The ability to discriminate mangrov

The ability to discriminate mangrove from
non-mangrove vegetation
The accuracy of each image processing method in discriminating mangrove from non-mangrove vegetation (mainly
thorn scrub and salt marsh vegetation), for each image type,
is given in Figure 13.1.
Accurate discrimination between mangrove and non-mangrove vegetation was not possible using SPOT XS data (Figure
13.1). Overall accuracy was low for each of the five image processing methods (35–57%) and there were no significant differences between the tau coefficients. Values of tau for
methods I–V ranged between 0.03 and 0.29, which suggests that very few more pixels were being classified correctly than
would be expected from chance alone. SPOTXS data therefore
does not appear suitable for mapping the mangroves of the
Turks and Caicos Islands, though as Table 13.1 shows clearly
they have been used successfully elsewhere.
Accurate discrimination was possible using Landsat TM
data (Figure 13.1) and classification accuracy improved as
more intensive image processing methods were applied.
Visual interpretation (I) and classification of a NDVI image (II)
were the least accurate processing methods (overall accuracy
42 and 57% respectively). Image processing methods III–V
produced an overall accuracy of more than 70% and were significantly more accurate than methods I and II (P< 0.001).
There was no significant difference in the tau coefficient
between unsupervised (III) and supervised (IV) classification
(t= 0.12). The most accurate classification of Landsat TM data
was obtained using band ratios (V), 92%, and this was significantly more accurate than either method III or IV (P

Kết quả (Việt) 1:

Khả năng phân biệt đối xử thực vật ngập mặn từ thảm thực vật ngập mặn phòng khôngTính chính xác của mỗi hình ảnh chế biến các phương pháp trong phân biệt đối xử thực vật ngập mặn từ thảm thực vật ngập mặn phòng không (chủ yếu làThorn chà và muối marsh thảm thực vật), đối với từng loại hình ảnh,được đưa ra trong hình 13.1. Chính xác phân biệt đối xử giữa rừng ngập mặn và thảm thực vật ngập mặn phòng không đã không thể sử dụng dữ liệu tại chỗ XS (con số13.1). tổng thể chính xác đã được thấp cho mỗi phương pháp xử lý hình ảnh năm (35-57%) và đã có không có sự khác biệt đáng kể giữa hệ số tàu. Giá trị của tàu chophương pháp tôi-V trải dài từ 0,03 đến 0,29, mà cho thấy rất ít thêm pixel đã được phân loại chính xác hơnsẽ được mong đợi từ có thể có một mình. SPOTXS dữ liệu do đócó vẻ không phù hợp cho lập bản đồ các rừng ngập mặn của cácQuần đảo Turks và Caicos, mặc dù như bảng 13.1 cho thấy rõ rànghọ đã được sử dụng thành công ở nơi khác.Phân biệt đối xử chính xác là có thể sử dụng Landsat TMdữ liệu (hình 13.1) và phân loại chính xác cải thiện nhưchuyên sâu hơn các phương pháp chế biến hình ảnh đã được áp dụng.Giải thích trực quan (I) và phân loại của một hình ảnh NDVI (II)đã là các phương pháp chế biến ít nhất là chính xác (chính xác tổng thể42 và 57% tương ứng). Phương pháp III-V xử lý hình ảnhsản xuất độ chính xác tổng thể của hơn 70% và đã chính xác hơn đáng kể so với phương pháp I và II (P < 0,001).Có là không có khác biệt đáng kể trong hệ số tàugiữa không có giám sát (III) và giám sát (IV) phân loại(t = 0,12). Việc phân loại chính xác nhất của dữ liệu Landsat TMthu được bằng cách sử dụng băng tỷ lệ (V), 92%, và điều này là chính xác hơn đáng kể so với một trong hai phương pháp III hoặc IV (P < 0,001).Kết quả tương tự đã được cho CASI (hình 13.1). Chính xác phân biệt đối xử giữa rừng ngập mặn và phòng không ngập mặnthảm thực vật đã không thể sử dụng giải thích trực quan (I) hoặc phân loại của một hình ảnh NDVI (II): mặc dù cácđộ chính xác tổng thể của hình ảnh trực quan diễn giải là 71%có là không có thống kê sự khác biệt giữa hệ số tàu cho phương pháp I và II (t =-2.82). Xử lý phương pháp III-V hình ảnh sản xuất độ chính xác tổng thể hơn89% và đã chính xác hơn đáng kể so với phương pháp tôivà II (P < 0,001) và đã có không có sự khác biệt đáng kể trongHệ số tàu giữa unsupervised (III) và giám sát phân loại (IV) (t = 1.69). Việc phân loại chính xác nhất của CASI dữ liệu được thu được bằng cách sử dụng tỷ lệ ban nhạc (V), 96%,và điều này là chính xác hơn đáng kể so với phương pháp III (P < 0,05) nhưng không phương pháp IV (t = 0,71).Điều thú vị có vẻ như rằng bằng cách sử dụng tỷ lệ ban nhạc rừng ngập mặn của quần đảo Turks và Caicos có thể phân biệttừ thảm thực vật ngập mặn phòng không chỉ là một cách chính xác với dữ liệu Landsat TM là với CASI. Độ chính xác cao hơn một chút tổng thể làthu được bằng cách sử dụng dữ liệu CASI (96% so với 92% cho LandsatTM) nhưng có là không có khác biệt đáng kể giữa hệ số tàu (t = 0,88).

