The analysis of image time series,

The analysis of image time series, particularly those derived from remote sensing, is of increasing relevance for environmental monitoring (e.g. ocean, forests, fires, land use/land cover change, flooded areas, climate change, water bodies, ecology) over large areas, and vegetation and crop monitoring is no exception. In fact, agricultural production depends on a series of factors that are highly variable over space and time. The 2007/2008 food price crisis has brought back to the spotlight the impact of sudden changes in global crop production in a context of growing pressure on natural resources, increasing uncertainty linked to climatic change and high levels of vulnerability to food shortage in politically unstable areas such as the Sahel and the Horn of Africa (FAO, 2009). Remote sensing significantly contributes to agricultural production assessments thanks to its capacity to collect information over large areas and with a high temporal frequency (Atzberger, 2013, Baruth et al., 2008 and Zhao et al., 2013). Satellite data made available to users in a timely manner by sensors such as SPOT-Vegetation (VGT) (e.g., Maisongrande et al., 2004), Terra/Aqua MODIS (e.g., Cracknell, 1997), NOAA AVHRR (e.g., Justice et al., 1998), Metop AVHRR (e.g., Eerens et al., 2009) and Meteosat MVIRI/SEVIRI (e.g., Fensholt et al., 2011) play a key role in assessing crop conditions in a qualitative manner and identifying potential production deficits at the end of the cropping season. Methodologies have been constantly improved since the 1980's for using satellite derived biophysical indicators directly as proxy for crop yield (Tucker et al., 1980) or as inputs for quantitative crop growth and biomass estimation models (Baret et al., 1989 and Delécolle et al., 1992). A review on this evolution has been published by Rembold et al. (2013). However, to transform the data embedded in these images into useful information for decision support, analysts need a software environment able to manage in an integrated way both the spatial and temporal dimensions of the time series (Rasinmäki, 2003).

Most of the available GIS and image processing software packages do not provide a complete range of built-in functionalities to handle time series of images (Babu et al., 2006), and are not optimized for the needs of the crop monitoring community. In the 1990's the Food and Agriculture Organization (FAO) developed the free WinDisp software (http://www.fao.org/giews/english/windisp/), which marked a clear effort in this direction and became a widespread tool in developing countries. Unfortunately the development of WinDisp stopped in 2003 and the tool has become obsolete. Advanced crop monitoring analyses can be conducted with standard image processing software (e.g., IDRISI, http://clarklabs.org/; ENVI, http://www.exelisvis.com/; GRASS, http://grass.osgeo.org/, Neteler et al., 2012), statistical packages (e.g., MATLAB, http://www.mathworks.it/; R http://www.r-project.org/) or spatial databases (e.g., PostgreSQL/PostGIS, http://www.postgresql.org/, http://postgis.refractions.net/). However, these tools are generic in nature and their use for advanced image time series processing requires specific programming skills, remote sensing knowledge and long program development efforts. Such capacities are not always available in institutions dealing with agricultural monitoring and early warning.

Some tools partially address the needs of the agricultural monitoring community, for instance the e-station (http://estation.jrc.ec.europa.eu/, Clerici et al., 2013), which focuses on African conditions, and other online platforms such as the Global Agriculture Monitoring (GLAM) (Becker-Reshef et al., 2010), CropExplorer (http://www.pecad.fas.usda.gov/cropexplorer/), the MARS web viewer (http://www.marsop.info/marsop3/) and the interpretation tools of the United States Geological Survey (USGS) portal ADDS (http://earlywarning.usgs.gov/fews/). All these tools are mainly designed to directly provide users with the standard outputs of remote sensing analyses such as Normalized Difference Vegetation Index (NDVI) (Rouse et al., 1974) and rainfall status, anomaly maps and graphs of temporal profiles. However, they generally do not offer a flexible image processing environment that can be used by technicians and involved institutions to adapt the data analysis steps and generate additional and customized outputs.

Other online applications offer services related to image time series acquisition and processing, but they are designed for either very specific purposes (e.g., fires, Díaz et al., 2013; habitats, Dubois et al., 2013) or are typically generalised (e.g. visualization tools, Blower et al., 2013).

