dry season (June–August), numerous

dry season (June–August), numerous individual smaller fires each burned
significantly less than 1000 km2 and affected a total area of 2422 km2
. In the second
half of the dry season (September–November), there was a significant change in fire
behaviour and a series of individual fires each greater than 1000 km2 in area burned
7845 km2 total. Therefore, a few large fires are responsible for the majority of the
area burned, a phenomenon noted previously in other ecosystems (Kasischke and
French 1995, Keeley et al. 1999, Stocks et al. 2003).
Spectral indices that incorporate the SWIR wavelengths (i.e. CSI, NBR and
MIRBI) perform better than indices that only include the NIR and visible bands
(i.e. BAI, EVI, GEMI, NDVI and SAVI). However, the spectral separability of
these NIR- and visible-based indices were still less than that achieved by the NIR
band alone. Thus, for sensors where SWIR reflectance information is not available
(e.g. IKONOS), data from the NIR channel alone should be used to map burned
area. This is partly in agreement with prior studies in other environments that have
highlighted that the NIR band alone generally outperforms spectral indices and
other individual bands (Pereira 1999). When using a single band, it is also possible
that a threshold-based approach could be enhanced by use of textural information
(Smith et al. 2002, Hudak and Brockett 2004). Inclusion of the thermal band within
the spectral indices produced mixed results. Although M.2 for both CSIT and
SAVIT, this was confounded by a drastic decline in both k and a. This might have
resulted because some validation pixels did not share the emittance properties
expected in the burned and unburned surfaces, perhaps due to the inclusion of water
holes and large soil patches in the unburned surfaces.
The MIRBI was originally specified by the analysis of field spectra convolved to
the ETM + wavelengths (Trigg and Flasse 2001), an approach replicated in the
current study. Trigg and Flasse (2001) showed that the simulated ETM + band 5
and 7 band reflectance values, when plotted in bispectral feature space, clearly
separated burned and unburned surfaces, and this is also the case with the simulated
ETM + data acquired here (figure 6). However, when using the real ETM + data,
some feature space overlap between burned and unburned pixels occurs (figure 6),
and this effect, along with the related lowering of the M-statistic (tables 1 and 2), is
due to the presence of increased numbers of mixed pixels within the real ETM +
imagery (i.e. those containing a mixture of burned and unburned surfaces, for
example those at the edge of the fire-affected area) when compared to the simulated
ETM + data. These bispectral plots also highlight the apparent improvement in the
spectral separability at both field and satellite scales observed using ETM + bands 5
and 7 (MIRBI), compared to ETM + bands 4 and 7 (CSI and NBR).
In general, at both the field and satellite scales, inclusion within the spectral indices
of either the SWIR or TIR information alongside the NIR (i.e. MIRBI, VI6T, CSI,
CSIT, NBR, NBRT and SAVIT) provide the greatest class separability. This concurs
with previous studies indicating that techniques using a combination of NIR with
SWIR and/or thermal bands are well suited to discriminating burned and unburned
savannah areas (Eva and Lambin 1998, Trigg and Flasse 2001, Holden et al. 2005).
Overall, the usage of linear spectral unmixing to map burned areas within such
environments shows promise. However, these results demonstrated that using a
charcoal fraction map with a fixed threshold (.50% in this case) was unstable with
respect to a change of scale from ETM + to MODIS. However, application of .65%
threshold at both the TM and MODIS scales would produce consistently high
accuracy burned area maps (tables 4 and 5). The loss of performance between use of

Results (Indonesian) 1:

