index is the most important predict

index is the most important predictor followed by the NIR band and the
NDWI index. The ALBEDO is mainly used at the top of the classification tree for
separating the land surface (ALBEDO 0.262) from clouds (ALBEDO>0.262). The
NIR band is used at different steps for separating unburnt from burnt surfaces, thus
confirming its sensitivity to changes induced by the fire on the vegetation cover. The
ranking of the NDWI index as the third best important variable, suggests that the
difference between NIR and SWIR bands may contain some information for mapping
burnt surfaces (Pereira et al. 1999). Indeed the SWIR band is used only for separating
terminal node 1 (SWIR 0.104) which mainly identifies water and mixed land-water
pixels. GEMI is ranked fourth probably because it provides the same type of
information as the NIR band.
Table 5 shows the misclassification matrix for the training dataset (learning and
test samples) for the three rules that classify ‘burnt surfaces’.
The misclassification error in the total amount of area burnt ranges between
8.5% (learning sample) and 12.7% (test sample). However, the estimates of the
performance of each classification rule appear to vary in an inconsistent way between
Figure 4. The importance of each predictor variable used in the classification tree depicted
in figure 3. Variables are ranked based on their importance in separating the classes.
Table 5. Misclassification table.
Learning sample Testing sample
Class N pixels N mis. Error (%) N pixels N mis. Error (%)
Burnt Rule a 602 13 2.16 180 16 8.9
Rule b

Results (Indonesian) 1:

Indeks adalah prediktor terpenting yang diikuti oleh NIR band danIndeks NDWI. ALBEDO terutama digunakan di atas pohon klasifikasi untukmemisahkan permukaan tanah (ALBEDO 0.262) dari awan (ALBEDO > 0.262). TheNIR band yang digunakan pada langkah yang berbeda untuk memisahkan unburnt dari permukaan yang dibakar, sehinggamengkonfirmasikan kepekaan terhadap perubahan disebabkan oleh api di Tutupan vegetasi. Theperingkat indeks NDWI sebagai variabel penting ketiga terbaik, menunjukkan bahwaperbedaan antara NIR dan SWIR band mungkin berisi beberapa informasi untuk pemetaandibakar permukaan (Pereira et al. 1999). Memang SWIR band yang digunakan hanya untuk memisahkanTerminal node 1 (SWIR 0.104) yang terutama mengidentifikasi dan campuran tanah-airpiksel. GEMI adalah peringkat keempat mungkin karena menyediakan jenis yang samainformasi sebagai NIR band.Tabel 5 menunjukkan matriks misclassification untuk pelatihan dataset (belajar danUji sampel) untuk tiga peraturan yang menggolongkan 'dibakar permukaan'.Kesalahan misclassification dalam jumlah daerah dibakar berkisar antara8.5% (belajar sampel) dan 12.7% (uji sampel). Namun, perkiraankinerja setiap aturan klasifikasi muncul bervariasi dalam cara yang tidak konsisten antaraGambar 4. Pentingnya setiap variabel prediktor yang digunakan pada klasifikasi pohon digambarkanpada gambar 3. Variabel peringkat berdasarkan kepentingan mereka dalam memisahkan kelas.Tabel 5. Meja misclassification.Belajar sampel pengujian sampelKelas N piksel N mis. Kesalahan (%) N piksel N mis. Kesalahan (%)Dibakar aturan a 602 13 2.16 180 16 8.9Aturan b

Results (Indonesian) 2:

Indeks adalah prediktor paling penting diikuti oleh band NIR dan
indeks NDWI. Albedo ini terutama digunakan di bagian atas pohon klasifikasi untuk
memisahkan permukaan tanah (albedo 0,262) dari awan (albedo> 0,262). The
Band NIR digunakan pada langkah yang berbeda untuk memisahkan yang tidak terbakar dari permukaan dibakar, sehingga
mengkonfirmasikan kepekaan terhadap perubahan yang disebabkan oleh api pada penutup vegetasi. The
peringkat indeks NDWI sebagai variabel ketiga terbaik penting, menunjukkan bahwa
perbedaan antara NIR dan SWIR band mungkin berisi beberapa informasi untuk pemetaan
permukaan dibakar (Pereira et al. 1999). Memang band SWIR hanya digunakan untuk memisahkan
terminal node 1 (SWIR 0,104) yang terutama mengidentifikasi air dan tanah-air campuran
piksel. GEMI berada di peringkat keempat mungkin karena memberikan jenis yang sama dari
informasi sebagai band NIR.
Tabel 5 menunjukkan matriks kesalahan klasifikasi untuk dataset pelatihan (pembelajaran dan
uji sampel) untuk tiga aturan yang mengklasifikasikan 'dibakar permukaan'.
Kesalahan kesalahan klasifikasi dalam jumlah total kawasan yang terbakar berkisar antara
8,5% (sampel belajar) dan 12,7% (uji sampel). Namun, perkiraan
kinerja dari setiap aturan klasifikasi tampak berbeda dengan cara yang tidak konsisten antara
Gambar 4. Pentingnya setiap variabel prediktor yang digunakan dalam klasifikasi pohon digambarkan
dalam gambar 3. Variabel peringkat berdasarkan kepentingan mereka dalam memisahkan kelas.
tabel 5. Kesalahan klasifikasi meja.
sampel Pengujian sampel Learning
Kelas N piksel N mis. Kesalahan (%) N piksel N mis. Kesalahan (%)
Burnt Memerintah 602 13 2.16 180 16 8.9
Aturan b