The TIMESAT tool (Jönsson and Eklundh, 2004) is quite flexible but it focuses on the extraction of phenological parameters and it lacks a graphical user interface. TimeStats (Udelhoven, 2011) offers some advanced tools for data mining in long-term remote sensing data archives but is mainly addressed to advanced users (i.e., remote sensing experts). Finally, gro-meteorological modelling packages such as GeoWRSI (FEWSNET, http://chg.geog.ucsb.edu/products/geowrsi/) and AGROMET-SHELL (FAO, http://www.hoefsloot.com/agrometshell.htm) also work with time series of raster data (mainly meteorological data) but they are not optimized for the processing of remote sensing imagery.

We can therefore conclude that none of the existing systems provides in one package the highly specific set of time series processing functions to assess crop and vegetation status, including temporal smoothing, detection of phenological stages, computation of long term averages and anomalies, classification based on vegetation seasonal performance, and production of the outputs traditionally used in crop monitoring bulletins (statistics, maps, graphs). For this reason, a flexible and user-friendly interface, targeting both national and international agriculture and food security experts, is highly desirable (Gommes et al., 2011). There is a clear need for dedicated software with optimized functions to efficiently process and analyse large image archives. This is particularly relevant in view of imminent satellite constellations such as the European Space Agency's (ESA) Sentinel program (Petitjean et al., 2012), which will combine both high spatial and temporal resolution making an improved software approach even more urgent. Finally and especially in developing countries, free software can play an important contribution to capacity building for local institutions, which are the main actors in the design and implementation of prevention and response policies to potential food crises.

SPIRITS is an integrated, modular software platform that aims at answering the requirements outlined above. The software is extensively documented and distributed freely for non-commercial use.

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ภาพเวลาชุด โดยเฉพาะอย่างยิ่งผู้ที่ได้รับมาจากแชมพู จะเพิ่มสำหรับการตรวจสอบสิ่งแวดล้อมที่เกี่ยวข้อง (เช่นทะเล ป่า ไฟ เปลี่ยนฝาครอบใช้/ที่ดินที่ดิน พื้นที่น้ำท่วม สภาพ แหล่งน้ำ นิเวศวิทยา) พื้นที่ใหญ่เกิน และพืช และตรวจสอบพืชก็ ในความเป็นจริง เกษตรขึ้นอยู่กับชุดของปัจจัยที่เป็นตัวแปรสูงกว่าพื้นที่และเวลา วิกฤติราคาอาหาร 2007/2008 มีนำกลับไปเพื่อนำผลกระทบของการเปลี่ยนแปลงอย่างฉับพลันในการผลิตพืชสากลในบริบทของการเติบโตความดันบนทรัพยากรธรรมชาติ การเพิ่มความไม่แน่นอนกับไอและระดับสูงของความเสี่ยงการขาดแคลนอาหารในพื้นที่ง่อนแง่นซาเฮลและในฮอร์นของแอฟริกา (FAO, 2009) แชมพูมากสนับสนุนการประเมินผลผลิตทางการเกษตรด้วยระบบผลิตของการรวบรวมข้อมูลพื้นที่ขนาดใหญ่ และ มีความถี่สูงที่ขมับ (Atzberger, 2013 เจียว et al., 2013 และ Baruth et al., 2008) ข้อมูลดาวเทียมผู้ผู้ใช้ได้อย่างทันท่วงที โดยเซ็นเซอร์เช่นพืชจุด (VGT) (เช่น Maisongrande et al., 2004), Terra/Aqua MODIS (เช่น Cracknell, 1997), NOAA AVHRR (เช่น ความยุติธรรมและ al., 1998), Metop AVHRR (เช่น Eerens et al., 2009) และ Meteosat MVIRI/SEVIRI (เช่น Fensholt et al., 2011) เล่นบทบาทสำคัญในการประเมินการตัดเงื่อนไขในลักษณะเชิงคุณภาพและการระบุศักยภาพผลิตขาดดุลเมื่อสิ้นสุดฤดูกาลครอบ หลักสูตรได้ตลอดเวลาปรับปรุงตั้งแต่ปี 1980 การใช้ดาวเทียมมาชี้ biophysical เป็นพร็อกซีสำหรับผลผลิตของพืช (ทักเกอร์ et al., 1980) โดยตรง หรือ เป็นอินพุตสำหรับการเติบโตเชิงปริมาณพืชและชีวมวลแบบจำลองการประเมิน (Baret et al., 1989 และ Delécolle et al., 1992) ทานในวิวัฒนาการนี้ได้ถูกเผยแพร่โดย Rembold et al. (2013) อย่างไรก็ตาม เพื่อแปลงข้อมูลที่ฝังอยู่ในภาพเหล่านี้เป็นข้อมูลสำหรับสนับสนุนการตัดสินใจ นักวิเคราะห์ต้องระบบซอฟต์แวร์จะจัดการในวิธีการรวมทั้งพื้นที่ และกาลมิติของลำดับเวลา (Rasinmäki, 2003)Most of the available GIS and image processing software packages do not provide a complete range of built-in functionalities to handle time series of images (Babu et al., 2006), and are not optimized for the needs of the crop monitoring community. In the 1990's the Food and Agriculture Organization (FAO) developed the free WinDisp software (http://www.fao.org/giews/english/windisp/), which marked a clear effort in this direction and became a widespread tool in