red mean differences exhibit no dis

red mean differences exhibit no discernable change, while the differences in the
means from the simulated to real ETM + values decrease for bands 4–7. These
differences between the VIS and SWIR bands could account for the decrease in
spectral separability observed in MIRBI, which could be due to increased variability
due to increased contributions of soil and charcoal cover at the scale of the Landsat
pixel compared to the relatively pure ground measures.
Of the multispectral classification techniques, the maximum likelihood classification
(table 4) achieved a considerably higher accuracy than the index-based
methods, and indeed produced the highest classification accuracy of any method.
Substantially lower accuracies were obtained using ISODATA (table 4). Linear
spectral unmixing using the charcoal fraction threshold produced results strongly
dependent on the threshold selected. Thresholds .50% (table 4; figure 2) produced k
and a values almost identical to those of maximum likelihood. Comparison of the
.50% charcoal fraction map with a false colour composite designed to highlight
burnt areas (i.e. RGB: 743) illustrated that, contrary to most other linear spectral
unmixing studies (Caetano et al. 1996, Vafeidis and Drake 2005), the map appeared
to show low errors of commission (figure 2). We compared the .50% charcoal
fraction map with this false colour composite solely for a visual assessment of its
performance, as the results in tables 2 and 3 already illustrate that this method
outperforms comparable approaches such as that produced using a maximum
likelihood classifier. Use of this relatively high threshold minimizes errors associated
with confusion between charcoal and minor dark soil fractions or shade, provided
such contributions occupy less than half a pixel.
Although the mixture modelling using the charcoal fraction map (.50%) showed
similar accuracy to the maximum likelihood classifier, the latter approach offers the
advantages that the endmembers of charcoal, green vegetation and senesced
vegetation are generic to most fire-affected grassland and savannah environments
(Elvidge 1990, Smith et al. 2005b) and that, following endmember selection, no
training data are required. As such, the charcoal fraction map method (with the .50% charcoal fraction threshold) was identified as the best method to produce the
Landsat ETM + reference image of burned area. This method was therefore further
applied to the Landsat image of Mongu and compared to the IKONOS supervised
classification of the same area (figure 3). The low commission errors observed with
linear spectral unmixing are highlighted in figure 3(b), contrasting with the
supervised classification of the IKONOS image, which misallocates roads and
areas of bare soil as burned (figure 3(d)). The ETM + .50% charcoal map of the
Mongu area contains fewer of these misclassifications (figure 3(b)) and this is
probably the result of the relatively basic spectral coverage provided by the
IKONOS imagery (VIS–NIR) compared to that of ETM + , which extends into the
SWIR. Even with these uncertainties, for the purpose of this study we considered
the higher spatial resolution IKONOS image to represent the truth in the
comparison with the Landsat ETM + classification. This comparison yielded an overestimation of burned area by only 1.6%, with a high correspondence and low
standard error (figure 4; r
2
50.99, SE50.155 km2
).
5.2 MODIS scale burnt area estimates
The result of each of the methods applied to the MODIS imagery are shown in
table 5. All performed reasonably well, with M-statistics exceeding 1.4 and r
2
.0.69
and standard error ,131 km2
. Table 5 demonstrates that linear spectral unmixing
with a fixed threshold charcoal fraction map performed best with a threshold of
.65%, but that even at this optimal threshold (r
2
50.95, SE559.14) it was less
effective than both MIRBI and the maximum likelihood supervised classification.
In the analysis of the index methods, MIRBI attained the highest separability
(M.2.7). Application of the thermally enhanced spectral indices of CSIT and
SAVIT to the MODIS data resulted in a lowering of the M-statistic by 0.5 when
compared to the Landsat ETM + analysis. This may be explained by the thermal
response of the burned pixels being averaged into too many adjacent non-burned
pixels. Comparison of CSI with CSIT at the MODIS scale demonstrates that only a
marginal classification improvement is obtained by incorporating this thermal
information. At all scales, use of the simple maximum likelihood classifier produces
consistently high results, with near perfect accuracy with ETM + , and even with
MODIS the approach still provides a highly accurate classification.
