Où:Cj=Matrice decovariance de la cl

Où:
Cj=Matrice decovariance de la classewjavec la dimension ρ ;μj= le vecteurde la classewj ; x = désigne le déterminant ; P [xi│wj]= la probabilitéde la coexistence[ou intersection] des événementsxet w ; [xi- μj]T = vecteurtransposé[xi- μj].
En appliquant cette règle, un échantillon de l'imageest affecté à une certaine classe, sila distance entre lesvaleurs des paramètres decet échantillon et la valeur moyenne de la classeest maximale. Cette règlen'est pas basée surla physique desmécanismes de diffusionetpermetde classifier des imagesindépendantes [Richards et Jia,. 2006].
c. Estimations de la performancedes méthodes de classification de l’occupation du sol
Sur la performance de deux méthodes de classification non-supervisée et supervisée, certaines études ont montré que la classification supervisée est plus performante que cellenon-supervisée [Xiong Liu,. 2002 ; Hasmadi,. 2009 ; Guerra et al,. 2010]. La précision des résultats par la classification non-supervisée sont normalement faibles. Cela peut provoquer une confusiondans les résultats de classification induisant au final des erreurs[Richards et Jia,. 2006], tandis queles résultats à l’aide de la classification supervisée sont satisfaisants, procheset compatibles avec lasuperposition d'imagesoriginales [Xiong Liu,. 2002 ; Guerra et al,. 2010 ].
Concernant la performance des algorithmes de la classification supervisée, les scientifiques tels que Parumal et Akgün ont testé les différentes techniques ci-dessus sur des images Landsat [Akgün,. 2004 ; Perumal, 2010]. Nous avons également validé ces techniques avec nos propres images Landsat qui couvrent le bassin versant de l’Ain.
Parmi ces algorithmes, l’AP et l’ASne sont pas très utilisés car ils laissentplusieurspixelsnon-classifiésetpeuvent également avoir deschevauchementsentre les pixelsd’entraînement [Perumal, 2010]. Une autre limitation de l’AP et l’AS est queles probabilités d'appartenance à des classesne sont paspris encompte [Akgün et al,. 2004 ; Campbell,. 2001 ].
La classification à l’aide de l’algorithme de DMinse trouve être la moinsprécise [Campbell,. 2001 ; Perumal, 2010]. Les cartesdérivéessemblaientplus fiables queles cartes produitespar l’algorithme parallélépipède [Akgün et al,. 2004].
Dans une étude de Gholami publiée en 2010, troisméthodesde classification (MV, DMaha et DMin)ont été analysées dansla partie occidentale dela province d'Ispahanen Iran. Dans cette étude, lesimagessatellites sont appliquées pour extraire l’occupation du sol (avec 4 catégories : l'agriculture d'irrigation, l'agriculture sèche, les jardins et les zones urbaines). Les erreurs et l’indice « Kappa »de ces cartes ont été calculés pour évaluer la précision de ces 3 méthodes. Les précisionssont respectivement de 53.13%,56.64%et48.44% [Gholami et al,. 2010].
Dans une autre étude publiée en 2009, Al-Ahmadi et Hames ont comparé aussi ces méthodes (MV, DMaha et DMin) pour trois régions en Royaume d'Arabie Saoudite (WadiThara, Wadi Al Hamid et Wadi Al Jawf). La précision obtenue est la plus élevée pour l’algorithme MV et la plus basse pour l’algorithmeDMin. A titre d’exemple, la précision globale de trois algorithmes pour trois régions étudiées est de 84%, 80% et 74% (WadiThara) ; de 74.51%, 68.63% et 62.75% (Wadi Al Hamid) ; de 80.77%, 73.08% et 65.38% (Wadi Al Jawf).
