performing a Matched Filtering anal

performing a Matched Filtering analysis (endmember
obtained from high fire severity ‘‘Ground points,’’ see
section 3.3), a three-class Unsupervised Classification and
applying a 7  7 Median filter to the resulting file. Other
classifications obtained from the TM image which produced
good results are: (1) LanTM2, obtained by calculating the
NBR index, performing a three-class Unsupervised Classification
on the resulting file and applying a 7  7 Median
filter; (2) LanTM3 is the result of performing a MF analysis
(‘‘MF prefield,’’ endmember extracted from the TM image
with no field data, see section 3.4), performing previously
obtained numeric thresholds for the segmentation of the MF
file (see section 3.3) and applying a 7  7 Median filter.
[57] 2. The best results from the Envisat-MERIS image
were for the classification MER1, obtained by performing a
Linear Spectral Unmixing analysis using the Set2 of endmembers
(landscape components; see section 3.3). The
band corresponding to the ‘‘burned surface endmember’’
was segmented by applying a three-class Unsupervised
Classification (see section 3.3).
[58] 3. The best results from the Terra-MODIS image
were for MOD1, obtained by following the same process
described for MER1.
[59] Table 4 shows verification results for the five classifications
described above. The confidence level for the tc
coefficient is also provided. Figure 3 shows classifications
LanTM1, MER1 and MOD1.
[60] Table 5 shows the percentage of burned area related
to each class of fire severity for the classifications: LanTM1,
LanTM2, LanTM3, MER1 and MOD1. As can be seen in
Table 5, the fire was very severe, since most of the affected
area corresponds to either high or moderate fire severity
levels. The spatial pattern is similar for the classifications
LanTM1, MER1 and MOD1 (Figure 3), and there are only
slight differences between surfaces percentages from the
different sensors. Concerning the three classifications
obtained from the TM image, there are larger differences
between surfaces percentages for the different fire severity
levels. These differences will be analyzed in future work.
5. Discussion
[61] Concerning burned area, it is remarkable that the
estimation obtained during the field survey design, with no
field data (34473 ha) is quite similar to the one obtained
using data collected on the ground (32058 ha). The one
based on field data is considered more accurate.
[62] Concerning fire severity estimation (Table 4), results
obtained for the classification LanTM1 are in line with
those from similar studies [Ruiz-Gallardo et al., 2004;
Navarro et al., 1998]. It is necessary to remark that the
consulted studies usually (1) employ prefire and postfire
images [Ruiz-Gallardo et al., 2004; Navarro et al., 1998;
Key and Benson, 2004; Chafer et al., 2004], (2) perform an
extensive field assessment [Ruiz-Gallardo et al., 2004;
Navarro et al., 2001] and/or (3) use only two levels of fire
severity [Navarro et al., 2001; Escuin et al., 2002]. Accuracies
from classifications LanTM2 and LanTM3, although
lower than those from some of the former studies, are
considered acceptable taking into account that only one
postfire image and little field data were used to produce
them. In the same way, classifications MER1 and MOD1
are considered of an acceptable reliability, with the added
value of using medium spatial resolution data, which are
acquired with a higher frequency and have a lower price.
[63] Referring to the different image processing techniques,
obtained results show the importance of spectral
purity in the training phase (endmember extraction).
Matched Filtering seems to produce good results if the
endmember is ‘‘spectrally pure’’ enough (as can be assumed
in the case of TM images, 30 m spatial resolution). As
‘‘spectral purity’’ decreases for MERIS and MODIS due to
their coarser spatial resolution (300 m and 500 m), it is
necessary to consider a larger amount of information to
obtain acceptable results. Consequently, Linear Spectral
Unmixing (with an endmember for each landscape component)
seems more suitable for estimating fire severity using
medium resolution images than Matched Filtering.