To test the appropriateness of the MIRBI threshold of 1.7 recommended by Trigg
and Flasse (2001), a range of other thresholds was investigated (table 5). A slightly
increased threshold of 1.75 was determined to exhibit the optimal

Results (Indonesian) 1:

merah berarti perbedaan menunjukkan tidak ada perubahan discernable, sementara perbedaanberarti dari simulasi nyata ETM + nilai penurunan untuk band 4-7. Iniperbedaan antara band VIS dan SWIR bisa account untuk penurunanspektral separability diamati di MIRBI, yang bisa terjadi karena peningkatan variabilitaskarena meningkatnya kontribusi tanah dan arang penutup pada skala Landsatpiksel dibandingkan dengan langkah-langkah dasar relatif murni.Teknik multispectral klasifikasi, klasifikasi maksimum kemungkinan(Tabel 4) mencapai akurasi yang jauh lebih tinggi daripada berbasis indeksmetode, dan memang dihasilkan akurasi klasifikasi tertinggi dari setiap metode.Akurasi secara substansial lebih rendah diperoleh dengan menggunakan ISODATA (Tabel 4). Linearspektral unmixing menggunakan ambang arang fraksi menghasilkan hasil yang sangattergantung pada batas yang dipilih. Ambang. 50% (daftar 4; gambar 2) diproduksi kdan nilai-nilai yang hampir identik dengan maksimum kemungkinan. Perbandingan. peta fraksi 50% arang dengan komposit palsu warna yang dirancang untuk menyorotdibakar daerah (yaitu RGB: 743) menggambarkan bahwa, bertentangan dengan lain linier spektralunmixing studi (Caetano et al, 1996, Vafeidis dan Drake 2005), peta munculuntuk menunjukkan kesalahan rendah Komisi (gambar 2). Kami membandingkan. 50% arangpeta sebagian kecil dengan komposit warna palsu ini semata-mata untuk penilaian yang visual yangkinerja, hasil dalam tabel 2 dan 3 telah menggambarkan bahwa ini metodemelebihi sebanding pendekatan seperti yang dihasilkan menggunakan maksimalkemungkinan classifier. Penggunaan ini relatif tinggi ambang meminimalkan kesalahan yang terkaitdengan kebingungan antara fraksi arang dan kecil tanah gelap atau bayangan, disediakankontribusi tersebut menempati kurang dari setengah piksel.Meskipun campuran pemodelan menggunakan arang fraksi peta (. 50%) menunjukkanakurasi serupa untuk maksimum kemungkinan classifier, pendekatan terakhir menawarkankeuntungan yang endmembers arang, hijau tumbuhan dan senescedvegetasi generik untuk yang paling terkena dampak api padang rumput dan savannah lingkungan(Elvidge 1990, Smith et al. 2005b) dan itu, mengikuti seleksi endmember, tidakdata pelatihan diperlukan. Dengan demikian, fraksi arang peta metode (dengan. 50% arang fraksi ambang) dikenalpasti sebagai metode terbaik untuk menghasilkanLandsat ETM + gambar referensi daerah dibakar. Metode ini karena itu lebih lanjutditerapkan untuk Citra Landsat Mongu dan dibandingkan dengan IKONOS yang diawasiklasifikasi dari daerah yang sama (gambar 3). Komisi yang rendah kesalahan diamati denganunmixing spektrum linier yang disorot dalam 3(b) gambar, kontras dengandiawasi klasifikasi gambar IKONOS, yang misallocates jalan danbidang tanah telanjang sebagai dibakar (gambar 3(d)). ETM +. peta 50% arangMongu area berisi lebih sedikit dari misclassifications ini (gambar 3(b)) dan ini adalahmungkin hasil dari cakupan spektral relatif dasar yang disediakan olehIKONOS citra (VIS-NIR) dibandingkan dengan yang dari ETM +, yang memanjang hingga keSWIR. Bahkan dengan ketidakpastian ini, untuk tujuan studi ini kita dianggapketerlaraian tinggi IKONOS gambar untuk mewakili kebenaran dalamperbandingan dengan Landsat ETM + klasifikasi. Perbandingan ini menghasilkan terlalu tinggi daerah dibakar oleh hanya 1,6%, dengan surat-menyurat yang tinggi dan rendahkesalahan standar (gambar 4; r250.99, SE50.155 km2).5.2 MODIS skala daerah dibakar perkiraanHasil dari setiap metode yang diterapkan untuk citra MODIS yang ditampilkan diTabel 5. Semua dilakukan cukup baik, dengan M-Statistik melebihi 1.4 dan r2.0.69dan standar error, 131 km2. Tabel 5 menunjukkan bahwa unmixing spektral lineardengan peta arang fraksi ambang tetap dilakukan terbaik dengan ambang batas. 