Les études de Frinelle(2001) et de Cetin(2004) ont comparé les deux méthodes en l’occurrence MV et RNA [Frinelle et Moody,. 2001 ; Cetin et al,. 2004]. Cetin et ses collègues ont montré que la précision de ces deux méthodes est pratiquement équivalente. Cependant, Frinelle et Moody ont montré que la précision de la technique MV est plus élevée que celle de RNA.
Dans le cadre de notre étude, nous avons également comparé deux méthodes de MV et de RNA pour le bassin versant de l’Ain, en utilisant l’image Landsat ETM. Les résultats obtenus montrent que les valeurs de précision sont respectivement de 98% (K=0.974), et de 71.5% (K=0.63).
L’analyse des avantages, des inconvénients et la performance pour les deux approches de classification (supervisée et non-supervisée), ainsi que l’estimation de la précision des algorithmes de classification supervisée montrent que l’algorithme de Maximum de Vraisemblance sera le mieux adapté à notre étude. Par conséquent, nous avons choisi la méthode de classification supervisée avec l’algorithme de Maximum de Vraisemblance (MV) pour la classification de l’occupation des sols du bassin versant de l’Ain.

Kết quả (Việt) 1:

Ở đâu:CJ = ma trận decovariance của classewjavec kích thước ρ; μj = vecteurde classewj; x = là yếu tố quyết định; P [xi│wj] = tỷ lệ cược sống [hoặc giao lộ] của evenementsxet w. [xi - μj] T = vecteurtranspose [xi - μj].Trong việc áp dụng quy tắc này, một mẫu imageest được gán cho một lớp nhất định, sila khoảng cách giữa các giá trị của tham số decet mẫu và giá trị trung bình của classeest tối đa. Này reglen' không dựa trên vật lý desmecanismes phân loại diffusionetpermetde imagesindependantes [Richards và Jia,. 2006].c. ước tính của việc chiếm đóng performancedes của phương pháp phân loại đấtĐến hiệu suất của hai phương pháp phân loại không có giám sát và giám sát, một số nghiên cứu đã chỉ ra rằng việc phân loại giám sát là hiệu quả hơn cellenon giám sát [sở hùng Liu,. 2002;] Hasmadi. năm 2009; Guerra et al... 2010]. tính chính xác của các kết quả của việc phân loại không có giám sát bình thường thấp. Điều này có thể gây ra một hoàn thiện các kết quả của phân loại gây ra các lỗi cuối cùng [Richards và Jia,. 2006], trong khi các kết quả bằng cách sử dụng phân loại giám sát là thỏa đáng, tương thích với lasuperposition của imagesoriginales procheset [sở hùng Liu,. 2002;] Guerra et al... 2010]. Liên quan đến hiệu suất của các thuật toán phân loại giám sát, chẳng hạn như Parumal và Akgün các nhà khoa học thử nghiệm kỹ thuật trên về Landsat hình ảnh [Akgün,. năm 2004;] Perumal, 2010]. Chúng tôi cũng xác nhận những kỹ thuật này với riêng của chúng tôi hình ảnh Landsat bao gồm diện tích lưu vực của tỉnh Ain. Trong số các thuật toán này, AP và ASne không sử dụng rộng rãi bởi vì họ laissentplusieurspixelsnon-classifiesetpeuvent cũng có deschevauchementsentre pixelsd' đào tạo [Perumal, 2010]. Một hạn chế của AP và các ACE là khả năng thuộc về một classesne là paspris email [Akgün và ctv. 2004;] Campbell. 2001]. Phân loại bằng cách sử dụng các thuật toán của DMinse là moinsprecise [Campbell,. 2001;] Perumal, 2010]. Cartesderiveessemblaientplus đáng tin cậy queles bản đồ produitespar thuật toán hình khối lục diện [Akgün và ctv. 2004].Trong một nghiên cứu của Gholami được xuất bản vào năm 2010, phân loại troismethodesde (MV, DMaha và DMin) đã phân tích một phần dansla dela phía tây tỉnh Ispahanen Iran. Trong nghiên cứu này, lesimagessatellites được áp dụng để trích xuất chiếm đóng đất (với 4 loại: tưới tiêu nông nghiệp, nông nghiệp giặt, khu vườn và khu vực đô thị). Lỗi và "Kappa" số của các thẻ này đã được tính toán để đánh giá tính chính xác của những phương pháp 3. Precisionssont tương ứng 53.13%,56.64%et48.44% [Gholami et al.. 2010]. Trong một nghiên cứu được công bố trong năm 2009, Al-Ahmadi và Hames cũng so những phương pháp (MV, DMaha và DMin) cho ba khu vực trong Vương Quốc của ả Rập Saudi (WadiThara, Wadi Al Hamid và Wadi Al Jawf). Đạt được độ chính xác là cao nhất cho các thuật toán MV và thấp nhất dành cho algorithmeDMin. Ví dụ, độ chính xác tổng thể của ba các thuật toán cho ba vùng nghiên cứu là 84%, 80% và 74% (WadiThara); 74.51%, 68. 63% và 62.75% (Wadi Al-Hamid); 80.77%, 73.08% và 65.38% (Wadi Al Jawf). Frinelle nghiên cứu (2001) và Çetin (2004) so sánh hai phương pháp trong trường hợp MV và RNA [Moody, và Frinelle. 2001;] Cetin và al. Năm 2004]. Çetin và đồng nghiệp của ông đã chỉ ra rằng sự chính xác của hai phương pháp là thực tế tương đương. Tuy nhiên, Frinelle và Moody đã chỉ ra rằng sự chính xác của các kỹ thuật MV là cao hơn của RNA. Trong nghiên cứu của chúng tôi, chúng tôi cũng so sánh hai phương pháp MV và RNA cho diện tích lưu vực của Ain, bằng cách sử dụng hình ảnh Landsat ETM. Kết quả thu được cho thấy rằng các giá trị chính xác là 98% (K = 0.867), và 71,5% (K = 0,63). Phân tích những thuận lợi, khó khăn và hiệu suất cho hai phương pháp để phân loại (giám sát và phòng không giám sát), cũng như ước tính chính xác của các thuật toán phân loại giám sát Hiển thị tối đa khả năng thuật toán sẽ tốt nhất phù hợp với nghiên cứu của chúng tôi. Vì vậy, chúng tôi đã chọn phương pháp phân loại giám sát với các thuật toán tối đa khả năng (MV) để phân loại nghề nghiệp của đất của vùng lưu vực của tỉnh Ain.

Kết quả (Việt) 2:

Trong đó:
Cj = Matrix decovariance của chiều classewjavec ρ; μj = các vecteurde các classewj; x = biểu thị các yếu tố quyết định; P [xi│wj] = các probabilitéde chung sống [hoặc giao lộ] của événementsxet w; [Xi- μj] T = vecteurtransposé [xi- μj].
Áp dụng quy tắc này, một mẫu của các imageest giao cho một tầng lớp nhất định, khoảng cách giữa sila decet lesvaleurs các thông số mẫu và giá trị trung bình của các classeest tối đa. Đây règlen'est không dựa Surla desmécanismes vật lý diffusionetpermetde phân loại imagesindépendantes [Richards và Jia,. 2006].
c. Ước tính của các phương pháp phân loại performancedes sử dụng đất
vào hiệu suất của cả hai phương pháp phân loại có giám sát và giám sát, một số nghiên cứu đã chỉ ra rằng các phân nhóm làm việc tốt hơn cellenon-giám sát [Xiong Liu,. 2002; Hasmadi,. 2009; Guerra et al,. 2010]. Độ chính xác của việc phân loại không giám sát thường thấp. Điều này có thể gây ra các confusiondans kết quả phân loại gây lỗi trong trận chung kết [Richards và Jia,. 2006], trong khi thatthe quả sử dụng phân loại có giám sát là thỏa đáng, procheset tương thích với lasuperposition của imagesoriginales [Xiong Liu,. 2002; Guerra et al,. 2010].