[64] The Linear Spectral Unmixing technique produces
better results when endmembers are extracted from landscape
components than when they are extracted from fire
severity data collected in the field. This corroborates the
importance of spectral purity in the training phase. Land-

Results (Indonesian) 1:

melakukan analisis cocok penyaringan (endmemberDiperoleh dari tinggi api keparahan '' tanah poin '', lihatseksi 3.3), tiga kelas tanpa pengawasan klasifikasi danmenerapkan 7 7 Median filter untuk file yang dihasilkan. Lainnyaklasifikasi yang Diperoleh dari gambar TM yang diproduksihasil yang baik adalah: (1) LanTM2, diperoleh dengan menghitungIndeks NBR, melakukan tiga kelas tanpa pengawasan klasifikasifile yang dihasilkan dan menerapkan 7 7 Medianpenyaring; (2) LanTM3 adalah hasil dari melakukan analisis MF('' MF prefield,'' endmember yang diekstrak dari gambar TMdengan tidak ada data lapangan, lihat bagian 3.4), melakukan sebelumnyamemperoleh angka ambang untuk segmentasi MFfile (Lihat bagian 3.3) dan menerapkan 7 7 Median filter.[57] 2. Hasil terbaik dari gambar Envisat-MERISuntuk klasifikasi MER1, diperoleh dengan melakukanLinear analisis spektral Unmixing menggunakan Set2 endmembers(lanskap komponen; Lihat bagian 3.3). Theband sesuai dengan '' dibakar permukaan endmember''tersegmentasi dengan menerapkan tiga kelas UnsupervisedKlasifikasi (Lihat bagian 3.3).[58] 3. Hasil terbaik dari Terra-MODIS gambaruntuk MOD1, diperoleh dengan mengikuti proses yang samadijelaskan untuk MER1.[59] Tabel 4 menunjukkan hasil verifikasi untuk kelima klasifikasidijelaskan di atas. Tingkat keyakinan untuk tcKoefisien juga disediakan. Gambar 3 menunjukkan klasifikasiLanTM1, MER1 dan MOD1.[60] Tabel 5 menunjukkan persentase dibakar daerah terkaituntuk masing-masing kelas keparahan api untuk klasifikasi: LanTM1,LanTM2, LanTM3, MER1 dan MOD1. Seperti yang dapat dilihat diTabel 5, kebakaran itu sangat parah, karena sebagian besar yang terkenadaerah sesuai dengan tingkat keparahan tinggi atau sedang api baiktingkat. Pola spasial serupa untuk klasifikasiLanTM1, MER1 dan MOD1 (gambar 3), dan hanya adasedikit perbedaan antara permukaan persentase darisensor yang berbeda. Mengenai tiga klasifikasiDiperoleh dari gambar TM, ada perbedaan yang lebih besarantara permukaan persentase untuk tingkat keparahan berbeda apitingkat. Perbedaan-perbedaan ini akan dianalisis dalam pekerjaan masa depan.5. diskusi[61] mengenai area yang terbakar, itu luar biasa yangestimasi yang diperoleh selama survei Lapangan Desain, tanpabidang data (34473 ha) sangat mirip dengan yang diperolehmenggunakan data yang dikumpulkan di tanah (32058 ha). Salah satuBerdasarkan bidang data dianggap lebih akurat.