65%, tetapi bahwa bahkan pada batas ini optimal (r250.95, SE559.14) itu kurangefektif daripada MIRBI dan kemungkinan maksimum diawasi klasifikasi.Dalam analisis metode indeks, MIRBI mencapai separability tertinggi(M.2.7). penerapan indeks spektral thermally ditingkatkan dari CSIT danSAVIT data MODIS mengakibatkan penurunan M-Statistik oleh 0.5 ketikadibandingkan dengan Landsat ETM + analisis. Hal ini dapat dijelaskan oleh termalrespon pixel dibakar menjadi rata-rata menjadi terlalu banyak berdekatan bebas-dibakarpiksel. Perbandingan CSI dengan CSIT pada skala MODIS menunjukkan bahwa hanyaklasifikasi marjinal perbaikan diperoleh dengan memasukkan termal iniinformasi. Pada segala skala, penggunaan classifier sederhana maksimum kemungkinan menghasilkanhasil yang tinggi secara konsisten, dengan akurasi sempurna yang dekat dengan ETM +, dan bahkan denganMODIS pendekatan masih menyediakan sebuah klasifikasi yang sangat akurat.Untuk menguji kelayakan ambang MIRBI 1,7 direkomendasikan oleh Triggdan Flasse (2001), berbagai ambang lain diselidiki (Tabel 5). A sedikitpeningkatan ambang 1,75 bertekad untuk menunjukkan yang optimal

Results (Indonesian) 2:

perbedaan rata-rata merah menunjukkan tidak ada perubahan discernable, sedangkan perbedaan dalam
cara dari simulasi untuk ETM nyata + nilai menurun untuk band-band 4-7. Ini
perbedaan antara band VIS dan SWIR dapat menjelaskan penurunan
keterpisahan spektral diamati di MIRBI, yang bisa disebabkan oleh peningkatan variabilitas
karena peningkatan kontribusi dari tanah dan penutup arang di skala yang Landsat
pixel dibandingkan dengan langkah-langkah dasar yang relatif murni .
dari teknik klasifikasi multispektral, klasifikasi kemungkinan maksimum
(tabel 4) mencapai akurasi jauh lebih tinggi dari indeks berbasis
metode, dan memang menghasilkan ketepatan klasifikasi tertinggi metode apapun.
akurasi Secara substansial lebih rendah diperoleh dengan menggunakan ISODATA (tabel 4). Linear
unmixing spektral menggunakan ambang batas fraksi arang yang dihasilkan hasil sangat
tergantung pada ambang yang dipilih. Ambang 0,50% (tabel 4; gambar 2) yang diproduksi k
dan nilai-nilai hampir identik dengan orang-orang dari kemungkinan maksimum. Perbandingan
0,50% fraksi arang peta dengan warna komposit palsu yang dirancang untuk menyoroti
area yang terbakar (yaitu RGB: 743) menggambarkan bahwa, bertentangan dengan sebagian besar spektral linier lainnya
studi unmixing (Caetano et al 1996, Vafeidis dan Drake 2005.), Yang peta muncul
untuk menunjukkan kesalahan rendah komisi (gambar 2). Kami membandingkan arang 0,50%
peta fraksi dengan warna ini komposit palsu semata-mata untuk penilaian visual yang
kinerja, sebagai hasil dalam tabel 2 dan 3 sudah menggambarkan bahwa metode ini
melebihi pendekatan yang sebanding seperti yang diproduksi menggunakan maksimal
kemungkinan classifier. Penggunaan ambang batas yang relatif tinggi ini meminimalkan kesalahan yang terkait
dengan kebingungan antara arang dan fraksi tanah gelap kecil atau teduh, tersedia
kontribusi tersebut menempati kurang dari setengah pixel.
