In the framework of the “Monitoring

In the framework of the “Monitoring Agriculture with Remote Sensing” (MARS) project of the European Commission (EC), satellite- derived information is largely used to derive information and indicators for national crop production assessment [1, 3, 7, 18, 20].
Among the different data sets available at the MARS project, some indicators on vegetation status are derived from daily NOAA-AVHRR data. The NDVI (Normalised Difference Vegetation Index) is the most frequently used within agrometeorological analysis. It is defined as: (1) ρ2 and ρ1 are respectively the reflectance (%) in the near infrared and in the red channels.
A description of the physical characteristics and the link with the vegetation behaviour is given by Tucker et al. [21].
Some efforts have been recently made within MARS to extract information from the NDVI, which can be linked to crops. In this framework two major lines are being followed: the derivation of growth parameters through energy balance models [14] and the derivation of indicators to fit statistical models [3, 8, 18, 20, 25]. A challenge in both the approaches is the decomposition of the NDVI vegetation mixed values into more reliable values for single vegetation targets.
In this study, the way chosen to predict yields with remote sensing data is an empirical way. It consists of directly linking the crop production to radiometric measurements combined in vegetation indices as explained by Guérif [10]. In this, lots of
works have set up strong correlation between them for various crops [2, 5, 11, 19, 21, 22]. Other ways are also to combine semi-empirical or mechanistic crop models with remote sensing data. Different methods [4] have been tested. An overview of these different methodologies is done by Vignolles [24] and by Moulin et al. [15].
The main goals of this study are to exploit more effectively the time series of NDVI, linking them as much as possible to crop growing conditions, extracting indicators which can be related more closely to crop yield performances and fitting forecasting models. More precisely, the final objective is to find an indicator built from the NDVI profiles, which can be related to administrative yield statistics. To achieve these objectives, the vegetation indicator must be re-calibrated to a crop indicator. The use of an independent land cover can increase the information content of the extracted NDVI profiles in such a way that the information is closer to crop behaviour than a simple mixed vegetation profile. In this context the use of CORINE land cover data as a stratification layer is introduced and a case study is presented.

ผลลัพธ์ (ไทย) 1:

