The ability to discriminate differe

The ability to discriminate different mangrove habitats
The habitat classification scheme used here to direct the
classification of the CASI imagery was based on six mangrove
categories, and three mangrove-associated categories,
which separated at the 85% level (see Chapter 10). At higher
levels of similarity the field data do not define ecologically
meaningful categories.
Figure 13.3 compares the classification accuracy for mapping the nine different mangrove habitats of the Turks and Caicos Islands using Landsat TM and CASI data. Accurate discrimination between classes was not possible using the satellite data with an accuracy of only 31% being achieved. Tall
Rhizophorawas mapped accurately (77%) but the user’s accuracies of all other mangrove habitats were very low (0–29%).
The classification was performed at a coarser (less similar)
level of habitat discrimination using just three classes: tall
Rhizophora, ‘other’mangrove (i.e. mangrove vegetation which
is not 100% Rhizophoraand more than 2 m in height) and nonmangrove vegetation. Reduction to just three classes significantly increases accuracy (t = 7.18, P

Kết quả (Việt) 1:

Khả năng phân biệt đối xử môi trường sống khác nhau đướcSơ đồ phân loại môi trường sống được sử dụng ở đây để trực tiếp cácphân loại các hình ảnh CASI dựa trên sáu ngập mặnthể loại, và ba ngập mặn liên kết thư mục,mà tách ra lúc 85% cấp (xem chương 10). At caomức độ tương tự dữ liệu trường không xác định sinh tháithể loại có ý nghĩa. Con số 13,3 so sánh sự phân loại chính xác lập bản đồ môi trường sống khác nhau đước chín của quần đảo Turks và Caicos sử dụng dữ liệu Landsat TM và CASI. Chính xác phân biệt đối xử giữa các lớp học đã không thể sử dụng dữ liệu vệ tinh với độ chính xác của chỉ 31% đạt được. CaoRhizophorawas lập bản đồ chính xác (77%) nhưng phàm người sử dụng tất cả các môi trường sống rừng ngập mặn đã rất thấp (0-29%).Việc phân loại được thực hiện tại một thô (ít hơn tương tự như)mức độ phân biệt đối xử môi trường sống bằng cách sử dụng chỉ cần ba lớp học: cao Rhizophora, ' other'mangrove (tức là thảm thực vật ngập mặn màkhông phải là 100% Rhizophoraand nhiều hơn 2 m chiều cao) và thảm thực vật nonmangrove. Giảm để chỉ ba lớp học đáng kể làm tăng độ chính xác (t = 7,18, P < 0,001). Con số 13.4(Mảng 15) là một bản đồ phân loại của bờ biển phía đông nam củaBắc và trung Caicos bắt nguồn từ dữ liệu Landsat TM. Điều nàykhu vực được chỉ định một vùng đất ngập nước của tầm quan trọng quốc tếtheo công ước Ramsar (UNESCO, 1971) và chứasự tăng trưởng thực vật ngập mặn lớn nhất của ngân hàng Caicos. Môi trường sống rừng ngập mặn trong bảng 10.3 chỉ có thể chính xácánh xạ sử dụng CASI dữ liệu (hình 13,3). Ban nhạc tỷ lệ (V) đã cải thiện đáng kể độ chính xác hơn không có giám sát phân loại (III) (t = 3,26, P < 0,01) nhưng không quá giám sát (IV) (t = 1,77). Đã có không có gia tăng đáng kể độ chính xác bằng cách sử dụngGiám sát các phân loại như trái ngược với không có giám sát (không có sự khác biệt đáng kể trong hệ số tàu giữa phương pháp III vàIV, t = 1,50). Nói cách khác nếu giám sát phân loại là đểsử dụng sau đó sự cải thiện độ chính xác sẽ chỉ được thu được nếunó được thực hiện trên một hình ảnh tỷ lệ PCA/ban nhạc (phương pháp V). Con số10.9 (mảng 11) là một bản đồ của các rừng ngập mặn phát triển NamCaicos bắt nguồn từ CASI dữ liệu (hình 10.8).Phàm người sử dụng các môi trường sống rừng ngập mặn chín sản xuất từ dữ liệu CASI xử lý bằng cách sử dụng phương pháp III-V là hợp lý cao, ngoại trừ ngắn hỗn hợp đước(Bảng 13,3). Chỉ sáu độ chính xác các trang web đã được khảo sát trong điều nàythể loại, do đó, độ chính xác thấp này có thể là một chức năng của kích thước mẫu nhỏ. Độ chính xác của người dùng đã được cải thiện bằng cách sử dụng một giám sátthay vì một thói quen không có giám sát phân loại: phân loại hình ảnh tỷ lệ PCA/ban nhạc sản xuất cao nhấtđộ chính xác của người dùng đối với phần lớn của môi trường sống (bảng 13,3). Những kết quả này cũng cho thấy một sự tương quan có thể giữahình ảnh chế biến nỗ lực và độ chính xác. Không có giám sát phân loại (III) là tương đối nhanh chóng, đòi hỏi các nhà điều hành để làm Chưa chỉnh sửa các lớp học cuối cùng nhưng đã là ít nhất là chính xác (chính xác tổng thể 70% cho CASI, con số 13,5). Thủ tục giám sát phân loại trong hình ảnh chế biến phương pháp IVyêu cầu các nỗ lực lớn hơn từ các nhà điều hành trong quá trìnhchữ ký chỉnh sửa (độ chính xác tổng thể 78% cho CASI, con số13,5). chính phân tích thành phần là computationally chuyên sâu, và các kết hợp khác nhau của ban nhạc tỷ lệ phảithử nghiệm với. Kết quả là, hình ảnh phương pháp xử lý Vđòi hỏi nỗ lực nhất, nhưng là các thủ tục phân loại chính xác nhất (độ chính xác tổng thể 85% cho CASI, con số 13,5).Con số 13,5 cho thấy rằng mặc dù ban nhạc tỷ lệ và hiệu trưởngphân tích thành phần là chuyên sâu computationally bọn chúngcũng hiệu quả: đầu tư thêm thời gian tạo ra mộtgia tăng đáng kể tính chính xác.