Meskipun pemodelan campuran menggunakan peta fraksi arang (0,50%) menunjukkan
akurasi mirip dengan maksimum kemungkinan classifier, pendekatan yang terakhir menawarkan
keuntungan bahwa endmembers arang, tumbuhan hijau dan senesced
vegetasi yang umum untuk sebagian besar bekas kebakaran padang rumput dan savana lingkungan
(Elvidge 1990, Smith et al. 2005b) bahwa, mengikuti seleksi endmember dan, tidak ada
Data pelatihan yang diperlukan. Dengan demikian, metode peta fraksi arang (dengan batas fraksi arang 0,50%) diidentifikasi sebagai metode terbaik untuk menghasilkan
Landsat ETM + referensi gambar dari area yang terbakar. Metode ini karena itu lanjut
diterapkan pada Landsat citra Mongu dan dibandingkan dengan IKONOS diawasi
klasifikasi dari daerah yang sama (gambar 3). Kesalahan komisi rendah diamati dengan
unmixing spektral linier yang disorot pada gambar 3 (b), kontras dengan
klasifikasi terbimbing dari gambar IKONOS, yang misallocates jalan dan
bidang tanah gundul seperti terbakar (gambar 3 (d)). The ETM + 0,50% peta arang dari
daerah Mongu mengandung lebih sedikit dari misclassifications ini (gambar 3 (b)) dan ini
mungkin hasil dari cakupan spektral yang relatif dasar yang disediakan oleh
IKONOS citra (VIS-NIR) dibandingkan dengan ETM +, yang meluas ke
SWIR. Bahkan dengan ketidakpastian ini, untuk tujuan penelitian ini kita dianggap
resolusi spasial IKONOS gambar yang lebih tinggi untuk mewakili kebenaran dalam
perbandingan dengan klasifikasi Landsat ETM +. Perbandingan ini menghasilkan terlalu tinggi dari daerah yang terbakar dengan hanya 1,6%, dengan korespondensi tinggi dan rendah
standard error (gambar 4; r
2
50.99, SE50.155 km2
).
5.2 MODIS daerah bakaran skala memperkirakan
Hasil dari masing-masing metode yang diterapkan untuk citra MODIS ditunjukkan pada
tabel 5. Semua dilakukan cukup baik, dengan M-statistik melebihi 1,4 dan r
2
.0.69
dan standard error, 131 km2
. Tabel 5 menunjukkan bahwa unmixing spektral linier
dengan threshold tetap peta fraksi arang dilakukan terbaik dengan ambang
0,65%, tapi itu bahkan pada ambang batas optimal ini (r
2
50,95, SE559.14) itu kurang
efektif daripada baik MIRBI dan maksimal kemungkinan diawasi klasifikasi.
dalam analisis metode indeks, MIRBI mencapai tertinggi keterpisahan
(M.2.7). Penerapan indeks spektral ditingkatkan termal dari CSIT dan
SAVIT data MODIS mengakibatkan penurunan M-statistik sebesar 0,5 bila
dibandingkan dengan ETM Landsat + analisis. Hal ini dapat dijelaskan oleh thermal
respon dari piksel terbakar yang rata-rata menjadi terlalu banyak non-terbakar berdekatan
piksel. Perbandingan CSI dengan CSIT di skala MODIS menunjukkan bahwa hanya
perbaikan klasifikasi marginal diperoleh dengan memasukkan thermal ini
informasi. Di semua skala, penggunaan sederhana maksimum kemungkinan classifier menghasilkan
hasil tinggi secara konsisten, dengan akurasi sempurna yang dekat dengan ETM +, dan bahkan dengan
MODIS pendekatan masih memberikan klasifikasi yang sangat akurat.
Untuk menguji kelayakan ambang MIRBI dari 1,7 direkomendasikan oleh Trigg
dan Flasse (2001), berbagai ambang batas lainnya diselidiki (tabel 5). Sebuah sedikit
ambang meningkat dari 1,75 bertekad untuk memamerkan optimal