Step 1 was performed to provide a b

Step 1 was performed to provide a benchmark against which to compare with those using
textural/spatial features only and using combinations of spectral, textural, and spatial features. The
performance of the standard (benchmark) classification technique is necessary in order to measure
whether incorporating textural/spatial information can improve classification accuracy.
At Step 2, the eight GLCM textures (Table 2) were first calculated from the IKONOS NIR band to
determine the control variables (i.e., window size and direction) based on the highest RF classification
accuracy, then the optimal window size and direction were applied to other MS bands, and finally GLCM
features were used as input to run the RF classification. This step included: (1) calculating the eight
GLCM measures from IKONOS Band 4 with window sizes from 3 × 3 through 17 × 17 and a fixed
Remote Sens. 2015, 7 9030
direction 135° to determine an optimal window size; (2) calculating the eight GLCM measures from
IKONOS Band 4 with the optimal window size and four directions of 0°, 45°, 90°, and 135° to determine
an optimal direction; (3) applying the optimal window size and direction to all four IKONOS MS bands
to calculate 32 textures (8 GLCM measures × 4 MS bands); and (4) performing RF classifications using
the eight GLCM textures calculated from Band 4 and all 32 GLCM textures calculated from the four
MS bands.
At Step 3, first, an iterative classification scheme was used to determine the optimal distance value
and the best neighborhood rule for calculating local spatial Gi features. Second, the four Gi features
calculated with the optimum distance value and neighborhood rule from the four MS bands were used
as input variables of the RF classifier.
At Step 4, the stack of MS bands, GLCM features and Gi features, determined at steps 2 and 3, was
used as input to the RF classifier in order to explore whether a combination of MS+GLCM+Gi features
could improve classification accuracy compared with using either MS bands, GLCM features,
or Gi features only. Then all of the above predictive features were ranked to determine their
differentiation ability in assessing Robinia pseudoacacia forest health conditions.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนที่ 1 ทำการเกณฑ์จากการที่จะเปรียบเทียบกับผู้ใช้เชื่อมพื้นที่ห้องเท่านั้น และใช้ชุดของสเปกตรัม เชื่อม และปริภูมิ การประสิทธิภาพของมาตรฐาน (benchmark) ประเภทเทคนิคจำเป็นเพื่อวัดว่าการผสมผสานข้อมูลปริภูมิเชื่อมสามารถเพิ่มความแม่นยำการจำแนกขั้นตอนที่ 2 พื้น GLCM แปด (ตาราง 2) แรกคำนวณจากวง IKONOS NIR เพื่อตรวจสอบการควบคุมตัวแปร (เช่น หน้าต่างขนาดและทิศทาง) ประเภท RF สูงสุดความถูก ต้อง แล้วหน้าต่างที่เหมาะสมขนาด และทิศทางใช้ MS สาย และอื่น ๆ ในที่สุด GLCMคุณลักษณะที่ใช้เป็นอินพุตเพื่อเรียกใช้การจัดประเภท RF ขั้นตอนนี้รวม: (1) การคำนวณแปดGLCM วัดจาก 4 วง IKONOS ด้วยหน้าต่างขนาดตั้งแต่ 3 × 3 17 × 17 และแบบถาวร ระยะไกล Sens. 2015, 7 9030ทิศ 135 องศาเพื่อกำหนดขนาดเหมาะสมที่สุดหน้าต่าง (2) มาตรการ GLCM แปดจากการคำนวณ4 วง IKONOS ด้วยขนาดหน้าต่างที่ดีที่สุดและสี่ทิศ 0°, 45°, 90° และ 135° เพื่อตรวจสอบทิศทางที่ดีที่สุด (3) ใช้หน้าต่างที่เหมาะสมขนาดและทิศทางทั้งสี่วง IKONOS MSการคำนวณพื้นผิว 32 (8 GLCM มาตรการ× 4 MS วง); และ (4) ประสิทธิภาพ RF จัดประเภทโดยใช้พื้น GLCM แปดคำนวณจาก 4 วงและพื้นผิว GLCM 32 ทั้งหมดคำนวณจากสี่สายที่ MSที่ขั้นตอนที่ 3 ครั้งแรก แบบแผนการจัดประเภทซ้ำถูกใช้เพื่อกำหนดค่าระยะห่างที่เหมาะสมและกฎย่านที่ดีสุดสำหรับการคำนวณคุณสมบัติ Gi เชิงพื้นที่ท้องถิ่น วินาที คุณสมบัติสี่ Giคำนวณค่าและย่านกฎระยะห่างที่เหมาะสมใช้วงดนตรีจาก MS 4เป็นตัวแปรที่ป้อนเข้าของลักษณนาม RFในขั้นตอนที่ 4 กองซ้อนของวง MS, GLCM คุณสมบัติ และ คุณลักษณะ Gi กำหนดในขั้นตอนที่ 2 และ 3 ถูกใช้เป็นอินพุตเพื่อลักษณนาม RF เพื่อสำรวจว่าการรวมกันของคุณลักษณะ MS + GLCM + Giสามารถปรับปรุงการจัดประเภทความแม่นยำเมื่อเทียบกับการใช้วงดนตรีใด MS คุณสมบัติ GLCMหรือ Gi คุณลักษณะเฉพาะ แล้วทำนายคุณสมบัติข้างต้นทั้งหมดถูกจัดอันดับการตรวจสอบของพวกเขาความสามารถความแตกต่างในการประเมินสภาวะสุขภาพ Robinia pseudoacacia ป่า

