Indiziert in
- Öffnen Sie das J-Tor
- RefSeek
- Hamdard-Universität
- EBSCO AZ
- OCLC – WorldCat
- Publons
- Internationale wissenschaftliche Indexierung
- Euro-Pub
- Google Scholar
Nützliche Links
Teile diese Seite
Zeitschriftenflyer
Open-Access-Zeitschriften
- Allgemeine Wissenschaft
- Biochemie
- Bioinformatik und Systembiologie
- Chemie
- Genetik und Molekularbiologie
- Immunologie und Mikrobiologie
- Klinische Wissenschaften
- Krankenpflege und Gesundheitsfürsorge
- Landwirtschaft und Aquakultur
- Lebensmittel & Ernährung
- Maschinenbau
- Materialwissenschaften
- Medizinische Wissenschaften
- Neurowissenschaften und Psychologie
- Pharmazeutische Wissenschaften
- Umweltwissenschaften
- Veterinärwissenschaften
- Wirtschaft & Management
Abstrakt
Klassifizierungsmethoden für Landbedeckung und Landnutzung (LCLU) im semiariden Botswana
Freue dich, Tsheko
Dieses Dokument präsentiert die Land Cover Land Use (LCLU), die von einem Landsat 8 (OLI) unter Verwendung von zwei Klassifizierungsschemata, nämlich Maximum Likelihood Algorithm (MLA) und Artificial Neural Networks (ANNs), erkannt wurde. Die Analyse wurde unter Verwendung von zwei, drei und acht Merkmalen (Oberflächenreflexion und Indizes) durchgeführt. Für alle Klassifizierungen variierten die Gesamtgenauigkeit und die Kappa-Statistik von 93,81 % bzw. 0,89 bis 99,38 % bzw. 0,99. Die höchsten Klassifizierungsgenauigkeiten wurden entweder durch Verwendung aller acht Merkmale oder zweier Merkmale (nur Indizes) für beide Klassifizierungsschemata erzielt. Dies zeigt die Bedeutung des Normalized Difference Vegetation Index (NDVI) und des Normalized Difference Buildup Index (NDBI) bei der LCLU-Kartierung. Die beiden Indizes sind robust genug, um zum Erkennen von Sträuchern, Bäumen, Wasser und Bebauung in einem Satellitenbild verwendet zu werden. Darüber hinaus ist auch der ANN-Klassifikator robust genug, um für diese Klassifizierung verwendet zu werden. Während der MLA-Klassifikator sowohl die Mittelwerte als auch die Varianz der Merkmale verwendete, verwendete der ANNs-Klassifikator nur die Mittelwerte der Merkmale. Dies ist eine Demonstration der Datenfusion in einer normalisierten Skala von -1,0 bis 1,0. Diese Arbeit zeigt auch, dass akzeptable Klassifizierungsgenauigkeiten mit weniger Spektralkanälen erreicht werden können.