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).
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).
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)
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) .
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)