ผลลัพธ์ (ไทย) 2:

ขั้นตอนที่ 1 ได้ดำเนินการเพื่อให้เป็นมาตรฐานกับการที่จะเปรียบเทียบกับผู้ที่ใช้
คุณลักษณะเนื้อสัมผัส / อวกาศเท่านั้นและใช้การรวมกันของสเปกตรัมเนื้อสัมผัสและคุณสมบัติเชิงพื้นที่
ประสิทธิภาพการทำงานของมาตรฐาน (มาตรฐาน) เทคนิคการจัดหมวดหมู่เป็นสิ่งจำเป็นเพื่อที่จะวัด
ว่าการผสมผสานเนื้อสัมผัส / ข้อมูลเชิงพื้นที่สามารถปรับปรุงความถูกต้องจำแนก.
ในขั้นตอนที่ 2 พื้นผิวแปด GLCM (ตารางที่ 2) จะถูกคำนวณครั้งแรกจากวง IKONOS NIR เพื่อ
ตรวจสอบ ตัวแปรในการควบคุม (เช่นขนาดของหน้าต่างและทิศทาง) ตามการจัดประเภท RF สูงสุด
ความถูกต้องแล้วขนาดของหน้าต่างที่ดีที่สุดและทิศทางที่ถูกนำไปใช้กับวงดนตรี MS อื่น ๆ และในที่สุดก็ GLCM
คุณสมบัติถูกนำมาใช้เป็นข้อมูลในการเรียกใช้ RF มีการจัดหมวดหมู่ ขั้นตอนนี้รวมถึง: (1) การคำนวณแปด
มาตรการ GLCM จาก IKONOS วง 4 หน้าต่างที่มีขนาดตั้งแต่ 3 × 3 ถึง 17 × 17 และคง
Sens ระยะไกลในปี 2015 9030 7.
ทิศทาง 135 °เพื่อกำหนดขนาดของหน้าต่างที่ดีที่สุด; (2) การคำนวณมาตรการแปด GLCM จาก
IKONOS วง 4 กับขนาดของหน้าต่างที่ดีที่สุดและสี่ทิศทางของ 0 °, 45 °, 90 °และ 135 °ในการกำหนด
ทิศทางที่ดีที่สุด; (3) การใช้ขนาดของหน้าต่างที่ดีที่สุดและทิศทางทั้งสี่วงดนตรี IKONOS MS
ในการคำนวณ 32 พื้นผิว (8 GLCM มาตรการ× 4 วงดนตรี MS); และ (4) การดำเนินการจำแนกประเภท RF ใช้
พื้นผิว GLCM แปดคำนวณจากวงดนตรีที่ 4 และ 32 พื้นผิว GLCM คำนวณจากสี่
วงดนตรี MS.
ในขั้นตอนที่ 3 ครั้งแรกซึ่งเป็นโครงการประเภทซ้ำถูกใช้ในการกำหนดค่าระยะทางที่ดีที่สุด
และพื้นที่ใกล้เคียงที่ดีที่สุด กฎสำหรับการคำนวณคุณสมบัติ Gi เชิงพื้นที่ท้องถิ่น ประการที่สองสี่ Gi คุณสมบัติ
การคำนวณกับค่าระยะทางที่เหมาะสมและการปกครองเขตจากสี่วงดนตรี MS ถูกนำมาใช้
เป็นตัวแปรของลักษณนาม RF ได้.
ในขั้นตอนที่ 4 สแต็คของวงดนตรี MS คุณสมบัติ GLCM และคุณสมบัติ Gi ที่กำหนดในขั้นตอนที่ 2 และ 3 ถูก
นำมาใช้เป็นข้อมูลในการจําแนก RF เพื่อสำรวจว่ามีการรวมกันของคุณสมบัติ MS + + GLCM Gi
สามารถปรับปรุงความถูกต้องเมื่อเทียบกับการจัดหมวดหมู่โดยใช้วงดนตรี MS คุณสมบัติ GLCM,
หรือ Gi ให้บริการเท่านั้น แล้วทั้งหมดของคุณสมบัติการคาดการณ์ดังกล่าวข้างต้นได้รับการจัดอันดับของพวกเขาเพื่อตรวจสอบ
ความสามารถในการสร้างความแตกต่างในการประเมินสภาวะสุขภาพ Robinia ป่า pseudoacacia

