Results (
Indonesian) 2:
[Copy]Copied!
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-
Being translated, please wait..