of nine different regional algorith

of nine different regional algorithms applied to 1-km VGT daily
surface reflectance imagery. Roy et al. (2002, 2005b) developed a
predictive bi-directional reflectance modeling approach to map
burned areas on a daily basis using 500-m MODIS imagery. Most
recently, Tansey et al. (2008) modified one of the regional GBA-2000
algorithms for global use to produce the L3JRC 1-km global burned
area product for 2000–2007.
Although the majority of existing burned-area mapping methods
do not exploit active fire information, a minority are hybrid algorithms
which supplement the “standard” remotely-sensed indicators used for
burn mapping (surface reflectance, surface temperature, NDVI, etc.)
with active fire maps. Roy et al. (1999), for example, used AVHRR data
to map savanna burns in southern Africa from a temporal composite of
the range of a spectral index. Burned and unburned pixels were
differentiated using a threshold based on the mean and standard
deviation of the range of this index for pixels where active fires were
detected. Similarly, in the Fraser et al. (2000) HANDS algorithm, which
was designed for mapping boreal forest burns with AVHRR data, the
expected change in successive 10-day NDVI composites for burned
pixels was derived using an AVHRR active fire mask. A similar method
was developed by Pu et al. (2004) for mapping burned areas in
California, again with AVHRR data. George et al. (2006) used two
different vegetation indexes derived from 16-day MODIS nadir BRDFadjusted
reflectance composites to detect burn scars in central Russia
over a twelve year period. Disturbed landscape segments were
identified using a contextual algorithm and NDVI differencing, and
those segments containing active fires were classified as having
burned. Lastly, Loboda et al. (2007) developed a method for mapping
burned areas on an annual basis using 500-m MODIS 8-day surface
reflectance composites and 1-km MODIS active fire masks. As with the
Roy et al. (1999) approach, thresholds for burned pixels were derived
from statistics computed for pixels where active fires were detected.
While the spatial and temporal information available from active
fire data is intuitively useful for burned area mapping, active fire maps
generally have several characteristics which complicate their use in
hybrid algorithms, particularly those intended for use in multiple
biomes. First, the minimum detectable size of an active fire is up to
~1000 times smaller than the minimum detectable size of a burned
area (Giglio et al., 2006); selecting burned training pixels based on the
occurrence of an active fire is therefore susceptible to contamination
from pixels containing small, undetectable burned areas. Second,
active-fire false alarms (i.e., commission errors) will also contaminate
burned training samples. Third, whereas using active fire locations to
guide the selection of burned training pixels is comparatively
straightforward (e.g., Roy et al., 1999), considerably more care is
required in selecting unburned training pixels, as the absence of
detected fires at a particular location does not guarantee that the
location did not burn. Active-fire omission errors can occur because
fires are too small to detect, or are obscured by clouds or overstory
vegetation, or were not actively burning at the time of the satellite
overpass. This can lead to the inclusion of burned pixels in an
unburned training sample selected on the basis of their (lack of)
proximity to hot spots.
In this paper we present an automated hybrid algorithm for
mapping burned areas using MODIS imagery which largely overcomes
the above issues. The algorithm, which is a simplified version of an
earlier prototype used by Giglio et al. (2006, Appendix A), detects
persistent changes in a daily vegetation-index time series derived
from MODIS surface reflectance observations. Maps of active fires are
used to generate regional probability density functions suitable for
classifying these persistent changes as either burned or unburned. The
algorithm identifies the date of burn, to the nearest day, for pixels
within individual MODIS Level 3 tiles (Section 2) at 500-m spatial
resolution.
