کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6949643 | 1451281 | 2014 | 7 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data
ترجمه فارسی عنوان
طبقه بندی پوشش زمین از داده های سنجش از دور با وضوح کامل و در هم آمیختن ویژگی های زمانی از داده های رزولوشن عمیقتری را نشان می دهد
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پوشش زمین، وضوح کامل ویژگی های موقتی طبقه بندی، لندست 8، فیوژن،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
سیستم های اطلاعاتی
چکیده انگلیسی
Land cover classification of finer resolution remote sensing data is always difficult to acquire high-frequency time series data which contains temporal features for improving classification accuracy. This paper proposed a method of land cover classification with finer resolution remote sensing data integrating temporal features extracted from time series coarser resolution data. The coarser resolution vegetation index data is first fused with finer resolution data to obtain time series finer resolution data. Temporal features are extracted from the fused data and added to improve classification accuracy. The result indicates that temporal features extracted from coarser resolution data have significant effect on improving classification accuracy of finer resolution data, especially for vegetation types. The overall classification accuracy is significantly improved approximately 4% from 90.4% to 94.6% and 89.0% to 93.7% for using Landsat 8 and Landsat 5 data, respectively. The user and producer accuracies for all land cover types have been improved.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: ISPRS Journal of Photogrammetry and Remote Sensing - Volume 93, July 2014, Pages 49-55
Journal: ISPRS Journal of Photogrammetry and Remote Sensing - Volume 93, July 2014, Pages 49-55
نویسندگان
Kun Jia, Shunlin Liang, Ning Zhang, Xiangqin Wei, Xingfa Gu, Xiang Zhao, Yunjun Yao, Xianhong Xie,