Kết quả (Việt) 2:

The ability to discriminate different mangrove habitats
The habitat classification scheme used here to direct the
classification of the CASI imagery was based on six mangrove
categories, and three mangrove-associated categories,
which separated at the 85% level (see Chapter 10). At higher
levels of similarity the field data do not define ecologically
meaningful categories.
Figure 13.3 compares the classification accuracy for mapping the nine different mangrove habitats of the Turks and Caicos Islands using Landsat TM and CASI data. Accurate discrimination between classes was not possible using the satellite data with an accuracy of only 31% being achieved. Tall
Rhizophorawas mapped accurately (77%) but the user’s accuracies of all other mangrove habitats were very low (0–29%).
The classification was performed at a coarser (less similar)
level of habitat discrimination using just three classes: tall
Rhizophora, ‘other’mangrove (i.e. mangrove vegetation which
is not 100% Rhizophoraand more than 2 m in height) and nonmangrove vegetation. Reduction to just three classes significantly increases accuracy (t = 7.18, P<0.001). Figure 13.4
(Plate 15) is a classified map of the south-eastern coast of
North and Middle Caicos derived from Landsat TM data. This
area was designated a wetland of international importance
under the Ramsar Convention (UNESCO, 1971) and contains
the most extensive mangrove growth of the Caicos Bank.
The mangrove habitats in Table 10.3 can only be accurately
mapped using CASI data (Figure 13.3). Band ratios (V) had significantly improved accuracy over unsupervised classification (III) (t = 3.26, P<0.01) but not over supervised (IV)
(t= 1.77). There was no significant increase in accuracy using
supervised classification as opposed to unsupervised (no significant difference in tau coefficient between methods III and
IV, t = 1.50). In other words if supervised classification is to be
used then an improvement in accuracy will only be obtained if
it is performed on a PCA/band ratio image (method V). Figure
10.9 (Plate 11) is a map of the mangroves growing on South
Caicos that was derived from CASI data (Figure 10.8).
The user’s accuracies of the nine mangrove habitats produced from CASI data processed using methods III–V are reasonably high, with the exception of short mixed mangrove
(Table 13.3). Only six accuracy sites were surveyed in this
category, so this low accuracy may be a function of small sample size. User’s accuracy was improved by using a supervised
instead of an unsupervised classification routine: the classification of a PCA/band ratio image produced the highest
user’s accuracy for the majority of habitats (Table 13.3).
These results also suggest a possible correlation between
image processing effort and accuracy. Unsupervised classification (III) is relatively rapid, requiring the operator to do
little more than edit the final classes but was the least accurate (overall accuracy 70% for CASI, Figure 13.5). The supervised classification procedure in image processing method IV
requires greater effort from the operator during the process
of signature editing (overall accuracy 78% for CASI, Figure
13.5). Principal component analysis is computationally intensive, and different combinations of band ratios must be
experimented with. As a result, image processing method V
requires the most effort, but is the most accurate classification procedure (overall accuracy 85% for CASI, Figure 13.5).
Figure 13.5 shows that although band ratios and principal
components analysis are computationally intensive they are
also cost-effective: the extra investment of time produces a
significant increase in accuracy.