developing countries. Unfortunately the development of WinDisp stopped in 2003 and the tool has become obsolete. Advanced crop monitoring analyses can be conducted with standard image processing software (e.g., IDRISI, http://clarklabs.org/; ENVI, http://www.exelisvis.com/; GRASS, http://grass.osgeo.org/, Neteler et al., 2012), statistical packages (e.g., MATLAB, http://www.mathworks.it/; R http://www.r-project.org/) or spatial databases (e.g., PostgreSQL/PostGIS, http://www.postgresql.org/, http://postgis.refractions.net/). However, these tools are generic in nature and their use for advanced image time series processing requires specific programming skills, remote sensing knowledge and long program development efforts. Such capacities are not always available in institutions dealing with agricultural monitoring and early warning.Some tools partially address the needs of the agricultural monitoring community, for instance the e-station (http://estation.jrc.ec.europa.eu/, Clerici et al., 2013), which focuses on African conditions, and other online platforms such as the Global Agriculture Monitoring (GLAM) (Becker-Reshef et al., 2010), CropExplorer (http://www.pecad.fas.usda.gov/cropexplorer/), the MARS web viewer (http://www.marsop.info/marsop3/) and the interpretation tools of the United States Geological Survey (USGS) portal ADDS (http://earlywarning.usgs.gov/fews/). All these tools are mainly designed to directly provide users with the standard outputs of remote sensing analyses such as Normalized Difference Vegetation Index (NDVI) (Rouse et al., 1974) and rainfall status, anomaly maps and graphs of temporal profiles. However, they generally do not offer a flexible image processing environment that can be used by technicians and involved institutions to adapt the data analysis steps and generate additional and customized outputs.Other online applications offer services related to image time series acquisition and processing, but they are designed for either very specific purposes (e.g., fires, Díaz et al., 2013; habitats, Dubois et al., 2013) or are typically generalised (e.g. visualization tools, Blower et al., 2013).The TIMESAT tool (Jönsson and Eklundh, 2004) is quite flexible but it focuses on the extraction of phenological parameters and it lacks a graphical user interface. TimeStats (Udelhoven, 2011) offers some advanced tools for data mining in long-term remote sensing data archives but is mainly addressed to advanced users (i.e., remote sensing experts). Finally, gro-meteorological modelling packages such as GeoWRSI (FEWSNET, http://chg.geog.ucsb.edu/products/geowrsi/) and AGROMET-SHELL (FAO, http://www.hoefsloot.com/agrometshell.htm) also work with time series of raster data (mainly meteorological data) but they are not optimized for the processing of remote sensing imagery.We can therefore conclude that none of the existing systems provides in one package the highly specific set of time series processing functions to assess crop and vegetation status, including temporal smoothing, detection of phenological stages, computation of long term averages and anomalies, classification based on vegetation seasonal performance, and production of the outputs traditionally used in crop monitoring bulletins (statistics, maps, graphs). For this reason, a flexible and user-friendly interface, targeting both national and international agriculture and food security experts, is highly desirable (Gommes et al., 2011). There is a clear need for dedicated software with optimized functions to efficiently process and analyse large image archives. This is particularly relevant in view of imminent satellite constellations such as the European Space Agency's (ESA) Sentinel program (Petitjean et al., 2012), which will combine both high spatial and temporal resolution making an improved software approach even more urgent. Finally and especially in developing countries, free software can play an important contribution to capacity building for local institutions, which are the main actors in the design and implementation of prevention and response policies to potential food crises.SPIRITS is an integrated, modular software platform that aims at answering the requirements outlined above. The software is extensively documented and distributed freely for non-commercial use.

