(Fig. 4). This result indicated tha

(Fig. 4). This result indicated that the temporal information of MODIS and the spatial information of Landsat ETM+ data were effectively integrated in the predicted NDVI dataset which could describe a more detailed spatial variation of NDVI at the resolution of 30 m. From the scatter plot of predicted and Landsat ETM+ NDVI data (Fig. 5), it could be seen that most of the scatter points were concentrated along the line of x = y. The determination coefficient(R2) was 0.66 at the 0.05 significant level, and the Root Mean Square Error (RMSE) was 397.64 which meant approximately 4% estimation error of predicted NDVI data (the NDVI data was scaled to 0to 10,000). Additionally, predicted NDVI data was slightly larger than Landsat ETM+ NDVI data, which might be responsible for the 5 date interval of data acquisition. Based on the comparison of predicted NDVI and Landsat ETM+ NDVI, it was indicated that STARFM in this study could effectively fuse the MODIS and Landsat ETM+NDVI data, and the fused NDVI dataset could be used for improving forest cover classification accuracy of Landsat ETM+ data.

ผลลัพธ์ (ไทย) 1:

(Fig. 4) ผลลัพธ์นี้บ่งชี้ว่า ข้อมูลชั่วคราวของ MODIS และข้อมูลปริภูมิของ Landsat ETM + ข้อมูลได้อย่างมีประสิทธิภาพรวมในชุดข้อมูลคาดการณ์ NDVI ซึ่งสามารถอธิบายรายละเอียดเพิ่มเติมพื้นที่รูปแบบของ NDVI ที่ความละเอียด 30 เมตร จากการกระจายพล็อตของทำนาย และข้อมูล Landsat ETM + NDVI (Fig. 5), มันอาจจะเห็นว่า ส่วนใหญ่คะแนนกระจายได้เข้มข้นตามแนวของ x = y Coefficient(R2) กำหนดคือ 0.05 สำคัญระดับ 0.66 และรากค่าเฉลี่ยกำลังสองข้อผิดพลาด (RMSE) เป็น 397.64 ซึ่งหมายถึง ประมาณ 4% ประเมินข้อผิดพลาดของข้อมูล NDVI คาดการณ์ (NDVI ข้อมูลถูกปรับให้ 0to 10000) นอกจากนี้ ข้อมูล NDVI เคลื่อนได้เล็กน้อยมากกว่าข้อมูล Landsat ETM + NDVI ซึ่งอาจจะชอบช่วงวัน 5 ของข้อมูลการ ขึ้นอยู่กับการเปรียบเทียบคาดการณ์ NDVI และ Landsat ETM + NDVI มันถูกบ่งชี้ว่า STARFM ในการศึกษานี้ได้อย่างมีประสิทธิภาพสามารถฟิวส์ MODIS และ Landsat ETM + NDVI ข้อมูล และชุดข้อมูล NDVI หลอมสามารถใช้ปรับปรุงป่าครอบคลุมประเภทความแม่นยำของ Landsat ETM + ข้อมูล

ผลลัพธ์ (ไทย) 2:

(รูปที่ 4). ผลที่ได้นี้ชี้ให้เห็นว่าข้อมูลชั่วคราวของ MODIS และข้อมูลเชิงพื้นที่ของ Landsat ETM + ข้อมูลแบบบูรณาการอย่างมีประสิทธิภาพในการคาดการณ์ชุด NDVI ซึ่งสามารถอธิบายการเปลี่ยนแปลงเชิงพื้นที่รายละเอียดเพิ่มเติมของ NDVI ที่ความละเอียด 30 เมตร จากพล็อตของการคาดการณ์และ Landsat ETM + ข้อมูล NDVI (รูปที่. 5) ก็อาจจะเห็นว่าส่วนใหญ่ของจุดกระจายมีความเข้มข้นตามแนวของ x = y ค่าสัมประสิทธิ์ความมุ่งมั่น (R2) เป็น 0.66 สถิติที่ระดับ 0.05 สำคัญและราก Mean Square ข้อผิดพลาด (RMSE) เป็น 397.64 ซึ่งหมายความว่าประมาณ 4% ข้อผิดพลาดของข้อมูลการประมาณค่า NDVI ที่คาดการณ์ไว้ (ข้อมูล NDVI ได้รับการปรับให้ 0to 10,000) นอกจากนี้คาดการณ์ NDVI ข้อมูลที่เป็นขนาดใหญ่กว่าเล็กน้อย Landsat ETM + ข้อมูล NDVI ซึ่งอาจจะเป็นผู้รับผิดชอบสำหรับช่วงวันที่ 5 ของการเก็บข้อมูล จากการเปรียบเทียบการคาดการณ์ NDVI และ Landsat ETM + NDVI มันก็ชี้ให้เห็นว่า STARFM ในการศึกษาสามารถหลอมรวมได้อย่างมีประสิทธิภาพ MODIS และ Landsat ETM + ข้อมูล NDVI นี้และชุด NDVI ผสมสามารถนำมาใช้สำหรับการปรับปรุงความถูกต้องจำแนกพื้นที่ป่าของ Landsat ETM + ข้อมูล .

ผลลัพธ์ (ไทย) 3:

( รูปที่ 4 ) พบว่า ข้อมูลชั่วคราวของโมดิสและข้อมูลเชิงพื้นที่ของข้อมูลดาวเทียม ETM มีประสิทธิภาพในการทำนายการเปลี่ยนแปลงด้านพืชพรรณแบบบูรณาการ ซึ่งสามารถอธิบายการผันแปรเชิงพื้นที่ของข้อมูลรายละเอียดของการเปลี่ยนแปลงด้านพืชพรรณที่ความละเอียด 30 เมตร จากแผนการกระจายของการทำนายและการเปลี่ยนแปลงด้านพืชพรรณจาก ETH ข้อมูล ( รูปที่ 5 )จะเห็นว่าส่วนใหญ่ของการกระจายจุดมีความเข้มข้นในแนว X = Y . การหาค่าสัมประสิทธิ์ ( R2 ) คือ 0.66 ที่ระดับ 0.05 และรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) คือ 397.64 ซึ่งหมายถึงประมาณ 4% ค่าความผิดพลาดของข้อมูล ( ข้อมูลคาดการณ์การเปลี่ยนแปลงด้านพืชพรรณเปลี่ยนแปลงด้านพืชพรรณถูกลดขนาดเพื่อ 0to 10000 ) นอกจากนี้ทำนายข้อมูลการเปลี่ยนแปลงด้านพืชพรรณเป็นขนาดใหญ่กว่าเล็กน้อยจากการเปลี่ยนแปลงด้านพืชพรรณ ETM ข้อมูลซึ่งอาจจะรับผิดชอบ 5 วันที่ช่วงเวลาของการเก็บข้อมูล จากการเปรียบเทียบข้อมูลการเปลี่ยนแปลงด้านพืชพรรณและคาดการณ์การเปลี่ยนแปลงด้านพืชพรรณ ETH พบว่า starfm ในการศึกษานี้อาจมีฟิวส์ที่ดาวเทียมโมดิส ETM เปลี่ยนแปลงด้านพืชพรรณและข้อมูลและผสมชุดข้อมูลสามารถใช้ในการปรับปรุงเปลี่ยนแปลงด้านพืชพรรณป่าไม้การจำแนกจาก ETH ความถูกต้องของข้อมูล