[62] mengenai api keparahan estimasi (Tabel 4), hasilDiperoleh untuk klasifikasi LanTM1 sejalan denganorang-orang dari penelitian serupa [Ruiz-Gallardo et al., 2004;Navarro et al. 1998]. Hal ini diperlukan untuk berkomentar bahwaberkonsultasi studi biasanya (1) menggunakan prefire dan postfiregambar [Ruiz-Gallardo et al., 2004; Navarro et al. 1998;Kunci dan Benson, 2004; Chafer et al., 2004], (2) melakukanbidang luas penilaian [Ruiz-Gallardo et al., 2004;Navarro et al., 2001] dan/atau (3) menggunakan hanya dua tingkat apikeparahan [Navarro et al., 2001; Escuin et al., 2002]. Akurasidari klasifikasi LanTM2 dan LanTM3, meskipunlebih rendah dari mereka dari beberapa studi mantan, yangdianggap dapat diterima memperhitungkan bahwa hanya satupostfire gambar dan sedikit Lapangan data yang digunakan untuk menghasilkanmereka. Dalam cara yang sama, klasifikasi MER1 dan MOD1dianggap kehandalan yang diterima, dengan tambahannilai menggunakan resolusi spasial menengah data, yangDiperoleh dengan frekuensi yang lebih tinggi dan memiliki harga yang lebih rendah.[63] mengacu pada teknik, pengolahan gambar yang berbedamemperoleh hasilnya menunjukkan pentingnya spektralkemurnian pada tahap pelatihan (endmember ekstraksi).Cocok Filtering tampaknya untuk menghasilkan hasil yang baik jikaendmember '' spectrally murni '' cukup (seperti dapat diasumsikandalam kasus TM gambar, keterlaraian 30 m). Sebagai'' spektral kemurnian '' menurun untuk MERIS dan MODIS karenaResolusi spasial mereka kasar (300 m dan 500 m), ituperlu untuk mempertimbangkan sejumlah besar informasi untukmemperoleh hasil yang dapat diterima. Akibatnya, linier spektralUnmixing (dengan endmember untuk setiap komponen lansekap)tampaknya lebih cocok untuk memperkirakan api keparahan menggunakanmenengah resolusi gambar daripada cocok penyaringan.[64] teknik Linear spektral Unmixing menghasilkanhasil yang lebih baik ketika endmembers diekstrak dari lanskapkomponen daripada ketika mereka diekstrak dari apikeparahan data yang dikumpulkan di lapangan. Ini membenarkanpentingnya spektral kemurnian pada tahap pelatihan. Land-

Results (Indonesian) 2:

melakukan analisis Filtering yang sesuai (endmember
diperoleh dari keparahan api tinggi '' poin Ground, '' lihat
bagian 3.3), sebuah Klasifikasi Unsupervised tiga kelas dan
menerapkan 7? 7 Median filter untuk file yang dihasilkan. Lainnya
klasifikasi diperoleh dari citra TM yang menghasilkan
hasil yang baik adalah: (1) LanTM2, diperoleh dengan menghitung
indeks NBR, melakukan Klasifikasi Unsupervised tiga kelas
pada file yang dihasilkan dan menerapkan 7? 7 Median
filter; (2) LanTM3 adalah hasil dari melakukan analisis MF
( '' MF prefield, '' endmember diekstrak dari citra TM
tanpa data lapangan, lihat bagian 3.4), melakukan sebelumnya
ambang batas numerik diperoleh untuk segmentasi dari MF
berkas (lihat bagian 3.3) dan menerapkan 7? . 7 Median Filter
[57] 2. Hasil terbaik dari gambar Envisat-MERIS
adalah untuk klasifikasi MER1, diperoleh dengan melakukan
analisis Linear Spectral unmixing menggunakan Set2 dari endmembers
(komponen landscape; lihat bagian 3.3). The
Band yang sesuai dengan '' membakar permukaan endmember ''
itu tersegmentasi dengan menerapkan Unsupervised tiga kelas
Klasifikasi (lihat bagian 3.3).
[58] 3. Hasil terbaik dari citra Terra-MODIS
adalah untuk Mod1, diperoleh dengan mengikuti proses yang sama
dijelaskan untuk MER1.
[59] Tabel 4 menunjukkan hasil verifikasi selama lima klasifikasi
yang dijelaskan di atas. Tingkat kepercayaan untuk tc
koefisien juga disediakan. Gambar 3 menunjukkan klasifikasi
LanTM1, MER1 dan Mod1.