Although our algorithm is conceptually similar to the hybrid
approaches mentioned above, it contains several innovations
intended to more fully exploit the information provided by active
fire maps, enabling the algorithm to function more robustly over a
wide range of biomes. Among these are the ability to identify training
samples of both burned and unburned pixels, in part through a region
growing phase, which also permits the algorithm to function in the
presence of extremely large burned areas, and the use of both spectral
and textural information to help discriminate between burned and
unburned pixels. In addition, the algorithm operates within a Bayesian
framework in which prior probabilities are adjusted based on the
proximity of burned training pixels, further exploiting the information
derived from active

Results (Indonesian) 1:

sembilan algoritma daerah yang berbeda, diterapkan 1-km VGT setiap haripermukaan reflektansi citra. Roy et al. (2002, 2005b) dikembangkanprediktif bi-directional reflektansi model pendekatan untuk petadibakar daerah setiap hari menggunakan citra MODIS 500-m. SebagianBaru-baru ini, Tansey et al. (2008) diubah salah satu daerah GBA-2000algoritma untuk global digunakan untuk menghasilkan L3JRC 1-km global dibakardaerah produk untuk 2000-2007.Meskipun sebagian besar metode yang ada pemetaan daerah dibakartidak mengeksploitasi informasi aktif api, minoritas hibrida algoritmayang menambah jarak jauh merasakan indikator "standar" digunakan untukmembakar pemetaan (reflektansi permukaan, suhu permukaan, NDVI, dll.)dengan aktif api maps. Roy et al. (1999), misalnya, menggunakan AVHRR datauntuk memetakan Sabana membakar di Afrika Selatan dari gabungan fosil darikisaran spektral indeks. Yang dibakar dan pasanglah pikseldibedakan menggunakan ambang berdasarkan mean dan standarpenyimpangan jangkauan indeks ini untuk piksel yang mana kebakaran aktif ituterdeteksi. Demikian pula, dalam algoritma tangan Fraser et al. (2000), yangdirancang untuk pemetaan hutan boreal luka bakar dengan AVHRR data,diharapkan perubahan dalam 10 hari berturut-turut NDVI komposit untuk dibakarpiksel berasal menggunakan masker aktif api AVHRR. Metode yang serupadikembangkan oleh Pu et al. (2004) untuk pemetaan daerah dibakar diCalifornia, lagi dengan AVHRR data. George et al. (2006) digunakan duaIndeks vegetasi yang berbeda yang berasal dari 16 hari MODIS nadir BRDFadjustedreflektansi komposit untuk mendeteksi bekas luka bakar di Rusia tengahselama periode dua belas tahun. Terganggu lanskap segmen yangdiidentifikasi menggunakan algoritma kontekstual dan NDVI pembedaan, danmereka segmen yang mengandung kebakaran aktif diklasifikasikan sebagai memilikidibakar. Akhirnya, Loboda et al. (2007) mengembangkan metode untuk pemetaantempat-tempat yang dibakar secara tahunan menggunakan 500-m MODIS 8-hari permukaanreflektansi komposit dan MODIS 1-km aktif api masker. Seperti denganPendekatan Roy et al. (1999), ambang batas untuk dibakar piksel diperolehidari statistik dihitung untuk piksel yang mana kebakaran aktif terdeteksi.Sementara informasi ruang dan waktu yang tersedia dari aktifdata api intuitif berguna untuk daerah terbakar pemetaan, maps api aktifumumnya memiliki beberapa karakteristik yang menyulitkan penggunaannya dalamalgoritma hibrida, terutama mereka yang dimaksudkan untuk digunakan dalam beberapabioma. Pertama, ukuran minimum terdeteksi api aktif adalah hingga~ 1000 kali lebih kecil daripada terdeteksi ukuran minimum dibakardaerah (Giglio et al., 2006); memilih dibakar pelatihan piksel berdasarkanterjadinya kebakaran aktif rentan terhadap kontaminasidari piksel yang mengandung kecil, tidak terdeteksi dibakar daerah. Kedua,Alarm palsu aktif-api (yaitu, Komisi kesalahan) juga akan mencemaridibakar pelatihan sampel. Ketiga, sedangkan menggunakan lokasi aktif apiPanduan pemilihan dibakar pelatihan piksel adalah relatiflangsung (misalnya, Roy et al., 1999), jauh lebih banyak perawatandiperlukan dalam memilih piksel pasanglah pelatihan, sebagai tidak adanyaterdeteksi kebakaran pada suatu lokasi tertentu tidak menjamin bahwalokasi tidak terbakar. Aktif-api kelalaian kesalahan dapat terjadi