The concept of assimilating remote

The concept of assimilating remote sensing data in mathematical/physical crop yield
models (Bouman, 1992) is attractive to modeling crop growth concurrently. For instance,
Moran et al. (1995) used LAI and evapotranspiration from remote sensing data to update
the model parameters of a physiologically-based crop yield simulation model at field
scale. If these crop growth models or their input data are not available, simplified
statistical relationships can be used. Single date NDVI images acquired during the
heading stage of grain crops have shown to be extremely profitable (e.g., Murthy et al.,
1996, Thiruvengadachari and Sakthivadivel, 1997). Data from crop cutting experiments
are necessary to validate these types of statistical relationships (e.g., Thiruvengadachari
et al., 1997; Ambast et al., 1999). It is interesting to note that the latter two publications
came up with different regression models, although the crop type (wheat), season (rabi
1995±96) and study area (Haryana) were similar. The former IRS-based study gave
Yieldwheatˆ10.99NDVI-3.75, whereas, the TM-based study used Yieldwheatˆ91.1NDVI-
23.8. This can be explained partly by using different sensors (Indian Remote Sensing
Satellite versus Thematic Mapper), different corrections for atmospheric influences, and
differences in spectral bands and acquisition dates. Despite the simplicity of this
empirical relationship, they can prove efficient for predicting (non-) uniformity in crop
yields. The lesson learned here is that physiologically based solutions can have more use
on the longer term. One of these methods is the physiologically based approach of
biomass growth (Monteith, 1972). Inclusion of the harvest index (grain yield/total aboveground biomass) makes the interpretation of net primary production into grain yields
feasible (Bastiaanssen and Ali, 2000).

ผลลัพธ์ (ไทย) 1:

แนวคิดของ assimilating ข้อมูลระยะไกลการตรวจในทางคณิตศาสตร์/ฟิสิกส์ตัดผลผลิตรุ่น (Bouman, 1992) เจริญเติบโตของพืชการสร้างโมเดลพร้อมอยู่ ตัวอย่างโมแรนและ al. (1995) ใช้ไลและ evapotranspiration จากข้อมูลตรวจวัดระยะไกลเพื่อปรับปรุงพารามิเตอร์รูปแบบของพืชที่ใช้ physiologically ผลผลิตแบบจำลอง ณมาตราส่วน ถ้าแบบจำลองการเจริญเติบโตพืชเหล่านี้ หรือไม่มีข้อมูลป้อนเข้า ภาษาสามารถใช้ความสัมพันธ์ทางสถิติ เดี่ยวรูป NDVI มาในระหว่างวันหัวเรื่องระยะของเมล็ดพืชได้แสดงให้เป็นอย่างมาก (เช่น Murthy et al.,ปี 1996, Thiruvengadachari และ Sakthivadivel, 1997) ข้อมูลจากการทดลองตัดตัดจำเป็นต้องตรวจสอบชนิดของความสัมพันธ์ทางสถิติ (เช่น Thiruvengadachari เหล่านี้และ al., 1997 Ambast et al., 1999) เป็นที่น่าสนใจเพื่อทราบที่สิ่งพิมพ์สองหลังมากับแบบจำลองถดถอยที่แตกต่างกัน แม้ว่าชนิดพืช (ข้าวสาลี), ฤดูกาล (rabi1995±96) และพื้นที่ศึกษา (รัฐหรยาณา) เหมือนกัน ศึกษา IRS ตามเดิมให้Yieldwheat 10.99NDVI-3.75,-, ศึกษาใช้ TM ใช้ Yieldwheat 91.1NDVI-อมิโลส 23.8 นี้สามารถอธิบายได้เพียงบางส่วน โดยใช้เซนเซอร์ต่าง ๆ (อินเดียแชมพูดาวเทียมเทียบกับ Mapper เฉพาะเรื่อง), การแก้ไขแตกต่างกันสำหรับอากาศที่มีอิทธิพลต่อ และความแตกต่างในแถบสเปกตรัมและวันที่ซื้อ แม้ มีความเรียบง่ายนี้ความสัมพันธ์ประจักษ์ สามารถพิสูจน์ประสิทธิภาพการคาดการณ์ความรื่นรมย์ (ใช่) ในพืชอัตราผลตอบแทน บทเรียนที่นี่คือ physiologically ปและสามารถมีใช้มากขึ้นในระยะยาว วิธีนี้เป็นวิธี physiologically ตามของชีวมวลเจริญเติบโต (รีมอนทีท 1972) รวมดัชนีเก็บเกี่ยว (ข้าวผลผลิต/ผลรวม aboveground ชีวมวล) ช่วยให้การตีความของสุทธิการผลิตหลักเป็นผลผลิตของข้าวเป็นไปได้ (Bastiaanssen และอาลี 2000)