Kết quả (Việt) 2:

The ability to discriminate mangrove from
non-mangrove vegetation
The accuracy of each image processing method in discriminating mangrove from non-mangrove vegetation (mainly
thorn scrub and salt marsh vegetation), for each image type,
is given in Figure 13.1.
Accurate discrimination between mangrove and non-mangrove vegetation was not possible using SPOT XS data (Figure
13.1). Overall accuracy was low for each of the five image processing methods (35–57%) and there were no significant differences between the tau coefficients. Values of tau for
methods I–V ranged between 0.03 and 0.29, which suggests that very few more pixels were being classified correctly than
would be expected from chance alone. SPOTXS data therefore
does not appear suitable for mapping the mangroves of the
Turks and Caicos Islands, though as Table 13.1 shows clearly
they have been used successfully elsewhere.
Accurate discrimination was possible using Landsat TM
data (Figure 13.1) and classification accuracy improved as
more intensive image processing methods were applied.
Visual interpretation (I) and classification of a NDVI image (II)
were the least accurate processing methods (overall accuracy
42 and 57% respectively). Image processing methods III–V
produced an overall accuracy of more than 70% and were significantly more accurate than methods I and II (P< 0.001).
There was no significant difference in the tau coefficient
between unsupervised (III) and supervised (IV) classification
(t= 0.12). The most accurate classification of Landsat TM data
was obtained using band ratios (V), 92%, and this was significantly more accurate than either method III or IV (P<0.001).
Similar results were obtained for CASI (Figure 13.1). Accurate discrimination between mangrove and non-mangrove
vegetation was not possible using either visual interpretation (I) or classification of a NDVI image (II): although the
overall accuracy of the visually interpreted image was 71%
there was no statistical difference between the tau coefficients for methods I and II (t = -2.82). Image processing methods III–V produced an overall accuracy of more than
89% and were significantly more accurate than methods I
and II (P< 0.001) and there was no significant difference in
the tau coefficient between unsupervised (III) and supervised (IV) classification (t= 1.69). The most accurate classification of CASI data was obtained using band ratios (V), 96%,
and this was significantly more accurate than method III
(P<0.05) but not method IV (t= 0.71).
Interestingly it seems that by using band ratios the mangroves of the Turks and Caicos Islands can be distinguished
from non-mangrove vegetation just as accurately with Landsat TM data as with CASI. Slightly higher overall accuracy was
obtained using CASI data (96% compared to 92% for Landsat
TM) but there was no significant difference between tau coefficients (t= 0.88).