ரிமோட் சென்சிங் & ஜிஐஎஸ் ஜர்னல்

சுருக்கம்

அரை வறண்ட போட்ஸ்வானாவில் நிலப்பரப்பு நில பயன்பாடு (LCLU) வகைப்பாடு முறைகள்

Tsheko மகிழ்ச்சியுங்கள்

இந்த தாள், லேண்ட்சாட் 8 (OLI) இலிருந்து கண்டறியப்பட்ட லேண்ட் கவர் லேண்ட் யூஸ் (LCLU) ஐ வழங்குகிறது, அதாவது அதிகபட்ச சாத்தியக்கூறு அல்காரிதம் (MLA) மற்றும் செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANNகள்) என இரண்டு வகைப்பாடு திட்டங்களைப் பயன்படுத்தி. இரண்டு, மூன்று மற்றும் எட்டு அம்சங்களைப் பயன்படுத்தி பகுப்பாய்வு மேற்கொள்ளப்பட்டது (மேற்பரப்பு பிரதிபலிப்பு மற்றும் குறியீடுகள்). அனைத்து வகைப்பாடுகளுக்கும், ஒட்டுமொத்த துல்லியம் மற்றும் கப்பா புள்ளிவிவரம் முறையே 93.81% மற்றும் 0.89 முதல் 99.38% மற்றும் 0.99 வரை மாறுபடும். இரண்டு வகைப்பாடு திட்டங்களுக்கும் அனைத்து எட்டு அம்சங்களையும் அல்லது இரண்டு அம்சங்களையும் (குறியீடுகள் மட்டும்) பயன்படுத்தி மிக உயர்ந்த வகைப்பாடு துல்லியம் பெறப்பட்டது. இது LCLU மேப்பிங்கில் இயல்பாக்கப்பட்ட வேற்றுமை தாவரக் குறியீடு (NDVI) மற்றும் இயல்பாக்கப்பட்ட வேறுபாடு பில்டப் இன்டெக்ஸ் (NDBI) ஆகியவற்றின் முக்கியத்துவத்தை நிரூபிக்கிறது. இரண்டு குறியீடுகளும் புதர்கள், மரங்கள், நீர் மற்றும் செயற்கைக்கோள் படத்தில் குவிவதைக் கண்டறிவதற்குப் பயன்படுத்தப்படும் அளவுக்கு வலுவானவை. மேலும், ANNகள் வகைப்படுத்தி இந்த வகைப்பாட்டிற்குப் பயன்படுத்தக்கூடிய அளவுக்கு வலுவானது. MLA வகைப்படுத்தி அம்சங்களின் சராசரி மதிப்புகள் மற்றும் மாறுபாடு இரண்டையும் பயன்படுத்தினாலும், ANNகள் வகைப்படுத்தி அம்சங்களின் சராசரி மதிப்புகளை மட்டுமே பயன்படுத்துகிறது. இது -1.0 முதல் 1.0 வரையிலான இயல்பான அளவுகோலில் தரவு இணைவுக்கான ஒரு விளக்கமாகும். ஏற்றுக்கொள்ளக்கூடிய வகைப்பாடு துல்லியத்தை குறைவான ஸ்பெக்ட்ரல் சேனல்கள் மூலம் அடைய முடியும் என்பதையும் இந்த வேலை நிரூபிக்கிறது.