karenakebakaran terlalu kecil untuk mendeteksi, atau dikaburkan oleh awan atau overstoryvegetasi, atau tidak aktif terbakar pada saat satelitJembatan. Hal ini dapat menyebabkan masuknya dibakar piksel dalampasanglah pelatihan sampel dipilih berdasarkan mereka (kurangnya)kedekatan dengan hot spot.Dalam makalah ini kami menyajikan sebuah algoritma hibrida otomatis untukPemetaan dibakar daerah menggunakan citra MODIS yang sebagian besar mengatasiisu-isu di atas. Algoritma, yang adalah versi sederhana dariprototipe yang sebelumnya digunakan oleh Giglio et al. (2006, Lampiran A), mendeteksigigih perubahan dalam indeks vegetasi waktu seri harian berasaldari MODIS permukaan reflektansi pengamatan. Peta kebakaran aktifdigunakan untuk menghasilkan regional probabilitas kepadatan fungsi cocok untukmengklasifikasikan perubahan terus-menerus sebagai dibakar atau terbakar. Thealgoritma mengidentifikasi tanggal terbakar, untuk hari terdekat, untuk pikseldalam individu MODIS Level 3 ubin (Bagian 2) di 500-m spasialresolusi.Meskipun algoritma kami secara konseptual mirip dengan hibridapendekatan yang disebutkan di atas, yang berisi beberapa inovasidimaksudkan untuk sepenuhnya memanfaatkan informasi yang diberikan oleh aktifapi maps, memungkinkan algoritma untuk fungsi lebih bersemangat lebih dariberbagai macam bioma. Di antaranya adalah kemampuan untuk mengidentifikasi pelatihansampel dibakar dan pasanglah piksel, di bagian melalui wilayahfase tumbuh, yang juga memungkinkan algoritma untuk fungsikehadiran daerah dibakar sangat besar, dan penggunaan keduanya spektraldan tekstur informasi untuk membantu membedakan antara dibakar danpasanglah piksel. Selain itu, algoritma beroperasi dalam Bayesiankerangka di mana sebelumnya probabilitas disesuaikan berdasarkandekat dibakar pelatihan piksel, lebih lanjut mengeksploitasi informasiberasal dari aktif

Results (Indonesian) 2:

sembilan algoritma daerah yang berbeda diterapkan untuk 1-km VGT harian
citra reflektansi permukaan. Roy et al. (2002, 2005b) mengembangkan
pendekatan pemodelan pemantulan bi-directional prediksi untuk memetakan
daerah terbakar setiap hari menggunakan 500-m MODIS citra. Kebanyakan
baru-baru ini, Tansey et al. (2008) yang dimodifikasi salah satu GBA-2000 daerah
algoritma untuk penggunaan global untuk menghasilkan L3JRC 1-km dibakar global yang
produk daerah untuk 2000-2007.
Meskipun sebagian besar metode pemetaan dibakar-daerah yang ada
tidak mengeksploitasi informasi api yang aktif, minoritas algoritma hybrid
yang melengkapi "standar" indikator jarak jauh-merasakan digunakan untuk
membakar pemetaan (reflektansi permukaan, suhu permukaan, NDVI, dll)
dengan peta api yang aktif. Roy et al. (1999), misalnya, menggunakan data AVHRR
untuk memetakan luka bakar savana di Afrika bagian selatan dari komposit temporal
kisaran indeks spektral. Dibakar dan piksel yang tidak terbakar yang
dibedakan dengan menggunakan ambang batas berdasarkan mean dan standar
deviasi dari kisaran indeks ini untuk piksel mana api aktif yang
terdeteksi. Demikian pula, di Fraser et al. (2000) algoritma TANGAN, yang
dirancang untuk hutan boreal pemetaan membakar dengan data AVHRR, yang
perubahan yang diharapkan dalam berturut-turut 10 hari komposit NDVI untuk dibakar
piksel berasal menggunakan AVHRR aktif api masker. Sebuah metode yang sama
dikembangkan oleh Pu et al. (2004) untuk pemetaan dibakar area di
California, lagi dengan data AVHRR. George et al. (2006) menggunakan dua
indeks vegetasi yang berbeda berasal dari 16-hari MODIS nadir BRDFadjusted
komposit pantulan untuk mendeteksi bekas luka bakar di Rusia tengah
selama dua belas tahun. Segmen landscape terganggu yang
diidentifikasi menggunakan kontekstual algoritma dan NDVI pembedaan, dan
segmen yang mengandung api aktif diklasifikasikan sebagai memiliki
terbakar. Terakhir, Loboda et al. (2007) mengembangkan metode untuk pemetaan
dibakar daerah secara tahunan menggunakan 500-m MODIS 8-hari permukaan
komposit reflektansi dan 1-km MODIS masker api yang aktif. Seperti dengan
Roy et al. (1999) pendekatan, ambang batas untuk piksel dibakar berasal
dari statistik dihitung untuk piksel mana api aktif yang terdeteksi.
