล เช่น การฝึกอบรม และอีกครึ่งหนึ่งเป็น validatingsamples . การฝึกอบรมและการตรวจสอบตัวอย่างที่ไม่ทับซ้อนกัน ความถูกต้อง ความถูกต้องของแผนที่แบ่งเป็นตามตัวอย่างการตรวจสอบอิสระที่นำเสนอข้างต้นสำหรับแต่ละชั้นเรียน ตัวอย่างการตรวจสอบระบุได้อย่างง่ายดายและตั้งอยู่ภายในพื้นที่และจากระยะไกลภาพและแผนที่โลก โดยความแม่นยำในการจำแนกและสถิติ Kappa estimatedfrom สับสนเมทริกซ์โดยใช้การตรวจสอบตัวอย่าง ( congaltonand สีเขียว , 1999 ; Foody , 2009 ) มีวัตถุประสงค์เพื่อประเมินความครอบคลุมหมวดหมู่ผลลัพธ์