ผลลัพธ์ (ไทย) 2:

แนวคิดของการปรับข้อมูลการสำรวจระยะไกลในการเพาะปลูกทางคณิตศาสตร์ / กายภาพผลผลิต
รุ่น (Bouman, 1992) เป็นที่น่าสนใจต่อการเจริญเติบโตของพืชพร้อมการสร้างแบบจำลอง ยกตัวอย่างเช่น
โมแรน, et al (1995) ที่ใช้ LAI และการคายระเหยจากข้อมูลการสำรวจระยะไกลในการปรับปรุง
รูปแบบของพารามิเตอร์ทางสรีรวิทยาของพืชที่ใช้แบบจำลองผลตอบแทนที่สนาม
ขนาด ถ้าสิ่งเหล่านี้รูปแบบการเจริญเติบโตของพืชหรือการป้อนข้อมูลของพวกเขาจะไม่สามารถใช้ได้ง่าย
ความสัมพันธ์ทางสถิติที่สามารถนำมาใช้ วันเดียวภาพ NDVI ได้มาในระหว่าง
ขั้นตอนในหัวข้อพืชได้แสดงให้เห็นว่าจะทำกำไรมาก (เช่น Murthy et al.,
1996 Thiruvengadachari และ Sakthivadivel, 1997) ข้อมูลจากการทดลองตัดพืช
เป็นสิ่งที่จำเป็นในการตรวจสอบเหล่านี้ประเภทของความสัมพันธ์ทางสถิติ (เช่น Thiruvengadachari
et al, 1997;.. Ambast, et al, 1999) เป็นที่น่าสนใจที่จะทราบว่าทั้งสองฝ่ายสิ่งพิมพ์
ขึ้นมาพร้อมกับรูปแบบที่แตกต่างกันการถดถอยแม้ว่าพืชชนิด (ข้าวสาลี) ช่วงเวลา (Rabi
1,995 ± 96) และพื้นที่การศึกษา (Haryana) มีความคล้ายคลึงกัน อดีตการศึกษาตามที่กรมสรรพากรให้
Yieldwheat ?? 10.99NDVI-3.75 ในขณะที่การศึกษา TM-ที่ใช้ Yieldwheat ?? 91.1NDVI-
23.8 นี้สามารถอธิบายได้บางส่วนโดยใช้เซ็นเซอร์ที่แตกต่างกัน (อินเดียการสำรวจระยะไกล
ผ่านดาวเทียมเมื่อเทียบกับใจแมปเปอร์), การแก้ไขที่แตกต่างกันมีอิทธิพลต่อบรรยากาศและ
ความแตกต่างในวงสเปกตรัมและวันที่ซื้อกิจการ แม้จะมีความเรียบง่ายนี้
ความสัมพันธ์เชิงประจักษ์ที่พวกเขาสามารถพิสูจน์ได้ว่ามีประสิทธิภาพในการทำนาย (ไม่) ความสม่ำเสมอในการเพาะปลูก
อัตราผลตอบแทน บทเรียนที่ได้เรียนรู้ที่นี่คือโซลูชั่นทางสรีรวิทยาจะมีการใช้งานมากขึ้น
ในระยะยาว หนึ่งในวิธีการเหล่านี้เป็นวิธีการพื้นฐานทางสรีรวิทยาของ
การเจริญเติบโตของชีวมวล (Monteith, 1972) รวมของดัชนีการเก็บเกี่ยว (ผลผลิต / รวมชีวมวลดิน) ทำให้ความหมายของการผลิตหลักสุทธิเข้าสู่ผลผลิต
ที่เป็นไปได้ (Bastiaanssen อาลี, 2000)