musim kemarau (Juni-Agustus), sejumlah individu lebih kecil kebakaran setiap dibakarsecara signifikan kurang dari 1000 km2 dan terpengaruh luas 2422 km2. Di keduasetengah dari musim kemarau (September-November), ada perubahan yang signifikan dalam apiperilaku dan serangkaian individu kebakaran masing-masing lebih dari 1000 km2 di daerah dibakar7845 km2 total. Oleh karena itu, beberapa kebakaran besar bertanggung jawab untuk sebagian besardaerah terbakar, sebuah fenomena yang dicatat sebelumnya dalam ekosistem (Kasischke danPerancis tahun 1995, Keeley et al. 1999, saham et al. 2003).Indeks spektral yang menggabungkan panjang gelombang SWIR (yaitu CSI, NBR danMIRBI) berperforma lebih baik dari indeks yang hanya mencakup NIR dan terlihat band(yaitu BAI, EVI, GEMI, NDVI dan SAVI). Namun, separability spektrum dariIndeks ini NIR - dan terlihat berbasis yang masih kurang dari yang dicapai oleh NIRband sendiri. Jadi, untuk sensor yang mana SWIR reflektansi informasi ini tidak tersedia(misalnya IKONOS), data dari saluran NIR sendirian harus digunakan untuk peta dibakardaerah. Ini adalah sebagian setuju dengan penelitian sebelumnya di lingkungan lainnya yang memilikimenyoroti bahwa band NIR sendirian umumnya melebihi spektral indeks danband lain individu (Pereira 1999). Ketika menggunakan sebuah band tunggal, hal ini juga memungkinkanbahwa pendekatan berbasis ambang bisa ditingkatkan dengan menggunakan tekstur informasi(Smith et al. 2002, Hudak dan Brockett 2004). Dimasukkannya band termal dalamIndeks spektral yang menghasilkan hasil yang beragam. Meskipun M.2 untuk kedua CSIT danSAVIT, ini adalah dikacaukan oleh penurunan drastis dalam k kedua dan. Ini mungkinmenghasilkan karena beberapa piksel validasi tidak memiliki sifat emittancediharapkan pada permukaan yang dibakar dan terbakar, mungkin karena masuknya airlubang dan tanah besar patch di permukaan terbakar.MIRBI awalnya ditentukan oleh analisis spektrum bidang convolved untukETM + panjang gelombang (Trigg dan Flasse 2001), sebuah pendekatan yang direplikasi diPenelitian ini. Trigg dan Flasse (2001) menunjukkan bahwa simulasi ETM + band 5dan 7 band nilai-nilai reflektansi, ketika diplot di ruang fitur bispectral, jelasmemisahkan permukaan dibakar dan pembakaran, dan hal ini juga halnya dengan simulasiETM + data diperoleh di sini (gambar 6). Namun, ketika menggunakan ETM nyata + data,Beberapa fitur ruang tumpang tindih antara piksel dibakar dan pembakaran terjadi (gambar 6),dan efek ini, bersama dengan penurunan terkait (Tabel 1 dan 2), M-Statistikkarena adanya peningkatan jumlah piksel campuran dalam ETM nyata +citra (yaitu mereka berisi campuran dibakar dan pasanglah permukaan, untukcontoh mereka di tepi daerah api yang terkena dampak) dibandingkan dengan simulasiETM + data. Plot bispectral ini juga menyorot peningkatan jelasspektral separability di lapangan dan satelit skala dipantau menggunakan ETM + band 5and 7 (MIRBI), compared to ETM + bands 4 and 7 (CSI and NBR).In general, at both the field and satellite scales, inclusion within the spectral indicesof either the SWIR or TIR information alongside the NIR (i.e. MIRBI, VI6T, CSI,CSIT, NBR, NBRT and SAVIT) provide the greatest class separability. This concurswith previous studies indicating that techniques using a combination of NIR withSWIR and/or thermal bands are well suited to discriminating burned and unburnedsavannah areas (Eva and Lambin 1998, Trigg and Flasse 2001, Holden et al. 2005).Overall, the usage of linear spectral unmixing to map burned areas within suchenvironments shows promise. However, these results demonstrated that using acharcoal fraction map with a fixed threshold (.50% in this case) was unstable withrespect to a change of scale from ETM + to MODIS. However, application of .65%threshold at both the TM and MODIS scales would produce consistently highaccuracy burned area maps (tables 4 and 5). The loss of performance between use of

Results (Indonesian) 2:

