trunks when weather is wet. Forest canopy has a smoothing effect on re translation - trunks when weather is wet. Forest canopy has a smoothing effect on re Indonesian how to say

trunks when weather is wet. Forest

trunks when weather is wet. Forest canopy has a smoothing effect on relief – when it is removed during fire
effects on small-scale topography affect the radar beam much stronger leading to an increase in image intensity
variations in these areas (Siegert et al 1999). In large areas of the peat swamp forest, were most of the fire
damage class 3 is located, fire causes vegetation death almost without altering vegetation canopy structure.
Therefore, in many test areas, no change in mean backscatter nor in standard deviation of backscatter could be
detected in the images acquired under moist conditions. This allowed for reliable mapping of fire damage and
burn scars in these peat-swamp areas only under dry conditions. Discrimination of three damage classes based on
mean backscatter is better for images taken under dry weather conditions, while under wet conditions, standard
deviation of backscatter is a better indicator for fire damage. This can be interpreted as a consequence of a
decrease in soil moisture during the drought leading to extremely dry soils when exposed after a fire
(Holdsworth and Uhl 1997)), which in turn leads to a decrease in dielectric constant of the soil and subsequently
in backscatter. During moist weather, in turn, the patchiness of vegetation cover and the interaction of the radar
beam with the moist soil and the exposed underlying relief may need to a considerably higher image texture,
manifested in an increase of standard deviation of backscatter for those areas.
Mapping accuracy for fire scars is generally good, although according to the ground inventory for one
concession, the high error makes discrimination of damage classes not feasible. However, according to the air
survey-study, damage class mapping is possible with an overall accuracy greater than 60%. This discrepancy in
results is readily explained by two facts: Firstly, for the area investigated for the block inventory, only images
from the moist period in July were available. As indicated by results of the backscatter study, these are not suited
for accurate discrimination of damage classes. Secondly, assessment from the ground produces results quite
different than damage assessment from the air. Thus, an observer from the air can not identify damage by low
intensity ground fires that leave tree crowns unaffected. An assessment from the air tends therefore to be more
conservative. This may also explain the better agreement between air survey and radar map. However errors of
omission for the slightest damage class are more than 40% for both surveys, indicating difficulties in dedecting
this damage class correctly. Although the ground survey was more detailed, the dataset produced from the air
survey is to be considered as being more reliable, since the area covered by the air survey was much larger,
covering different vegetation and relief types which influence the radar image properties in a different way
before and after fire impact.
The high mapping accuracy for burn scars allows assessment of fire affected areas using standard ERS-2 satellite
imagery become operational. With a lesser accuracy a fire damage estimation was possible. The total area to be
assumed as fire affected is therefore to be considered much larger than was suggested by other investigations
(Liew et al., 1998, MoFEC, 1999). It also has to be borne in mind that accuracy assessment of the radar map
indicate that the estimate of the burned surface may be too conservative, since ground fires may have slipped
detection.
0/5000
From: -
To: -
Results (Indonesian) 1: [Copy]
Copied!
batang ketika cuaca basah. Hutan kanopi memiliki efek smoothing pada relief-ketika itu dihapus selama kebakaranefek pada skala kecil topografi mempengaruhi sinar radar banyak kuat mengarah ke peningkatan dalam gambar intensitasvariasi di daerah-daerah (Siegert et al 1999). Di daerah yang luas hutan rawa gambut, yang sebagian besar apikerusakan kelas 3 terletak, api menyebabkan kematian vegetasi hampir tanpa mengubah struktur kanopi vegetasi.Oleh karena itu, dalam banyak tes daerah, tidak ada perubahan di berarti backscatter maupun di standar deviasi backscatter bisaterdeteksi pada gambar-gambar yang diperoleh dibawah kondisi lembab. Hal ini memungkinkan untuk dapat diandalkan pemetaan kebakaran danmembakar bekas luka di daerah-daerah rawa gambut hanya di bawah kondisi kering. Diskriminasi tiga kelas kerusakan yang berdasarkanberarti backscatter lebih baik untuk gambar yang diambil di bawah kondisi cuaca kering, sementara di bawah kondisi basah, standarpenyimpangan dari backscatter adalah indikator yang lebih baik untuk kerusakan api. Hal ini dapat ditafsirkan sebagai consequence daripenurunan kelembaban tanah selama musim kemarau yang menyebabkan sangat kering tanah ketika terkena setelah kebakaran(Holdsworth dan Uhl 1997)), yang pada gilirannya mengarah pada penurunan dielektrik tanah dan kemudiandi backscatter. Cuaca lembab, pada gilirannya, patchiness vegetasi dan interaksi radarbalok dengan tanah lembab dan terkena mendasari bantuan mungkin perlu tekstur gambar yang jauh lebih tinggi,diwujudkan dalam peningkatan standar deviasi backscatter untuk daerah-daerah.Pemetaan akurasi untuk api bekas umumnya baik, meskipun menurut persediaan tanah untuk satukonsesi, kesalahan tinggi membuat diskriminasi kelas kerusakan yang tidak layak. Namun, menurut udaraStudi survei, pemetaan kelas kerusakan dimungkinkan dengan akurasi secara keseluruhan lebih