Time-series VI data filtered by met

Time-series VI data filtered by methods using linear interpolation, such as the BISE (Viovy et al., 1992) and TWO methods (Park et al., 1999), have discontinuities with respect to first derivative, and the rates of increase and decrease of the interpolated data stay constant. Thus, it is hard to identify the crop growth stages by using inflection point or minimal point. Filtering methods using the Fourier or wavelet transform can reduce noise with reflecting the periodicity of seasonal vegetation change. The filtered VI data are continuous, and the inflection point and maximum point can be detected for delimiting growing seasons. We compared the Fourier and wavelet transforms as filtering methods in the identification of rice phenological stages from daily VI changes.
The wavelet transform is widely used; e.g., in the analysis of long-term variability of air temperature (Khan et al., 2004), noise reduction in lidar signals (Fang & Huang, 2004), and analysis of the variability of vegetation (Li & Kafatos, 2000).

ผลลัพธ์ (ไทย) 1:

อนุกรมเวลาข้อมูล vi กรองโดยวิธีการที่ใช้สอดแทรกเชิงเส้นเช่น Bise (viovy, et al., 1992) และสองวิธี (สวน, et al., 1999), มีนันที่เกี่ยวกับอนุพันธ์และอัตราการเพิ่มขึ้นของ และการลดลงของการสอดแทรกข้อมูลอยู่คงที่ ดังนั้นมันเป็นเรื่องยากที่จะระบุระยะการเจริญเติบโตของพืชโดยใช้จุดโรคติดเชื้อหรือจุดที่น้อยที่สุดกรองวิธีใช้ฟูริเยร์หรือแปลงเวฟสามารถลดเสียงรบกวนกับสะท้อนให้เห็นถึงระยะเวลาของการเปลี่ยนแปลงพืชตามฤดูกาล กรองข้อมูล vi มีอย่างต่อเนื่องและจุดโรคติดเชื้อและจุดสูงสุดที่สามารถตรวจพบได้สำหรับ delimiting ฤดูกาลที่กำลังเติบโตเราเมื่อเทียบกับฟูริเยร์และการแปลงเวฟการกรองวิธีการในการระบุตัวตนของขั้นตอน phenological ข้าวจากการเปลี่ยนแปลง vi ทุกวัน
แปลงเวฟถูกนำมาใช้กันอย่างแพร่หลาย. เช่นในการวิเคราะห์ความแปรปรวนในระยะยาวของอุณหภูมิอากาศ (Khan et al, 2004. ) การลดเสียงรบกวนในสัญญาณ LIDAR (ฝาง& Huang, 2004) และการวิเคราะห์ความแปรปรวนของพืช (li & kafatos 2000).

ผลลัพธ์ (ไทย) 2:

VI ชุดเวลาข้อมูลที่ถูกกรอง โดยวิธีใช้สอดแทรกเชิง เช่นไบส์ (Viovy et al., 1992) และ discontinuities เกี่ยวกับอนุพันธ์อันดับแรกมีสองวิธี (สวนร้อยเอ็ด al., 1999), และอัตราการเพิ่มขึ้นและลดลงของข้อมูล interpolated อยู่คง ดังนั้น จึงยากที่จะระบุระยะเจริญเติบโตของพืช โดยใช้จุดการผันคำหรือจุดต่ำสุด กรองวิธีการใช้การแปลงฟูรีเยหรือ wavelet สามารถลดเสียงรบกวนพร้อมสะท้อนประจำงวดของการเปลี่ยนแปลงตามฤดูกาลพืชพรรณ ข้อมูล VI กรองอย่างต่อเนื่อง และจุดผันคำและจุดสูงสุดสามารถตรวจจับสำหรับการกำหนดเขตฤดูเติบโต เราเปรียบเทียบฟูรีเย และ wavelet แปลงเป็นกรองวิธีการในรหัสของข้าวระยะ phenological จากวัน VI เปลี่ยนแปลง.
อย่างกว้างขวางใช้แปลง wavelet เช่น ในการวิเคราะห์ระยะยาวความแปรผันของอุณหภูมิอากาศ (Khan et al., 2004), ลดสัญญาณรบกวนในสัญญาณ lidar (ฝาง&หวง 2004), และการวิเคราะห์ความแปรผันของพืช (Li & Kafatos, 2000) .

ผลลัพธ์ (ไทย) 3:

ข้อมูล VI
เวลา - series ที่กรองแล้วโดยวิธีใดวิธีหนึ่งโดยใช้สอดตามแนวยาวเช่น bise ( viovy et al . 1992 )และสองวิธี(อุทยาน et al . 1999 )มี ภาวะ ชะงักงันด้วยความเคารพในการดัดแปลงเป็นครั้งแรกและมีอัตราค่าบริการที่ขึ้นจากการปรับเพิ่มและลดลงของข้อมูลแบบ interpolated จึงจะได้เข้าพักอย่างต่อเนื่อง ดังนั้นจึงเป็นเรื่องยากที่จะระบุขั้นตอนการขยายตัว ภาค การเกษตรโดยใช้จุดไปหรือจุดต่ำสุดการกรองข้อมูลวิธีใช้ฟุรเย - หรือ wavelet เปลี่ยนแปลงที่สามารถลดเสียงรบกวนด้วยสะท้อนถึงเป็นบางครั้งบางคราวที่มีการเปลี่ยนพันธุ์ไม้ตามฤดูกาล ข้อมูล VI ที่กรองแล้วมีอย่างต่อเนื่องและจุดน้ำเสียงและจุดสูงสุดและสามารถตรวจพบสำหรับฤดูกาลยังเติบโตเราเมื่อเทียบกับที่ฟุรเย - และ wavelet จะเปลี่ยนเป็นการกรองวิธีการในการระบุตัวตนของข้าว phenological ขั้นตอนจากการเปลี่ยนแปลงทุกวัน VI .
ที่ wavelet เปลี่ยนแปลงได้รับการยอมรับอย่างกว้างขวางใช้;เช่นในการวิเคราะห์ระยะยาวได้ของ อุณหภูมิ ในอากาศ(ขัน et al ., 2004 ),การลดเสียงรบกวนใน lidar สัญญาณ(ฝาง& Huang , 2004 ),และการวิเคราะห์ของที่ตั้งได้ของพันธุ์ไม้( Li & kafatos , 2000 )..