Merging Landsat TM and SPOT Pan gre

Merging Landsat TM and SPOT Pan greatly facilitated the
visual interpretation of mangrove/non-mangrove vegetation
in the TM data (Figure 13.2), almost doubling the overall accuracy from 42% to 71% for the IHS merge and 79% for the PC
merge. There were significant increases in accuracy (t = 2.39,
P< 0.05 for the IHS merge; t = 4.00, P

Kết quả (Việt) 1:

Việc sáp nhập Landsat TM và SPOT Pan rất nhiều tạo điều kiện cácCác giải thích trực quan của thảm thực vật ngập mặn/phòng không-ngập mặntrong dữ liệu TM (hình 13.2), hầu như tăng gấp đôi độ chính xác tổng thể từ 42% 71% cho hợp IHS và 79% cho máy PChợp nhất. Đã có đáng kể làm tăng độ chính xác (t = 2,39,P < 0,05 cho hợp IHS; t = 4,00, P < 0,01 cho máy PChợp nhất). Tuy nhiên một phân loại giám sát của dữ liệu hợp nhấtbởi một trong hai phương pháp đã không chính xác hơn so với một giám sátphân loại dữ liệu Landsat TM gốc (hình 13.2). Ởgiải thích trực quan thực tế dường như là cách tốt nhất để phân biệt ngập mặn từ thảm thực vật ngập mặn phòng không ởhợp nhất dữ liệu. Trực quan giải thích là chính xác hơnCác phân loại giám sát cho cả hai IHS sáp nhập dữ liệu (t = 1,99, P < 0,05) và PC sáp nhập dữ liệu (t = 2,56, P < 0,01). Điều này có lẽ là vì giả định rằng những hình ảnh Pan là spectrallykhông phải là tương tự như các thành phần cường độ của các dữ liệu TMluôn luôn hợp lệ (Chavez 1991). Sự khác biệt giữa cáccường độ của Landsat TM ban nhạc 4, 5 và 7 và hình ảnh Panlà đủ để bóp méo các đặc tính quang phổ của TMdữ liệu. Một kết hợp PC làm biến dạng dữ liệu TM ít hơn một kết hợp IHSbởi vì tất cả TM ban nhạc được sử dụng và kết quả là các thành phần chủ yếu đầu tiên là hơn tương tự như hình ảnh Pan hơn các thành phần của cường độ trong một kết hợp IHS (Chavez 1991). Tuy nhiênPC sáp nhập dữ liệu không chính xác hơn đáng kể so vớiIHS sáp nhập dữ liệu, cho dù xử lý bằng cách sử dụng giải thích trực quan (t =-1.51) hoặc giám sát phân loại (t =-0.24).

Kết quả (Việt) 2:

Merging Landsat TM and SPOT Pan greatly facilitated the
visual interpretation of mangrove/non-mangrove vegetation
in the TM data (Figure 13.2), almost doubling the overall accuracy from 42% to 71% for the IHS merge and 79% for the PC
merge. There were significant increases in accuracy (t = 2.39,
P< 0.05 for the IHS merge; t = 4.00, P<0.01 for the PC
merge). However a supervised classification of data merged
by either method was not more accurate than a supervised
classification of the original Landsat TM data (Figure 13.2). In
fact visual interpretation appears to be the best way of distinguishing mangrove from non-mangrove vegetation in
merged data. Visual interpretation was more accurate than
supervised classification for both IHS merged data (t= 1.99,
P< 0.05) and PC merged data (t= 2.56, P<0.01). This is probably because the assumption that the Pan image is spectrally
similar to the intensity component of the TM data is not
always valid (Chavez 1991). The differences between the
intensity of Landsat TM bands 4, 5 and 7 and the Pan image
is sufficient to distort the spectral characteristics of the TM
data. A PC merge distorts the TM data less than a IHS merge
because all TM bands are used and as a result the first principal component is more similar to the Pan image than the intensity component in a IHS merge (Chavez 1991). However
PC merged data were not significantly more accurate than
IHS merged data, whether processed using visual interpretation (t= -1.51) or supervised classification (t= -0.24).