ผลลัพธ์ (ไทย) 3:

ซึมซับแนวคิดของข้อมูลระยะไกลในทางคณิตศาสตร์ / ทางกายภาพแบบจำลองผลผลิต
ตัด ( บูแมน , 1992 ) เป็นที่น่าสนใจการเติบโตพืชพร้อม ตัวอย่างเช่น
Moran et al . ( 1995 ) ใช้ลายและการคายระเหยจากข้อมูลระยะไกลเพื่อปรับปรุง
แบบจำลองพารามิเตอร์ของแบบจำลองที่เราใช้ผลผลิตด้าน
มาตราส่วนหากเหล่านี้การเจริญของพืช หรือโมเดลของข้อมูลไม่สามารถใช้ได้ง่าย
สถิติความสัมพันธ์สามารถใช้ ภาพการเปลี่ยนแปลงด้านพืชพรรณที่ได้มาในระหว่างวันที่เดียว
มุ่งหน้าเวทีของธัญพืชได้ให้กำไรมาก ( เช่น เมอร์ที่ et al . ,
thiruvengadachari sakthivadivel 1996 และ 1997 ) ข้อมูลจากการทดลอง
พืชตัดที่จำเป็นในการตรวจสอบเหล่านี้ประเภทของความสัมพันธ์ทางสถิติ ( เช่น thiruvengadachari
et al . , 1997 ; ambast et al . , 1999 ) เป็นที่น่าสนใจที่จะทราบว่าหลังสองสิ่งพิมพ์
มากับการถดถอยที่แตกต่างกันแม้ว่าประเภทพืช ( ข้าวสาลี ) ฤดูกาล ( เดือน±
1995 96 ) และพื้นที่ศึกษา ( Haryana ) มีลักษณะคล้ายคลึงกัน IRS อดีตจากการศึกษาให้
yieldwheat ˆ 10.99ndvi-3.75 ในขณะที่ศึกษาพื้นฐานซึ่งใช้ yieldwheat ˆ 91.1ndvi -
23.8 . นี้สามารถอธิบายได้บางส่วนโดยการใช้เซ็นเซอร์ที่แตกต่างกัน ( อินเดียระยะไกลดาวเทียมเมื่อเทียบกับใจ Mapper ตรวจจับ
) , การแก้ไขที่แตกต่างกันสำหรับอิทธิพลของบรรยากาศ และความแตกต่างในแถบสเปกตรัมและซื้อ
วันที่ แม้จะมีความเรียบง่ายของความสัมพันธ์เชิงประจักษ์นี้
, พวกเขาสามารถพิสูจน์ที่มีประสิทธิภาพสำหรับการพยากรณ์ ( ไม่ ) ความสม่ำเสมอในพืช
ผลผลิต บทเรียนที่นี่เป็นที่ที่เราสามารถใช้โซลูชั่น
ใช้มากขึ้นในระยะยาว หนึ่งในวิธีการเหล่านี้คือการใช้วิธีการของเรา
ชีวมวล ( มอนทีท , 1972 ) รวมของดัชนีผลผลิต ( ผลผลิตรวมผลผลิตมวลชีวภาพเหนือพื้นดิน ) ทำให้การตีความของผลผลิตปฐมภูมิสุทธิในเมล็ดผลผลิต
ไปได้ ( bastiaanssen และ Ali , 2000 )