관찰 및 결정 정의
dNBR은 일반적으로 전 불 NBR 민스 포스트 불 NBR로 계산됩니다. 두 개의 광학 관찰 사이의 차이를 설명합니다. 결과는 날짜에 따라 다를 수 있으므로 기본 선의 채권 및 포스트 화재 복구 타이밍은 사건 메타 데이터보다 측정의 일부입니다.
예열 및 우편불 NBR 차이를 위해 정확한 질문을 시작합니다. 소프트웨어 설정을 비교하기 전에 결정과 수량을 주십시오. 결과를 사용할 수 있는 식별, 그들이 인식하고 증거가 검사 또는 분석 변경하는 지리적 단위. 대상 조건과 백악성 대안 설명 아래. 이 방법은 실제 관측이 질문에 답할 수 있는지 판단 할 수 있습니다. 출력이 다른 의미로 프록시를 나타냅니다 때 잘 보이는지도가 충분하지 않습니다. 짧은 가정 등록을 유지하므로 나중에 검토자는 측정 된 입력, 모델 선택 및 해석을 구별 할 수 있습니다.
방법의 일치 데이터 지원
전방 화재 및 후불 NBR 차이의 측정 기준은 해석에 따라 다릅니다. spectral 특징은 방정식과 그 관측 모두에 의해 정의됩니다. 밴드명 선택하기 전에 소스 제품 설명을 읽으십시오. 밴드 번호와 파장 응답은 임무 중 다릅니다. 처리 수준, 반사 스케일링, 취득 시간 및 품질 정보를 함께 유지하십시오. 조작 단위가 화소, 분야, 서식지 패치 또는 관리 영역인지 결정하십시오. 수학적으로 정확한 비율은 아직도 혼합 표면 또는 다른 계절 단계를 비교할 때 잘못된 질문에 응답 할 수 있습니다. 원래 밴드 관측을 보존하기 때문에 의심스러운 인덱스는 혼자서 색상을 해석하는 것보다 입력으로 추적 할 수 있습니다.
추적 가능한 분석
계절에 맞는 전방 및 후불 반사 관측을 선택하여 평평한 적용을 보장합니다. Co-register 이미지와 다른 것의 앞에 NBR개의 층 둘 다 산출하십시오. 사전적 즉각적인 평가 또는 나중에 생태 평가가 의도되는지 여부를 기록합니다.
전불 및 후불 NBR 차이를 준비하면 다음과 같은 증거를 보존해야합니다. 인덱스 또는 스펙트럼 대비 계산하기 전에 호환 가능한 물리적 수량을 준비하십시오. 문서화 된 스케일과 모든 첨가제 오프셋을 즉시 한번에 적용하십시오. 검증된 규칙에 따라 유효 제로, 마스크 클라우드 및 그림자로부터 무효 관측을 분산시키고 포화 입력을 검사합니다. 문서화된 그리드에 Align 밴드는 기본 정보 지원을 유지하면서. coarser 밴드가 재 샘플화 될 때, 더 정밀한 출력 간격은 더 정밀한 스펙트럼 세부 사항을 만들지 않습니다. 몇 소스의 픽셀을 수동으로 테스트하고 표현의 디노미네이터 또는 기타 수치 조건을 검토합니다. 표시는 quantitative 계산 밖에서 뻗어, 발표 색깔이 반영되지 않기 때문에 측정을 계속합니다.
대표 파일럿 시험
전불 및 후불 NBR 차이에 대한 파일럿은 실제 수신을 워크플로해야합니다. 일반 조건과 어려운 예외를 포함하는 대표 파일럿과 함께 시작하십시오. 관련 경계, 혼합 표면, 누락 된 관측 및 알려진 참조 위치를 포함. 소스 메타데이터와 함께 몇 가지 수동으로 누름 예제를 저장합니다. 독립적 인 리더 또는 실제 계산과 결과 비교하십시오. 파일럿은 수출을 통해 소스 선택에서 완전한 경로를 테스트해야, 올바른 수식이 여전히 잘못된 단위로 종료 될 수 있기 때문에, 밴드 주문 또는 유효성 취급. 파일럿이 이해되면 나중에 개정을 참고로 유지하십시오.
주제별 해석 위험 인식
계절의 변화는 mimic 또는 가면 불 효력 할 수 있습니다. 긍정 값은 서명 규칙 및 유효한 마스크를 검사하지 않고 해석되지 않아야 합니다. 다른 풍경에서 개발 된 Severity breakpoint는 채권 구조 또는 필드 정의가 다를 때 정당화 된 라벨을 생산할 수 있습니다.
사전 화재 및 후 화재 NBR 차이의 검토는 계산 완료 후 계속되어야합니다. 지역 문제 및 독립적 인 증거를 사용하여 기능을 해석하십시오. 인덱스는 여러 물리적 및 관측적 영향에 반응할 수 있으므로 강한 대조는 일반적으로 진단되기 전에 심사 결과입니다. 백악관을 비교하고, 소스 밴드를 검사하고 적절한 관계가 적용되는 인구를 문서화합니다. 반복된 감시를 위해, 일반적인 유효한 지원 또는 설명하는 변경 적용. 평균과 함께 유효 보수 작업을 보고 임계지도가 전달될 때 연속 기능 레이어를 유지하십시오. 임계 값은 공증 및 거짓 경보가 평가되어야하는 결정 규칙입니다.
