supervised classification of agricultural land cover using a modified k-nn technique (mnn) and landsat remote sensing imagery监督分类的农业土地覆盖使用修改后的事例(内容)和陆地卫星遥感图像的技术.pdfVIP

下载本文档

0
0
约7.08万字
约 21页
2017-09-12 发布于上海
举报
版权申诉

supervised classification of agricultural land cover using a modified k-nn technique (mnn) and landsat remote sensing imagery监督分类的农业土地覆盖使用修改后的事例(内容)和陆地卫星遥感图像的技术.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

supervised classification of agricultural land cover using a modified k-nn technique (mnn) and landsat remote sensing imagery监督分类的农业土地覆盖使用修改后的事例(内容)和陆地卫星遥感图像的技术

Remote Sens. 2009, 1, 875-895; doi:10.3390/rs1040875 OPEN ACCESS Remote Sensing ISSN 2072-4292 /journal/Remote Sensing Article Supervised Classiﬁcation of Agricultural Land Cover Using a Modiﬁed -NN Technique (MNN) and Landsat Remote Sensing Imagery Luis Samaniego and Karsten Schulz Department of Computational Hydrosystems, UFZ–Helmholtz-Centre for Environmental Research, Permoserstr. 15, 04318 Leipzig, Germany; E-Mail: luis.samaniego@ufz.de ¨ ¨ Department of Geography, Ludwig-Maximilians-Universitat Munchen, Luisenstr. 37, 80333 Munich, Germany Author to whom correspondence should be addressed; E-Mail: k.schulz@lmu.de; Tel.: +49-89-2180-6681; Fax: +49-89-2180-6675. Received: 9 September 2009; in revised form: 29 October 2009 / Accepted: 30 October 2009 / Published: 9 November 2009 Abstract: Nearest neighbor techniques are commonly used in remote sensing, pattern recognition and statistics to classify objects into a predeﬁned number of categories based on a given set of predictors. These techniques are especially useful for highly nonlinear relationship between the variables. In most studies the distance measure is adopted a priori. In contrast we propose a general procedure to ﬁnd an adaptive metric that combines a local variance reducing technique and a linear embedding of the observation space into an appropriate Euclidean space. To illustrate the application of this technique, two agricultural land cover classiﬁcations using mono-temporal