Sementara informasi spasial dan temporal yang tersedia dari aktif
data kebakaran adalah intuitif berguna untuk pemetaan daerah yang terbakar, api yang aktif peta
umumnya memiliki beberapa karakteristik yang menyulitkan penggunaannya dalam
algoritma hybrid, terutama yang dimaksudkan untuk digunakan dalam beberapa
bioma. Pertama, ukuran terdeteksi minimal api aktif hingga
~ 1000 kali lebih kecil dari ukuran terdeteksi minimum dari dibakar
daerah (Giglio et al, 2006.); memilih membakar piksel pelatihan berdasarkan
terjadinya api aktif Oleh karena itu rentan terhadap kontaminasi
dari piksel yang mengandung, daerah-daerah kecil dibakar tidak terdeteksi. Kedua,
aktif-api alarm palsu (yaitu, kesalahan komisi) juga akan mencemari
terbakar sampel pelatihan. Ketiga, sedangkan menggunakan lokasi kebakaran aktif untuk
memandu pemilihan piksel pelatihan terbakar relatif
sederhana (misalnya, Roy et al., 1999), jauh lebih perawatan
diperlukan dalam memilih piksel pelatihan terbakar, seperti tidak adanya
kebakaran terdeteksi pada lokasi tertentu tidak menjamin bahwa
lokasi tidak membakar. Kesalahan kelalaian aktif-api dapat terjadi karena
kebakaran terlalu kecil untuk mendeteksi, atau dikaburkan oleh awan atau overstory
vegetasi, atau tidak aktif terbakar pada saat satelit
layang. Hal ini dapat menyebabkan masuknya piksel terbakar dalam
sampel pelatihan terbakar dipilih atas dasar mereka (kurangnya)
dekat dengan hot spot.
Dalam tulisan ini kami menyajikan algoritma hybrid otomatis untuk
pemetaan dibakar daerah menggunakan MODIS citra yang sebagian besar mengatasi
di atas Masalah. Algoritma, yang merupakan versi sederhana dari sebuah
prototipe sebelumnya digunakan oleh Giglio et al. (2006, Lampiran A), mendeteksi
perubahan terus-menerus dalam vegetasi-indeks time series harian berasal
dari MODIS pengamatan reflektansi permukaan. Maps dari api aktif yang
digunakan untuk menghasilkan fungsi kepadatan probabilitas daerah cocok untuk
mengklasifikasikan perubahan terus-menerus sebagai baik dibakar atau terbakar. The
algoritma mengidentifikasi tanggal luka bakar, satu hari, untuk piksel
dalam Tingkat MODIS individu 3 ubin (Bagian 2) di ruang 500-m
resolusi.
Meskipun algoritma kami secara konseptual mirip dengan hybrid
pendekatan yang disebutkan di atas, mengandung beberapa inovasi
dimaksudkan untuk lebih memanfaatkan informasi yang diberikan oleh aktif
peta api, memungkinkan algoritma untuk berfungsi lebih kokoh melalui
berbagai bioma. Di antaranya adalah kemampuan untuk mengidentifikasi pelatihan
sampel dari kedua piksel terbakar dan tidak terbakar, sebagian melalui daerah
fase tumbuh, yang juga memungkinkan algoritma untuk berfungsi dalam
kehadiran daerah terbakar sangat besar, dan penggunaan kedua spektral
informasi dan tekstur untuk membantu membedakan antara dibakar dan
piksel terbakar. Selain itu, algoritma beroperasi dalam Bayesian
kerangka di mana probabilitas sebelum disesuaikan berdasarkan
kedekatan piksel pelatihan dibakar, lanjut mengeksploitasi informasi
yang diperoleh dari aktif