musim kemarau (Juni-Agustus), banyak kebakaran kecil individu masing-masing dibakar
secara signifikan kurang dari 1000 km2 dan terpengaruh total luas 2.422 km2
. Dalam kedua
setengah dari musim kemarau (September-November), ada perubahan signifikan dalam api
perilaku dan serangkaian kebakaran individu masing-masing lebih besar dari 1000 km2 di daerah yang terbakar
7845 km2 keseluruhan. Oleh karena itu, beberapa kebakaran besar bertanggung jawab untuk sebagian besar
daerah yang terbakar, fenomena dijelaskan sebelumnya di ekosistem lainnya (Kasischke dan
Perancis tahun 1995, Keeley et al. 1999, Saham et al. 2003).
Indeks spektral yang menggabungkan panjang gelombang SWIR ( yaitu CSI, NBR dan
MIRBI) melakukan lebih baik daripada indeks yang hanya mencakup NIR dan band terlihat
(yaitu BAI, EVI, GEMI, NDVI dan SAVI). Namun, keterpisahan spektral
ini indeks NIR- dan terlihat berbasis masih kurang dari yang dicapai oleh NIR
Band sendiri. Dengan demikian, untuk sensor mana SWIR informasi reflektansi tidak tersedia
(misalnya IKONOS), data dari saluran NIR saja harus digunakan untuk memetakan dibakar
daerah. Hal ini sebagian sesuai dengan penelitian sebelumnya di lingkungan lain yang telah
menyoroti bahwa band NIR sendiri umumnya melebihi indeks spektral dan
band individu lain (Pereira 1999). Bila menggunakan single band, juga mungkin
bahwa pendekatan berbasis threshold dapat ditingkatkan dengan menggunakan informasi tekstur
(Smith et al. 2002, Hudak dan Brockett 2004). Pencantuman band termal dalam
indeks spektral menghasilkan hasil yang beragam. Meskipun M.2 untuk kedua CSIT dan
SAVIT, ini dikacaukan oleh penurunan drastis di kedua k dan. Ini mungkin telah
mengakibatkan karena beberapa piksel validasi tidak berbagi sifat daya pancar
yang diharapkan di permukaan terbakar dan tidak terbakar, mungkin karena masuknya air
lubang dan patch tanah besar di permukaan yang tidak terbakar.
The MIRBI awalnya ditentukan oleh analisis spektrum bidang convolved untuk
ETM + panjang gelombang (Trigg dan Flasse 2001), pendekatan direplikasi di
penelitian ini. Trigg dan Flasse (2001) menunjukkan bahwa ETM simulasi + pita 5
dan 7 Band nilai reflektansi, ketika diplot di ruang fitur bispectral, jelas
dipisahkan dibakar dan permukaan yang tidak terbakar, dan ini juga terjadi dengan simulasi
ETM + data yang diperoleh di sini (gambar 6). Namun, ketika menggunakan ETM nyata + data,
beberapa ruang fitur tumpang tindih antara piksel terbakar dan tidak terbakar terjadi (gambar 6),
dan efek ini, bersama dengan terkait penurunan M-statistik (tabel 1 dan 2), adalah
karena kehadiran meningkatnya jumlah piksel campuran dalam ETM nyata +
citra (yaitu yang mengandung campuran permukaan terbakar dan tidak terbakar, untuk
contoh orang-orang di tepi area bekas kebakaran) bila dibandingkan dengan simulasi
ETM + data. Ini plot bispectral juga menyoroti peningkatan jelas dalam
keterpisahan spektral pada kedua skala lapangan dan satelit diamati menggunakan ETM + band 5
dan 7 (MIRBI), dibandingkan dengan ETM + band 4 dan 7 (CSI dan NBR).
Secara umum, baik di lapangan dan satelit sisik, inklusi dalam indeks spektral
dari baik SWIR atau informasi TIR samping NIR (yaitu MIRBI, VI6T, CSI,
CSIT, NBR, NBRT dan SAVIT) memberikan kelas keterpisahan terbesar. Ini sependapat
dengan studi sebelumnya yang menunjukkan bahwa teknik menggunakan kombinasi NIR dengan
SWIR dan / atau band termal sangat cocok digunakan untuk membedakan terbakar dan tidak terbakar
daerah savana (Eva dan Lambin 1998, Trigg dan Flasse 2001, Holden et al. 2005).
Secara keseluruhan, penggunaan unmixing spektral linier untuk memetakan daerah terbakar dalam seperti
lingkungan menunjukkan janji. Namun, hasil ini menunjukkan bahwa menggunakan
peta fraksi arang dengan threshold tetap (0,50% dalam kasus ini) tidak stabil dengan
sehubungan dengan perubahan skala dari ETM + untuk MODIS. Namun, penerapan 0,65%
ambang batas baik di TM dan skala MODIS akan menghasilkan tinggi secara konsisten
akurasi dibakar peta daerah (tabel 4 dan 5). Hilangnya kinerja antara penggunaan