ผลลัพธ์ (ไทย) 3:

ขั้นตอนที่ 1 กำหนดให้มาตรฐานกับที่เปรียบเทียบกับผู้ที่ใช้คุณสมบัติด้านเนื้อ / เท่านั้น และใช้ชุดของเงาเนื้อ และมีมิติ ที่ประสิทธิภาพของมาตรฐาน ( Benchmark ) โดยใช้เทคนิคที่จำเป็นเพื่อที่จะวัดไม่ว่าที่ผสมผสานเนื้อข้อมูลเชิงพื้นที่ / สามารถเพิ่มความแม่นยำในการจำแนก .ในขั้นตอนที่ 2 , 8 glcm พื้นผิว ( ตารางที่ 2 ) เป็นคนแรกที่คำนวณจากค่าวงดนตรีโคโนสกำหนดตัวแปรควบคุม ( เช่น หน้าต่างขนาดและทิศทาง ) ตามหมวดหมู่ RF สูงสุดความถูกต้อง แล้วหน้าต่างขนาดและทิศทางที่เหมาะสมเพื่อใช้ในการอื่น ๆและในที่สุดก็ glcm MS วงคุณสมบัติ 1 ใช้ใส่เพื่อเรียกใช้ RF การจำแนกประเภท ขั้นตอนนี้ ประกอบด้วย ( 1 ) เลขแปดglcm มาตรการจากวงโคโนส 4 ขนาด 3 × 3 หน้าต่างผ่าน 17 × 17 และถาวรระยะไกล sens. 2015 , 7 ังทิศทางที่ 135 องศาเพื่อหาขนาดของหน้าต่างที่เหมาะสม ( 2 ) การคำนวณ glcm มาตรการจากแปดโคโนสวงดนตรี 4 กับที่เหมาะสมขนาดของหน้าต่างและสี่ทิศ 0 องศา , 45 องศา , 90 องศา และ 135 ° เพื่อตรวจสอบทิศทางที่เหมาะสม ( 3 ) การประยุกต์ใช้ที่เหมาะสมขนาดของหน้าต่างและทิศทั้งสี่วงโคโนส MSคำนวณ 32 พื้นผิว ( 8 glcm มาตรการ× 4 นางสาววง ) ; และ ( 4 ) การใช้ RF หมวดหมู่แปด glcm พื้นผิวที่คำนวณจากวงดนตรี 4 และทั้งหมด 32 glcm พื้นผิวที่คำนวณจากสี่นางสาววงในขั้นตอนที่ 3 , แรก , ของหมวดหมู่โครงการศึกษาค่าระยะห่างที่เหมาะสมและกฎสำหรับการคำนวณคุณสมบัติที่ดีที่สุดในละแวกพื้นที่กีท้องถิ่น ประการที่สอง สี่ กี ประกอบด้วยคำนวณด้วยค่าที่เหมาะสมระยะทางและกฎชุมชนจากสี่วงใช้ MSเป็นข้อมูลตัวแปรของ RF ลักษณนามในขั้นตอนที่ 4 สแต็คของนางสาววง คุณสมบัติและคุณลักษณะ glcm กีที่กำหนดในขั้นตอนที่ 2 และ 3 คือใช้เป็นลักษณนามเข้า RF เพื่อสำรวจว่า การรวมกันของ MS + + คุณสมบัติ glcm กีสามารถเพิ่มความแม่นยำในการจำแนกเปรียบเทียบกับการใช้ทั้ง MS วง glcm คุณสมบัติหรือกีคุณสมบัติเท่านั้น แล้วทั้งหมดข้างต้นทำนายคุณสมบัติถูกจัดอันดับว่าพวกเขาความแตกต่างในการประเมินความสามารถใน robinia pseudoacacia ป่าสุขภาพเงื่อนไข