[60] Tabel 5 menunjukkan persentase daerah yang terbakar berkaitan
dengan masing-masing kelas dari keparahan api untuk klasifikasi: LanTM1,
LanTM2, LanTM3, MER1 dan Mod1. Seperti yang bisa dilihat di
Tabel 5, api sangat parah, karena sebagian besar dipengaruhi
daerah sesuai dengan baik api keparahan tinggi atau sedang
tingkat. Pola spasial adalah sama untuk klasifikasi
LanTM1, MER1 dan Mod1 (Gambar 3), dan hanya ada
sedikit perbedaan antara permukaan persentase dari
sensor yang berbeda. Mengenai tiga klasifikasi
yang diperoleh dari citra TM, ada perbedaan besar
antara permukaan persentase untuk api keparahan yang berbeda
tingkat. Perbedaan-perbedaan ini akan dianalisis dalam pekerjaan di masa depan.
5. Diskusi
[61] Mengenai daerah yang terbakar, itu adalah luar biasa bahwa
estimasi diperoleh selama desain survei lapangan, dengan tidak ada
data lapangan (34.473 ha) sangat mirip dengan yang diperoleh
dengan menggunakan data yang dikumpulkan di tanah (32.058 ha). Satu
berdasarkan data lapangan dianggap lebih akurat.
[62] Mengenai api keparahan estimasi (Tabel 4), hasil
yang diperoleh untuk klasifikasi LanTM1 sejalan dengan
orang-orang dari penelitian serupa [Ruiz-Gallardo et al, 2004;.
Navarro et al ., 1998]. Hal ini diperlukan untuk berkomentar bahwa
studi berkonsultasi biasanya (1) mempekerjakan prefire dan postfire
gambar [Ruiz-Gallardo et al., 2004; Navarro et al, 1998;.
Key dan Benson, 2004; . Chafer et al, 2004], (2) melakukan
penilaian lapangan yang luas [Ruiz-Gallardo et al, 2004;.
. Navarro et al, 2001] dan / atau (3) hanya menggunakan dua tingkat kebakaran
keparahan [Navarro et al ., 2001; Escuin et al., 2002]. Akurasi
dari klasifikasi LanTM2 dan LanTM3, meskipun
lebih rendah dibandingkan dari beberapa mantan studi, yang
dianggap dapat diterima dengan memperhitungkan bahwa hanya satu
postfire gambar dan data lapangan kecil yang digunakan untuk menghasilkan
mereka. Dengan cara yang sama, klasifikasi MER1 dan Mod1
dianggap suatu kehandalan yang dapat diterima, dengan menambahkan
nilai menggunakan data resolusi spasial menengah, yang
diperoleh dengan frekuensi yang lebih tinggi dan memiliki harga yang lebih rendah.
[63] Mengacu pada teknik pengolahan gambar yang berbeda ,
hasil yang diperoleh menunjukkan pentingnya spektral
kemurnian dalam fase pelatihan (ekstraksi endmember).
Cocok Penyaringan tampaknya menghasilkan hasil yang baik jika
endmember adalah '' spektral murni '' cukup (seperti dapat diasumsikan
dalam kasus gambar TM, 30 m resolusi spasial). Sebagai
'' kemurnian spektral '' menurun untuk MERIS dan MODIS karena
resolusi mereka kasar spasial (300 m dan 500 m), maka
perlu untuk mempertimbangkan jumlah yang lebih besar dari informasi untuk
mendapatkan hasil yang diterima. Akibatnya, Linear Spectral
unmixing (dengan endmember untuk setiap komponen landscape)
tampaknya lebih cocok untuk mengestimasi tingkat keparahan api menggunakan
gambar resolusi menengah daripada yang cocok Filtering.
[64] Teknik Linear Spectral unmixing menghasilkan
hasil yang lebih baik saat endmembers yang diambil dari lanskap
komponen daripada ketika mereka yang diambil dari api
Data keparahan dikumpulkan di lapangan. Ini menguatkan
pentingnya kemurnian spektral dalam tahap pelatihan. Tanah-