일하는 일
고형도 사이트를 공급하는 것은 불 전 0.60의 NBR 및 0.15 후반. 명시된 컨벤션 dNBR의 밑에 0.45입니다. 사전 화재 날짜가 0.35에서 건조 시즌을 샘플하면, 차이는 0.20이 후불 관측을 변경하지 않고.
예시는 전방불과 후불 NBR 차이를 의미하는 것은 부정적으로 제한된 역할을 합니다. 이 문서의 예는 설명되어 있지 않으며, 프로젝트 결과, 정확성 청구 또는 성능 보증이 아닙니다. 측정된 프로젝트 값으로 assumption를 대신하여 작업의 이유를 사용해서 교체합니다. 단위, 관측 날짜 및 관련 디노미네이터를 가리킵니다. 합리적인 대안 마스크, 참조 또는 매개 변수가 결정, 그 감도를 변경하고 실용적인 증거를 얻을 수 있는지. 추가 소수점은 어떤 것을 관찰 한 것에 불확실하지 않습니다. 가장 큰 persuasive narrative를 생산하는 매개 변수를 선택 대신 명시적으로 해결되지 않은 경우를 유지합니다.
독립적인 증거에 대하여 Evaluate
안정적인 비동시 참조 영역 및 필드 소시지 severity 플로트를 검토하십시오. 대체 명확한 기준 날짜에 감도를 시험하십시오. 진정한 생태의 차이를 분리하는 화재-edge 등록 오류를 유지, 특히 좁은 화상 스트립이 결과를 지배.
독립 평가는 결과가 사용될 모집단과 조건을 대표해야 합니다. 매개변수 선택이나 모델 훈련에 사용한 관측은 성능 평가에 사용하는 관측과 분리해야 합니다. 명확한 표적뿐 아니라 구별하기 어려운 비표적 사례도 포함하고, 자료가 없거나 관측할 수 없는 영역에 대한 정보를 유지해야 합니다. 기준 자료의 시간과 공간적 관측 범위를 가능한 한 맞추십시오. 불일치가 발생하면 분석과 기준 근거를 모두 조사해야 합니다. 기준 측정에도 불확실성이 있으므로 이를 지도에 억지로 맞추는 것은 유효한 보정 방법이 아닙니다.
유용한 스케일에서 uncertainty 보고
예열 및 포스트 화재 NBR 차이를 위해 결과가 입증 된 범위를 유지해야합니다. 의도한 결정의 규모에 불확실한 검토. 화소 간격, 효과적인 감지기 지원, 가공 이웃 및 관리 단위는 실질적으로 다를 수 있습니다. 많은 재 샘플링 픽셀은 많은 독립적 인 관찰을 만들지 않습니다. 지역 요약을 위해, 유효한 적용과 예외를 보존하십시오; 후보자 특징을 위해, 탐지 신뢰 및 근원 날짜를 보존하십시오. 지역 변이에서 분리된 체계적인 효과는 증거가 허용하는 곳에. 작은 평균 오류는 희귀 한 클래스, 특정 재료 또는 대표 된 지역에서 비정상적인 bias를 규칙하지 않습니다. 평가에 의해 입증된 범위를 보고하십시오.
usable GIS 및 분석 증거 제공
두 소스 NBR 레이어, dNBR, 비교 간격 및 로컬로 단화 된 심각성 계획을 전달하십시오. 불확실하고 비난된 클래스를 유지하십시오. ITSensing는 최종 소각 해석을 검토하는 책임있는 전문가와 더불어 반복 가능한 날짜 쌍 처리 그리고 GIS 산출을 위해 평가될 수 있습니다.
전불과 후불 NBR 차이를 위한 손전등은 저자 환경 밖에 이해해야 합니다. 관련 지리 공간 데이터와 concise data dictionary와 함께 접근 가능한 개요를 전달합니다. 안정적인 식별자, 소스 참조, 관측 날짜, 처리 버전, 좌표 참조 및 품질 필드를 유지. 예외적인 영역과 예외 등록시 다음 유용한 체크를 설명합니다. 샘플 항목을 찾을 수 있도록 수신 분석가 요청, 그것의 증거를 확인하고 제한을 해석. 이 실용적인 리뷰는 파일에 대한 체크가 감지 될 수 없다는 것을 누락된 상황에 대해 알 수 있습니다. 개정의 이유를 보존하기 때문에 나중에 변경은 새로운 관측 또는 변경 방법에 추적 할 수 있습니다.
ITSensing 워크플로를 실제 입력으로 평가
사전 화재 및 포스트 화재 NBR 차이를 위한 클라우드 원격탐사 소프트웨어를 평가할 때 문서화 된 파일럿을 사용하십시오. 제품 비교를 사용하여 전체 워크플로을 테스트하여 대표 데이터. ITSensing는 위성 발견, 래스터 및 스펙트럼 분석, 머신러닝, GeoAI, 모델 빌딩 및 Python 기반 작업을 위한 클라우드 작업 공간을 제공합니다. 이러한 광범위한 기능은 여기에 설명 된 모든 전문 방법을 설정하지 않습니다. 기본 버튼 또는 모든 외부 서비스는 직접 연결됩니다. 실제 문서화 도구, 지원된 입력 및 수출 경로 확인. 재발급 워크플로을 선택하기 전에 파일럿 증거와 독립적 인 검증을 유지하십시오. 제품 링크는 평가의 항목 포인트입니다, 과학 해석은 데이터와 방법에 묶여 남아.