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์อนุกรมเวลาของภาพโดยเฉพาะอย่างยิ่งที่ได้มาจากการสำรวจระยะไกลเป็นของการเพิ่มความเกี่ยวข้องสำหรับการตรวจสอบด้านสิ่งแวดล้อม (เช่นทะเล, ป่า, ไฟไหม้, การใช้ที่ดิน / การเปลี่ยนแปลงสิ่งปกคลุมดินในพื้นที่ที่ถูกน้ำท่วมเปลี่ยนแปลงสภาพภูมิอากาศแหล่งน้ำนิเวศวิทยา) มากกว่าพื้นที่ขนาดใหญ่ และพืชผักที่เพาะปลูกและการตรวจสอบจะไม่มีข้อยกเว้น ในความเป็นจริงการผลิตทางการเกษตรขึ้นอยู่กับชุดของปัจจัยที่มีตัวแปรมากกว่าพื้นที่และเวลา วิกฤตราคาอาหาร 2007/2008 ได้นำกลับไปสนใจกับผลกระทบของการเปลี่ยนแปลงอย่างฉับพลันในการผลิตพืชทั่วโลกในบริบทของความดันที่เพิ่มขึ้นเกี่ยวกับทรัพยากรทางธรรมชาติ, ความไม่แน่นอนที่เพิ่มขึ้นเชื่อมโยงกับการเปลี่ยนแปลงภูมิอากาศและระดับสูงของความเสี่ยงต่อการขาดแคลนอาหารในพื้นที่ที่ไม่มั่นคงทางการเมือง เช่นยึดถือและฮอร์นของทวีปแอฟริกา (FAO, 2009) การสำรวจระยะไกลอย่างมีนัยสำคัญที่ก่อให้เกิดการประเมินผลการผลิตทางการเกษตรต้องขอบคุณความสามารถในการเก็บรวบรวมข้อมูลมากกว่าพื้นที่ขนาดใหญ่และมีความถี่สูงชั่วขณะ (Atzberger, 2013, Baruth et al., 2008 และ Zhao et al., 2013) ข้อมูลดาวเทียมให้บริการแก่ผู้ใช้ในเวลาที่เหมาะสมโดยเซ็นเซอร์เช่น SPOT-พืช (VGT) (เช่น Maisongrande et al., 2004), Terra / Aqua MODIS (เช่น Cracknell, 1997), โอเอ AVHRR (เช่นความยุติธรรมและ al., 1998) Metop AVHRR (เช่น Eerens et al., 2009) และ Meteosat MVIRI / SEVIRI (เช่น Fensholt et al., 2011) มีบทบาทสำคัญในการประเมินสภาพการเพาะปลูกในลักษณะเชิงคุณภาพและระบุการขาดดุลการผลิตที่มีศักยภาพ ในช่วงปลายฤดูการปลูกพืช วิธีการได้รับการปรับปรุงอย่างต่อเนื่องตั้งแต่ปี 1980 สำหรับการใช้ดาวเทียมที่ได้มาตัวชี้วัดทางชีวกายภาพโดยตรงเป็นพร็อกซี่สำหรับผลผลิตพืช (Tucker et al., 1980) หรือเป็นปัจจัยการผลิตสำหรับการเจริญเติบโตของพืชเชิงปริมาณและรูปแบบการประมาณค่าชีวมวล (Baret et al., 1989 และDelécolle et al, ., 1992) ทบทวนเกี่ยวกับวิวัฒนาการนี้ได้รับการตีพิมพ์โดย Rembold et al, (2013) อย่างไรก็ตามในการแปลงข้อมูลที่ฝังอยู่ในภาพเหล่านี้เป็นข้อมูลที่เป็นประโยชน์สำหรับการสนับสนุนการตัดสินใจของนักวิเคราะห์สภาพแวดล้อมของซอฟต์แวร์ต้องสามารถบริหารจัดการในลักษณะบูรณาการทั้งมิติเชิงพื้นที่และเวลาของอนุกรมเวลา (Rasinmäki, 2003). ส่วนใหญ่ของระบบสารสนเทศภูมิศาสตร์ที่มีอยู่ และการประมวลผลภาพซอฟแวร์ไม่ได้ให้ช่วงที่สมบูรณ์ของฟังก์ชันในตัวที่จะจัดการกับอนุกรมเวลาของภาพ (นาย et al., 2006) และจะไม่ได้รับการปรับให้เหมาะสมกับความต้องการของชุมชนในการตรวจสอบการเพาะปลูก ในปี 1990 องค์การอาหารและการเกษตรแห่งสหประชาชาติ (FAO) ได้รับการพัฒนาซอฟแวร์ฟรี WinDisp (http://www.fao.org/giews/english/windisp/) ซึ่งเป็นความพยายามที่ชัดเจนในทิศทางนี้และกลายเป็นเครื่องมือในการพัฒนาอย่างกว้างขวาง ประเทศ แต่น่าเสียดายที่การพัฒนาของ WinDisp หยุดในปี 2003 และมีเครื่องมือที่ล้าสมัย การตรวจสอบการวิเคราะห์ขั้นสูงพืชสามารถดำเนินการกับซอฟต์แวร์ประมวลผลภาพมาตรฐาน (เช่น Idrisi, http://clarklabs.org/; ENVI, http://www.exelisvis.com/; GRASS, http://grass.osgeo.org . / Neteler et al, 2012), แพคเกจทางสถิติ (เช่น MATLAB, http://www.mathworks.it/; R http://www.r-project.org/) หรือฐานข้อมูลเชิงพื้นที่ (เช่น PostgreSQL / PostGIS, http://www.postgresql.org/, http://postgis.refractions.net/) แต่เครื่องมือเหล่านี้มีทั่วไปในธรรมชาติและการใช้งานของพวกเขาสำหรับเวลาการประมวลผลชุดภาพขั้นสูงต้องใช้ทักษะการเขียนโปรแกรมเฉพาะความรู้การสำรวจระยะไกลและความพยายามในการพัฒนาโปรแกรมยาว ความสามารถดังกล่าวไม่เคยมีอยู่ในสถาบันการศึกษาที่เกี่ยวข้องกับการตรวจสอบทางการเกษตรและการเตือนภัยล่วงหน้า. เครื่องมือบางอย่างบางส่วนตอบสนองความต้องการของชุมชนการตรวจสอบทางการเกษตรเช่น e-สถานี (http://estation.jrc.ec.europa.eu/, . Clerici et al, 2013) ซึ่งมุ่งเน้นไปที่สภาพแอฟริกันและแพลตฟอร์มออนไลน์อื่น ๆ เช่นการตรวจสอบเกษตรทั่วโลก (GLAM) (Becker-Reshef et al, 2010), CropExplorer (http:. //www.pecad.fas usda.gov/cropexplorer/) ชมเว็บ MARS (http://www.marsop.info/marsop3/) และเครื่องมือการตีความของสำรวจทางธรณีวิทยาสหรัฐอเมริกา (USGS) พอร์ทัล ADDS (http: //earlywarning.usgs gov / Fews /) เครื่องมือเหล่านี้ทั้งหมดได้รับการออกแบบเป็นหลักในการโดยตรงให้ผู้ใช้ที่มีผลมาตรฐานของการสำรวจระยะไกลเช่นการวิเคราะห์ความแตกต่าง Normalized ดัชนีพืชพรรณ (NDVI) (ปลุก et al., 1974) และสถานะของปริมาณน้ำฝน, แผนที่ความผิดปกติและกราฟของโปรไฟล์ชั่วคราว แต่พวกเขาโดยทั่วไปไม่ได้มีสภาพแวดล้อมการประมวลผลภาพที่มีความยืดหยุ่นที่สามารถนำมาใช้โดยช่างเทคนิคและที่เกี่ยวข้องกับสถาบันการศึกษาที่จะปรับขั้นตอนการวิเคราะห์ข้อมูลและสร้างผลเพิ่มเติมและการปรับแต่ง. การใช้งานออนไลน์อื่น ๆ ให้บริการที่เกี่ยวข้องกับการเข้าซื้อกิจการครั้งภาพชุดและการประมวลผล แต่พวกเขา ถูกออกแบบมาสำหรับวัตถุประสงค์เฉพาะอย่างใดอย่างหนึ่งมาก (เช่นไฟไหม้Díaz et al, 2013;.. ที่อยู่อาศัยบัว et al, 2013) หรือทั่วไปมักจะ (เช่นเครื่องมือสร้างภาพ, พัดลม et al, 2013).. เครื่องมือ TIMESAT (Jönsson และ Eklundh, 2004) เป็นเรื่องที่ค่อนข้างมีความยืดหยุ่น แต่มุ่งเน้นไปที่การสกัดของพารามิเตอร์ phenological และมันขาดอินเตอร์เฟซผู้ใช้แบบกราฟิก TimeStats (Udelhoven 2011) มีเครื่องมือขั้นสูงบางอย่างสำหรับการทำเหมืองข้อมูลในระยะยาวที่เก็บข้อมูลระยะไกล แต่เป็นส่วนใหญ่ที่ส่งไปยังผู้ใช้ขั้นสูง (เช่นผู้เชี่ยวชาญด้านการสำรวจระยะไกล) ในที่สุดแพคเกจการสร้างแบบจำลอง Gro-อุตุนิยมวิทยาเช่น GeoWRSI (FEWSNET, http://chg.geog.ucsb.edu/products/geowrsi/) และ AGROMET-SHELL (FAO, http://www.hoefsloot.com/agrometshell.htm ) ยังทำงานร่วมกับอนุกรมเวลาของข้อมูลราสเตอร์ (ข้อมูลอุตุนิยมวิทยาส่วนใหญ่) แต่พวกเขาจะไม่เหมาะสำหรับการประมวลผลของภาพระยะไกล. ดังนั้นเราจึงสามารถสรุปได้ไม่มีระบบที่มีอยู่ที่ให้ในหนึ่งแพคเกจชุดที่เจาะจงมากเวลาฟังก์ชั่นการประมวลผลชุด เพื่อประเมินการเพาะปลูกพืชผักและสถานะรวมทั้งเรียบชั่วคราวการตรวจสอบขั้นตอน phenological การคำนวณของค่าเฉลี่ยระยะยาวและความผิดปกติการจัดหมวดหมู่ขึ้นอยู่กับพืชผักผลการดำเนินงานตามฤดูกาลและการผลิตของผลประเพณีที่ใช้ในการตรวจสอบข่าวการเพาะปลูก (สถิติ, แผนที่, กราฟ) ด้วยเหตุนี้อินเตอร์เฟซที่มีความยืดหยุ่นและใช้งานง่ายเป้าหมายทั้งการเกษตรระดับชาติและนานาชาติและผู้เชี่ยวชาญด้านความมั่นคงด้านอาหารเป็นที่น่าพอใจอย่างมาก (Gommes et al., 2011) มีความจำเป็นที่ชัดเจนสำหรับซอฟต์แวร์เฉพาะที่มีฟังก์ชั่นการเพิ่มประสิทธิภาพในการประมวลผลได้อย่างมีประสิทธิภาพและวิเคราะห์ข้อมูลที่เก็บภาพขนาดใหญ่ นี่คือโดยเฉพาะอย่างยิ่งที่เกี่ยวข้องในมุมมองของกลุ่มดาวดาวเทียมใกล้เช่นองค์การอวกาศยุโรป (ESA) โปรแกรม Sentinel (Petitjean et al., 2012) ซึ่งจะรวมทั้งความละเอียดเชิงพื้นที่และเวลาสูงทำให้วิธีการที่ดีขึ้นแม้ซอฟต์แวร์เร่งด่วนมากขึ้น ในที่สุดและโดยเฉพาะอย่างยิ่งในประเทศกำลังพัฒนาซอฟแวร์ฟรีสามารถเล่นบทบาทสำคัญในการเสริมสร้างศักยภาพของสถาบันในท้องถิ่นซึ่งเป็นนักแสดงหลักในการออกแบบและการดำเนินงานของนโยบายการป้องกันและการตอบสนองต่อวิกฤติอาหารที่อาจเกิดขึ้น. สุราเป็นแบบบูรณาการแพลตฟอร์มซอฟต์แวร์โมดูลที่ มีจุดมุ่งหมายที่จะตอบความต้องการที่ระบุไว้ข้างต้น ซอฟแวร์เป็นเอกสารอย่างกว้างขวางและกระจายได้อย่างอิสระสำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์อนุกรมเวลาของภาพ โดยเฉพาะอย่างยิ่งผู้ที่ได้จากระยะไกล , การตรวจสอบด้านสิ่งแวดล้อม ( เช่น , มหาสมุทร , ป่า , ไฟ , การใช้ที่ดิน / สิ่งปกคลุมดินเปลี่ยน , พื้นที่น้ําท่วม , เปลี่ยนแปลงสภาพภูมิอากาศ , น้ำ , นิเวศวิทยา ) มากกว่าพื้นที่ขนาดใหญ่ และพืช และพืชการตรวจสอบจะไม่มีข้อยกเว้น ในความเป็นจริงการผลิตทางการเกษตรขึ้นอยู่กับชุดของปัจจัยที่มีตัวแปรมากกว่าพื้นที่และเวลา 2007 / 2008 วิกฤติราคาอาหารได้นำกลับไปสปอตไลต์ ผลกระทบของการเปลี่ยนแปลงอย่างฉับพลันในการผลิตพืชทั่วโลกในบริบทของการเติบโต แรงกดดันต่อทรัพยากรธรรมชาติความเชื่อมโยงกับการเปลี่ยนแปลงภูมิอากาศ และการเพิ่มระดับของความเสี่ยงกับภาวะขาดแคลนอาหารในพื้นที่ที่ไม่มั่นคงทางการเมือง เช่น ซาเฮล และฮอร์นของแอฟริกา ( FAO , 2009 ) ระยะไกลอย่างมากมีส่วนช่วยในการประเมินการผลิตทางการเกษตรด้วยขีดความสามารถในการรวบรวมข้อมูลผ่านพื้นที่ขนาดใหญ่และสูงและความถี่ ( atzberger 2013 baruth et al . ,2008 และจ้าว et al . , 2013 ) ข้อมูลดาวเทียมให้บริการแก่ผู้ใช้ได้ทันเวลา โดยเซ็นเซอร์เช่นจุดพืช ( vgt ) ( เช่น maisongrande et al . , 2004 ) , Terra / Aqua โมดิส ( เช่น cracknell , 1997 ) , NOAA avhrr ( เช่นความยุติธรรม et al . , 1998 ) , metop avhrr ( เช่น eerens et al . 2009 ) และ meteosat mviri / seviri ( เช่น fensholt et al . ,2554 ) มีบทบาทสำคัญในการประเมินสภาพพืชในลักษณะเชิงคุณภาพและศักยภาพการผลิตที่ระบุการสิ้นสุดของฤดูการปลูก . วิธีการได้รับอย่างต่อเนื่องการปรับปรุงตั้งแต่ปี 1980 เพื่อใช้ดาวเทียมได้ปลาหลดตัวชี้วัดโดยตรงเป็นพร็อกซี่สำหรับผลผลิต ( Tucker et al . ,1980 ) หรือปัจจัยการผลิตสำหรับการปลูกพืชเชิงปริมาณและมวลชีวภาพการประมาณค่าแบบจำลอง ( baret et al . , 1989 และเดลและ colle et al . , 1992 ) ความคิดเห็นเกี่ยวกับวิวัฒนาการนี้ได้รับการเผยแพร่โดย rembold et al . ( 2013 ) อย่างไรก็ตาม เพื่อแปลงข้อมูลที่ฝังตัวอยู่ในรูปภาพเหล่านี้เป็นข้อมูลที่เป็นประโยชน์เพื่อสนับสนุนการตัดสินใจนักวิเคราะห์ต้องการสภาพแวดล้อมซอฟต์แวร์สามารถจัดการในลักษณะที่รวมทั้งพื้นที่และเวลาขนาดของอนุกรมเวลา ( rasinm และกิ , 2003 ) .

ส่วนใหญ่ของ GIS ที่มีอยู่และภาพซอฟต์แวร์การประมวลผลชุดอย่าให้ช่วงที่สมบูรณ์ของฟังก์ชันในตัวที่จะจัดการกับเวลา ชุดของภาพ ( นาย et al . , 2006 )และไม่เหมาะกับความต้องการของพืช การตรวจสอบชุมชน ในปี 1990 องค์การอาหารและเกษตร ( FAO ) พัฒนาซอฟต์แวร์ windisp ฟรี ( http : / / www.fao . org / giews / ภาษาอังกฤษ / windisp / ) ซึ่งเป็นเครื่องหมายที่ชัดเจน ความพยายามในทิศทางนี้ และกลายเป็นเครื่องมือที่แพร่หลายในประเทศกำลังพัฒนา