dari 60%. Perbedaan ini dihasil mudah diterangkan oleh dua fakta: pertama, untuk wilayah diselidiki untuk persediaan blok, hanya gambardari periode basah pada bulan Juli yang tersedia. Seperti yang ditunjukkan oleh hasil penelitian backscatter, ini tidak cocokuntuk akurat diskriminasi kelas kerusakan. Kedua, penilaian dari tanah menghasilkan hasil yang cukupberbeda dari penilaian kerusakan dari udara. Dengan demikian, pengamat dari udara tidak dapat mengidentifikasi kerusakan oleh rendahintensitas tanah kebakaran yang meninggalkan pohon mahkota tidak terpengaruh. Penilaian dari udara karena itu cenderung menjadi lebihkonservatif. Ini mungkin juga menjelaskan perjanjian yang lebih baik antara peta survei dan radar udara. Namun kesalahankelalaian untuk kelas kerusakan sedikitpun adalah lebih dari 40% untuk kedua survei, menunjukkan kesulitan dalam dedectingkerusakan ini kelas dengan benar. Meskipun ground survey lebih rinci, dataset yang dihasilkan dari udarasurvei yang harus dianggap sebagai lebih handal, karena kawasan yang dicakupi oleh survei udara adalah jauh lebih besar,meliputi berbagai jenis tumbuhan dan bantuan yang mempengaruhi sifat gambar radar dalam cara yang berbedasebelum dan sesudah api dampak.Akurasi tinggi pemetaan untuk bekas luka bakar memungkinkan penilaian api terpengaruh daerah menggunakan standar ERS-2 satelitcitra menjadi operasional. Dengan akurasi yang lebih rendah perkiraan kerusakan api itu mungkin. Total luas untuk menjadidiasumsikan sebagai api yang terpengaruh karena itu dianggap lebih besar dari yang disarankan oleh investigasi lainnya(Liew et al., 1998, MoFEC, 1999). Juga harus diingat bahwa penilaian akurasi peta radarmenunjukkan bahwa perkiraan permukaan dibakar mungkin terlalu konservatif, karena tanah kebakaran mungkin telah tergelincirDeteksi.
Being translated, please wait..
Results (Indonesian) 2:[Copy]
Copied!
batang ketika cuaca basah. Kanopi hutan memiliki efek smoothing pada bantuan - ketika dilepaskan selama api
efek topografi skala kecil mempengaruhi beam radar jauh lebih kuat terkemuka untuk peningkatan intensitas gambar
variasi di daerah-daerah (Siegert et al, 1999). Di daerah besar hutan rawa gambut, yang sebagian besar kebakaran
kerusakan kelas 3 terletak, kebakaran menyebabkan kematian vegetasi hampir tanpa mengubah struktur vegetasi kanopi.
Oleh karena itu, di banyak daerah tes, tidak ada perubahan dalam backscatter berarti atau di standar deviasi dari backscatter bisa akan
terdeteksi dalam gambar yang diperoleh dalam kondisi lembab. Hal ini memungkinkan untuk pemetaan diandalkan kebakaran dan
bekas luka bakar di daerah rawa gambut ini hanya dalam kondisi kering. Diskriminasi dari tiga kelas kerusakan berdasarkan
backscatter berarti lebih baik untuk gambar yang diambil di bawah kondisi cuaca kering, sementara di bawah kondisi basah, standar
deviasi dari backscatter adalah indikator yang lebih baik untuk kerusakan akibat kebakaran. Hal ini dapat diartikan sebagai konsekuensi dari
penurunan kelembaban tanah selama kekeringan yang mengarah ke tanah sangat kering bila terkena setelah kebakaran
(Holdsworth dan Uhl 1997)), yang pada gilirannya menyebabkan penurunan konstanta dielektrik tanah dan kemudian
di backscatter. Selama cuaca lembab, pada gilirannya, patchiness tutupan vegetasi dan interaksi radar
balok dengan tanah lembab dan bantuan dasar yang terkena mungkin perlu tekstur gambar jauh lebih tinggi,
diwujudkan dalam peningkatan standar deviasi dari backscatter untuk daerah-daerah.
akurasi pemetaan untuk bekas kebakaran umumnya baik, meskipun menurut persediaan tanah untuk satu
konsesi, kesalahan tinggi membuat diskriminasi kelas kerusakan tidak layak. Namun, menurut udara
survei-studi, pemetaan kelas kerusakan mungkin dengan akurasi keseluruhan lebih besar dari 60%. Perbedaan dalam
hasil ini mudah dijelaskan dengan dua fakta: Pertama, untuk daerah diselidiki untuk persediaan blok, hanya gambar
dari periode lembab pada bulan Juli yang tersedia. Seperti yang ditunjukkan oleh hasil penelitian backscatter, ini tidak cocok
untuk diskriminasi akurat dari kelas kerusakan. Kedua, penilaian dari tanah menghasilkan hasil yang cukup
berbeda dari penilaian kerusakan dari udara. Dengan demikian, seorang pengamat dari udara tidak dapat mengidentifikasi kerusakan dengan rendah
kebakaran tanah intensitas yang meninggalkan mahkota pohon terpengaruh. Oleh karena itu penilaian dari udara cenderung lebih
konservatif. Ini mungkin juga menjelaskan kesepakatan yang lebih baik antara survei udara dan peta radar. Namun kesalahan dari
kelalaian untuk kelas kerusakan sedikit pun lebih dari 40% untuk kedua survei, menunjukkan kesulitan dalam dedecting
kelas kerusakan ini benar. Meskipun survei tanah lebih rinci, dataset yang dihasilkan dari udara
survei adalah untuk dipertimbangkan sebagai lebih handal, karena daerah yang ditutupi oleh survei udara jauh lebih besar,
meliputi vegetasi dan bantuan yang berbeda jenis yang mempengaruhi sifat gambar radar di cara yang berbeda
sebelum dan sesudah dampak kebakaran.
akurasi pemetaan tinggi untuk bekas luka bakar memungkinkan penilaian dari daerah yang dilanda kebakaran menggunakan standar satelit ERS-2
citra menjadi operasional. Dengan akurasi yang lebih rendah estimasi kerusakan akibat kebakaran itu mungkin. Total area yang akan
dianggap sebagai api terpengaruh karena itu harus dianggap jauh lebih besar daripada yang disarankan oleh penyelidikan lain
(Liew et al., 1998, Dephutbun, 1999). Hal ini juga harus diingat bahwa penilaian akurasi peta radar
menunjukkan bahwa perkiraan permukaan terbakar mungkin terlalu konservatif, karena kebakaran tanah mungkin telah menyelinap
deteksi.
Being translated, please wait..
 