Về hiệu suất của thuật toán phân loại có giám sát, các nhà khoa học như Parumal Akgün và thử nghiệm các kỹ thuật khác nhau trên trên Landsat hình ảnh [Akgün,. 2004; Perumal, 2010]. Chúng tôi cũng xác nhận các kỹ thuật này với những hình ảnh vệ tinh Landsat của riêng của chúng tôi mà bao gồm các diện tích lưu vực Ain.
Trong số các thuật toán, các PA và ASNE không được sử dụng rộng rãi bởi vì họ cũng có laissentplusieurspixelsnon-classifiésetpeuvent deschevauchementsentre các pixelsd'entraînement [Perumal 2010]. Một hạn chế khác của AP và AS là thatthe xác suất thuộc classesne là intoaccount paspris [Akgün et al,. 2004; Campbell,. 2001].
Việc phân loại bằng cách sử dụng các thuật toán để có các DMinse moinsprécise [Campbell,. Năm 2001; Perumal, 2010]. Cartesdérivéessemblaientplus đáng tin cậy thatthe thẻ produitespar thuật toán -hình [Akgün et al,. 2004].
Trong một nghiên cứu được công bố trong năm 2010 Gholami, phân loại troisméthodesde (MV, và DMaha dmin) được phân tích dansla phía tây tỉnh Ispahanen ngoài Iran. Trong nghiên cứu này, lesimagessatellites được áp dụng để trích xuất bìa đất (với 4 loại: tưới tiêu nông nghiệp, nuôi trồng khô, vườn và các khu vực đô thị). Các lỗi và chỉ số "Kappa" của loại thẻ này được tính toán để đánh giá tính chính xác của các phương pháp 3. Các précisionssont tương ứng 53,13%, 56,64% et48.44% [Gholami et al,. 2010].
Trong một nghiên cứu được công bố vào năm 2009, Al-Ahmadi và Hames cũng so sánh các phương pháp này (MV, và DMaha dmin) cho ba vùng trong Vương quốc Saudi Arabia (WadiThara, Wadi Al Hamid và Wadi Al Jawf). Độ chính xác đạt được là cao nhất cho các MV và thấp nhất thuật toán cho algorithmeDMin. Ví dụ, tính chính xác tổng thể của ba thuật toán cho ba khu vực là 84%, 80% và 74% (WadiThara); của 74,51%, 68,63% và 62,75% (Wadi Al Hamid); của 80.77%, 73.08% và 65,38% (Wadi Al Jawf).
Các nghiên cứu Frinelle (2001) và Cetin (2004) đã so sánh hai phương pháp trong trường hợp này và MV RNA [Frinelle và Moody,. Năm 2001; Cetin et al,. 2004]. Cetin và cộng sự chỉ ra rằng sự chính xác của hai phương pháp này là tương đương nhau. Tuy nhiên, Frinelle và Moody đã cho thấy rằng sự chính xác của kỹ thuật MV là cao hơn so với các RNA.
Trong nghiên cứu của chúng tôi, chúng tôi cũng so sánh hai phương pháp của MV RNA và cho lưu vực của Ain, trong sử dụng Landsat ETM hình ảnh. Kết quả cho thấy rằng các giá trị chính xác là 98%, tương ứng (K = 0,974) và 71,5% (K = 0,63).
Việc phân tích những ưu điểm, nhược điểm và hiệu suất cho cả hai phương pháp phân loại (giám sát và không có giám sát) và các ước tính về độ chính xác của thuật toán phân loại có giám sát cho thấy thuật toán khả năng tối đa là phù hợp nhất với nghiên cứu của chúng tôi. Vì vậy, chúng tôi chọn phương pháp thuật toán phân loại có giám sát với Maximum Likelihood (ML) để phân loại sử dụng đất rừng đầu nguồn Ain.