Key points are not available for this paper at this time.
يعد تصنيف استخدام الأراضي وتغطية الأراضي (LULC) أمرًا حيويًا للتطبيقات البيئية والإيكولوجية. يمثل ساتل Sentinel-2 جيلًا جديدًا من الأقمار الصناعية لمراقبة الأراضي، ويتمتع بمزايا جديدة من القدرات الطيفية، وتغطية واسعة ودقة مكانية وزمنية عالية. لقد تم التحقيق في تأثيرات طرق توحيد دقة المكاني المختلفة على تصنيف LULC بشكل نادر بالنسبة لـ Sentinel-2. قامت هذه الورقة بسد هذه الفجوة من خلال مقارنة الفروق بين التكبير والتقليص فضلاً عن خوارزميات التقليص المختلفة من وجهة نظر دقة تصنيف LULC. تشمل خوارزميات التقليص المدروسة إعادة عينة الجيران الأقرب وخمس طرق شائعة من تحسين الصور، وهي: جرام-شميت (GS)، انتشار الجيران الأقرب (NNDiffusion)، خوارزمية PANSHARP المقترحة من قبل Y. Zhang، دمج تحويلة الموجة (WTF) ودمج مرشح التمرير العالي (HPF). تم التحقيق في ميزتين مكانيتين، وهما مقاييس نسيجية مستمدة من مصفوفة التوافق الرمادي (GLCM) وملفات الخصائص الممتدة (EAPs)، لتعويض نقص التصنيف الطيفي القائم على البكسل. تم اعتماد الغابة العشوائية (RF) كمصنف. تم إجراء التجربة في حوض نهر Xitiaoxi، بالصين. أظهرت النتائج أن التقليص يتفوق بوضوح على التكبير من حيث دقة التصنيف. بالنسبة للتقليص، لا تتوفر مزايا واضحة لتحسين الصورة مقارنة بالتقريب المكاني. يتمتع كل خوارزم تحسين صورة بتأثيرات مختلفة. حققت طريقتان معتمدتان على التحليل متعدد الدرجات (MRA) وهما، WTF وHFP، أفضل أداء. حقق GS دقة مماثلة لـ NNDiffusion وPANSHARP. مقارنةً بتحسين الصورة، يمكن أن يؤدي إدخال الميزات المكانية، سواءً كانت GLCM أو EAPs إلى تحسين دقة التصنيف بشكل كبير لصور Sentinel-2. تأثيرها على الدقة العامة مماثل ولكنه يختلف بشكل كبير بالنسبة للفئات المحددة. بشكل عام، يمكن استخدام نطاقات الطيف التي تم تقليصها بواسطة تقريب الجيران الأقرب لتلبية متطلبات تطبيقات LULC الإقليمية، ويمكن استخدام ميزات GLCM وEAPs للحصول على خرائط تصنيف أكثر دقة.
درس Zheng وآخرون (Thu،) هذا السؤال.