ในกรอบของโครงการ "ตรวจสอบเกษตรกับแชมพู" (MARS) ของยุโรปเสริม (EC), ดาวเทียม-รับข้อมูลเป็นส่วนใหญ่ใช้เพื่อดึงข้อมูลและตัวชี้วัดสำหรับประเมินผลผลิตพืชแห่งชาติ [1, 3, 7, 18, 20]บางตัวบ่งชี้สถานะของพืชมาจากข้อมูล NOAA AVHRR ประจำวันระหว่างข้อมูลชุดอื่นโครงการ MARS NDVI (ปกติแตกต่างพืชดัชนี) ที่ใช้บ่อยที่สุดในการวิเคราะห์ agrometeorological มีกำหนดเป็น: ρ2 และ ρ1 (1) เป็นลำดับการสะท้อน (%) ในช่องสีแดง และอินฟราเรดใกล้คำอธิบายของลักษณะทางกายภาพและการเชื่อมโยงกับพฤติกรรมของพืชถูกกำหนดโดย Tucker et al. [21]ความพยายามของเราเพิ่งขึ้นภายในดาวอังคารเพื่อดึงข้อมูลจาก NDVI ซึ่งสามารถเชื่อมโยงกับพืช ในกรอบนี้ ถูกตามสองบรรทัดหลัก: มาของพารามิเตอร์การเติบโตแบบสมดุลพลังงาน [14] และที่มาของตัวชี้วัดให้พอดีกับโมเดลทางสถิติ [3, 8, 18, 20, 25] ความท้าทายทั้งวิธีต่าง ๆ คือ การย่อยสลายของพืช NDVI ผสมค่าเป็นค่าที่เชื่อถือได้สำหรับพืชเดียวเป้าหมายในการศึกษานี้ ทางเลือกการคาดการณ์อัตราผลตอบแทนกับข้อมูลการตรวจจับระยะไกลคือ วิธีการเชิงประจักษ์ ประกอบด้วยการเชื่อมโยงการผลิตพืชโดยตรงการนับรวมในดัชนีพืชตามที่อธิบายไว้ โดย Guérif [10] ในนี้ มากมายทำงานได้ตั้งค่าความสัมพันธ์ระหว่างพวกเขาสำหรับพืชต่าง ๆ [2, 5, 11, 19, 21, 22] วิธีอื่น ๆ ได้อีกรวมรุ่นพืชกึ่งเชิงประจักษ์ หรือกลไกกับข้อมูลการตรวจจับระยะไกล ได้รับการทดสอบวิธีต่าง ๆ [4] ภาพรวมของวิธีการต่าง ๆ เหล่านี้จะทำ โดย Vignolles [24] และโดย Moulin et al. [15]เป้าหมายหลักของการศึกษานี้จะใช้ประโยชน์ได้อย่างมีประสิทธิภาพลำดับเวลา NDVI แยกตัวบ่งชี้ที่สัมพันธ์อย่างใกล้ชิดเพื่อตัดการแสดงผลและเหมาะสมแบบการพยากรณ์ การเชื่อมโยงเหล่านั้นมากที่สุดเพื่อตัดเงื่อนไขเติบโต ได้แม่นยำมากขึ้น วัตถุประสงค์สุดท้ายคือการ หาตัวบ่งชี้ที่สร้างขึ้นจากโปรไฟล์ NDVI ซึ่งสามารถเกี่ยวข้องกับสถิติการบริหารผลตอบแทน เพื่อให้บรรลุวัตถุประสงค์เหล่านี้ ตัวบ่งชี้ที่พืชต้องการปรับการแสดงพืช การใช้ที่ดินอิสระปกสามารถเพิ่มเนื้อหาข้อมูลของส่วนกำหนดค่า NDVI แยกในลักษณะที่ข้อมูลที่อยู่ใกล้กับพืชพฤติกรรมมากกว่าโพรไฟล์พืชผสมง่าย ในบริบทนี้ใช้ CORINE ที่ดินครอบคลุมข้อมูลเป็นการแบ่งชั้น ชั้นจะนำมาใช้ และนำเสนอกรณีศึกษา

ผลลัพธ์ (ไทย) 2:

ในกรอบของ "การตรวจสอบการเกษตรกับการสำรวจระยะไกล" (ดาวอังคาร) โครงการของคณะกรรมาธิการยุโรป (EC), ดาวเทียมที่ได้รับข้อมูลที่ถูกนำมาใช้ส่วนใหญ่จะได้รับข้อมูลและตัวชี้วัดสำหรับการเพาะปลูกการผลิตการประเมินระดับชาติ [1, 3, 7, 18, 20].
ในบรรดาชุดข้อมูลที่แตกต่างกันที่มีอยู่ในโครงการดาวอังคารตัวชี้วัดบางอย่างเกี่ยวกับสถานะของพืชจะได้มาจากข้อมูล NOAA-AVHRR ในชีวิตประจำวัน NDVI (ปกติแตกต่าง Vegetation Index) เป็นที่ใช้บ่อยที่สุดในการวิเคราะห์ agrometeorological มันหมายถึง: (1). ρ2และρ1เป็นลำดับสะท้อน (%) ใกล้อินฟราเรดและในช่องสีแดง
รายละเอียดของลักษณะทางกายภาพและการเชื่อมโยงกับพฤติกรรมของพืชจะได้รับจากทักเกอร์, et al [21].
ความพยายามของบางคนได้รับการทำเมื่อเร็ว ๆ นี้ภายใน MARS ที่จะดึงข้อมูลจาก NDVI ซึ่งสามารถเชื่อมโยงกับพืช ในกรอบนี้สองสายหลักที่มีการปฏิบัติตาม: ที่มาของการเจริญเติบโตผ่านรูปแบบสมดุลพลังงาน [14] และแหล่งที่มาของตัวชี้วัดเพื่อให้พอดีกับแบบจำลองทางสถิติ [3, 8, 18, ​​20, 25] ความท้าทายทั้งในวิธีการคือการสลายตัวของพืช NDVI ผสมค่าลงค่าน่าเชื่อถือมากขึ้นสำหรับเป้าหมายพืชเดียว.
ในการศึกษานี้ทางเลือกที่จะคาดการณ์อัตราผลตอบแทนที่มีข้อมูลการสำรวจระยะไกลเป็นวิธีเชิงประจักษ์ มันประกอบไปด้วยการเชื่อมโยงโดยตรงการผลิตพืชเพื่อการตรวจวัดกัมมันตภาพรังสีรวมกันในดัชนีพืชพรรณอธิบายโดยGuérif [10] ในการนี้จำนวนมากของ
ผลงานที่ได้ตั้งค่าความสัมพันธ์ที่แข็งแกร่งระหว่างพวกเขาสำหรับพืชต่างๆ [2, 5, 11, 19, 21, 22] วิธีการอื่น ๆ นอกจากนี้ยังมีรุ่นที่จะรวมพืชกึ่งเชิงประจักษ์หรือกลไกที่มีข้อมูลการสำรวจระยะไกล วิธีการที่แตกต่างกัน [4] ได้รับการทดสอบ ภาพรวมของวิธีการที่แตกต่างกันเหล่านี้จะกระทำโดย Vignolles [24] และ Moulin, et al [15].
เป้าหมายหลักของการศึกษานี้จะใช้ประโยชน์ได้อย่างมีประสิทธิภาพมากขึ้นอนุกรมเวลาของ NDVI เชื่อมโยงพวกเขามากที่สุดเท่าที่เป็นไปได้เพื่อตัดสภาพการเจริญเติบโต, หุ้นสกัดซึ่งสามารถที่เกี่ยวข้องอย่างใกล้ชิดกับการแสดงผลผลิตและรูปแบบการพยากรณ์ที่เหมาะสม แม่นยำมากขึ้นวัตถุประสงค์สุดท้ายคือการหาตัวบ่งชี้ที่สร้างขึ้นจากโปรไฟล์ NDVI ซึ่งอาจจะเกี่ยวข้องกับสถิติอัตราผลตอบแทนการบริหาร เพื่อให้บรรลุวัตถุประสงค์เหล่านี้บ่งชี้พืชต้องได้รับการสอบเทียบอีกครั้งตัวบ่งชี้การเพาะปลูก การใช้ฝาครอบที่ดินอิสระสามารถเพิ่มเนื้อหาข้อมูลที่สกัดโปรไฟล์ NDVI ในลักษณะที่ว่าข้อมูลที่เป็นผู้ใกล้ชิดกับพฤติกรรมการเพาะปลูกกว่ารายละเอียดพืชผสมง่าย ในบริบทนี้การใช้งานของข้อมูล Corine ปกคลุมดินเป็นชั้นแบ่งชั้นจะแนะนำและกรณีศึกษาที่จะนำเสนอ

ผลลัพธ์ (ไทย) 3:

ในกรอบของ " เกษตรกับการตรวจสอบระยะไกล " ( ดาวอังคาร ) โครงการของคณะกรรมาธิการยุโรป ( EC ) , ดาวเทียมได้ข้อมูลไปใช้เพื่อให้ได้ข้อมูลและตัวชี้วัดการประเมินการผลิตพืชแห่งชาติ [ 1 , 3 , 7 , 18 , 20 ]ระหว่างข้อมูลต่าง ๆที่มีอยู่ในชุดโครงการดาวอังคาร บางตัวชี้วัดสถานภาพพืชได้มาจากข้อมูล noaa-avhrr ทุกวัน การเปลี่ยนแปลงด้านพืชพรรณ ( เนื่องจากความแตกต่างของดัชนีพืชพรรณ ) ที่ใช้บ่อยที่สุดในการวิเคราะห์ agrometeorological . มันหมายถึง ( 1 ) ρ 2 และ 1 ตามลำดับ ρสะท้อนแสง ( % ) ในใกล้อินฟราเรด และในช่องสีแดงรายละเอียดของลักษณะทางกายภาพ และเชื่อมโยงกับพืช พฤติกรรมจะได้รับโดย Tucker et al . [ 21 ]ความพยายามบางอย่างเมื่อเร็วๆ นี้ ทำให้ภายในดาวอังคารเพื่อสกัดข้อมูลจากการเปลี่ยนแปลงด้านพืชพรรณ ซึ่งสามารถเชื่อมโยงกับพืช ในกรอบนี้สองบรรทัดหลักจะตาม : รากศัพท์ของพารามิเตอร์การเติบโตผ่านการสมดุลพลังงานรุ่น [ 14 ] และแหล่งที่มาของตัวชี้วัดให้พอดีกับรูปแบบ [ 2 , 8 , 18 , 20 , 25 ] สถิติ ความท้าทายในทั้งสองวิธีคือ การย่อยสลาย ค่าเปลี่ยนแปลงด้านพืชพรรณพืชผสมลงในค่าที่เชื่อถือได้ สำหรับเป้าหมายพืชเดี่ยวในการศึกษานี้ ทางเลือกเพื่อทำนายผลผลิต กับข้อมูลจากการรับรู้ระยะไกลเป็นวิธีเชิงประจักษ์ มันประกอบด้วยโดยตรงเชื่อมโยงไปยังวัดรวมกันในการผลิตพืชของพืชดัชนีโดยอธิบายกูé Rif [ 10 ] ในเรื่องนี้มากทำงานได้ตั้งแข็งแรง ความสัมพันธ์ระหว่างพวกเขาสำหรับพืชต่างๆ [ 2 , 5 , 11 , 19 , 21 , 22 ) วิธีอื่น ๆ นอกจากนี้ยังรวมกึ่งเชิงประจักษ์หรือกลไกตัดโมเดล ที่มีข้อมูลจากการรับรู้ระยะไกล . วิธีที่แตกต่างกัน [ 4 ] ได้ถูกทดสอบ ภาพรวมของวิธีการเหล่านี้จะทำโดย vignolles [ 24 ] และโดยมูแลง et al . [ 15 ]เป้าหมายหลักของการศึกษานี้ เพื่อให้ใช้ประโยชน์ได้อย่างมีประสิทธิภาพมากขึ้นเวลาที่ชุดของการเปลี่ยนแปลงด้านพืชพรรณ เชื่อมโยงพวกเขาให้มากที่สุดเท่าที่เป็นไปได้สำหรับพืชที่กำลังเติบโต เงื่อนไข ตัวชี้วัดที่แยกซึ่งสามารถที่เกี่ยวข้องอย่างใกล้ชิดเพื่อตัดการแสดงผลผลิตและกระชับแบบพยากรณ์ . ยิ่งกว่านั้น เป้าหมายสุดท้ายคือการค้นหาตัวบ่งชี้ที่สร้างขึ้นจากการเปลี่ยนแปลงด้านพืชพรรณโปรไฟล์ซึ่งสามารถที่เกี่ยวข้องกับสถิติผลผลิต การบริหาร เพื่อให้บรรลุวัตถุประสงค์เหล่านี้ พืชตัวบ่งชี้ต้อง re สอบเทียบเพื่อการเพาะปลูกตัวบ่งชี้ ใช้เป็นดินแดนอิสระสามารถเพิ่มรายละเอียดเนื้อหาของการเปลี่ยนแปลงด้านพืชพรรณสกัดโพรไฟล์ในลักษณะที่ข้อมูลที่ใกล้ชิดกับพฤติกรรมการเพาะปลูกกว่าโปรไฟล์พืชธรรมดาผสม ในบริบทนี้การใช้ที่ดิน ข้อมูลการปก คอเป็นชั้น คือ แนะนำ และกรณีศึกษาที่นำเสนอ .