Other languages
The translation tool support: Afrikaans, Albanian, Amharic, Arabic, Armenian, Azerbaijani, Basque, Belarusian, Bengali, Bosnian, Bulgarian, Catalan, Cebuano, Chichewa, Chinese, Chinese Traditional, Corsican, Croatian, Czech, Danish, Detect language, Dutch, English, Esperanto, Estonian, Filipino, Finnish, French, Frisian, Galician, Georgian, German, Greek, Gujarati, Haitian Creole, Hausa, Hawaiian, Hebrew, Hindi, Hmong, Hungarian, Icelandic, Igbo, Indonesian, Irish, Italian, Japanese, Javanese, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Korean, Kurdish (Kurmanji), Kyrgyz, Lao, Latin, Latvian, Lithuanian, Luxembourgish, Macedonian, Malagasy, Malay, Malayalam, Maltese, Maori, Marathi, Mongolian, Myanmar (Burmese), Nepali, Norwegian, Odia (Oriya), Pashto, Persian, Polish, Portuguese, Punjabi, Romanian, Russian, Samoan, Scots Gaelic, Serbian, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenian, Somali, Spanish, Sundanese, Swahili, Swedish, Tajik, Tamil, Tatar, Telugu, Thai, Turkish, Turkmen, Ukrainian, Urdu, Uyghur, Uzbek, Vietnamese, Welsh, Xhosa, Yiddish, Yoruba, Zulu, Language translation.

Copyright ©2025 I Love Translation. All reserved.

E-mail: