MethodsMODIS Observations. Our stud

Methods
MODIS Observations. Our study encompasses 16 MODIS tiles (h10v08 and
h13v11), which is a land area of 16.75 million km2 spanning 10° N to 30° S in
latitude and 80° W to 42° W in longitude. The area is characterized by
seasonal tropical savannah and seasonal deciduous forest in the north and
south and tropical evergreen forest in the equatorial region. Tropical
regions frequently experience high cloud cover and high variability in atmospheric
aerosols because of seasonal biomass burning (59). These atmospheric
conditions are challenging to assess with traditional algorithms that
rely on spectral and thermal reflectance thresholds alone (30). MAIAC is
a new generation cloud screening and atmospheric correction algorithm
that uses an adaptive time-series analysis and processes groups of pixels to
derive atmospheric aerosol and surface reflectance without typical empirical
assumptions. MAIAC implements a sliding window approach, storing up to
16 d of MODIS observations gridded to 1-km resolution. These data are used
to derive a spectral regression coefficient relating surface reflectance in the
blue (0.466 μm) and short-wave IR (2.13 μm) for aerosol retrievals (60) and
obtain parameters of surface bidirectional reflectance distribution function
(61) in the MODIS reflective bands (31). Using time-series analysis over 4–16 d,
MAIAC is able to separate stable surface background with its characteristic
spatial pattern from generally random and changing fields of clouds (62).
MAIAC also features a dynamic land–water–snow classification and change
detection algorithm to account for rapid and seasonal changes in surface
reflectance of the time-series data (31). Currently, MAIAC is undergoing
operational code conversion and testing, and it is expected to become an
operational MODIS algorithm in 2014. For this work, we used MODIS C6
Level 1B (calibrated and geometrically corrected) data, which removed
major sensor calibration degradation effects present in earlier collections.
Detailed descriptions of MAIAC and quality testing (31, 60) as well as an
assessment of errors and uncertainties over the tropical regions (30) are
provided elsewhere.
Precipitation. Monthly rainfall was obtained from the TRMM at 0.25° spatial
resolution between 2000 and 2012 (3B43, version 7) (13). TRMM provides
monthly estimates of precipitation in millimeter hour−1. The 3B43 dataset
combines microwave images with the IR-based Geostationary Operational
Environmental Satellite Precipitation Index and a network of gauge data
(63). Although previous research (59) has shown good agreement with independent
rain gauge data in the Brazilian Amazon, rainfall is somewhat
underestimated during very wet months (>300 mm mo−1). TRMM data were
resampled to match MODIS data at 1-km spatial resolution using a bilinear
interpolation technique. Estimates of monthly precipitation (P) were normalized
by subtracting the mean annual precipitation of 2000 and 2002 as
baseline from monthly data (58). Net changes were then assessed by summation
of the normalized changes to assess gains or losses over time,
where n is the total number of monthly observations. Although we recognize
that the magnitude of trends will depend on the selection of the
baseline, the goal of this analysis was to investigate sensitivity of vegetation
to changes in precipitation rather than establish long-term drying or wetting
trends. These years were selected, because they both represent non-El Niño
events and therefore, fairly normal conditions. We have also tested the
single year (2000) and the whole-record average baseline approach and
found little effect on spatial domains of detected change.
Changes in TWSC. Changes in TWSC were obtained from the Global Data
Assimilation System, a land surface modeling system that integrates data
from advanced Earth-observing satellite- and ground-based observations to
support and improve hydrometeorological predictions (64). Monthly TWSC
estimates were obtained at 1° spatial resolution between 2000 and 2012
from the Earth Sciences Data and Information Services Center from NASA
(grace.jpl.nasa.gov). Net changes in TWSC were derived analogous to
changes in precipitation.
Time-Series Analysis. Time-series analysis of NDVI was used to derive trends in
vegetation over time (37). Several methods exist for assessing changes in
NDVI time series, including those based on simple thresholds or more comprehensive
time-series models. Here, time-series fitting is based on the
TIMESAT approach (37). Originally developed for the NDVI series from the
Advanced Very High Resolution Imaging Spectroradiometer, the technique
has been adapted for MODIS (65). The Savitzky–Golay filter method was
used to fit splines to a temporally moving window of satellite observations.
The use of this adaptive filtering method allows fitting of time series of
observations without assuming data stationary. To take into account that
most noise in NDVI is negatively biased, the algorithm was fitted to the
upper envelope of the observed NDVI (37). Net changes in NDVI were
obtained analogs to changes in precipitation (Eq. 1). MODIS data before late
February of 2000 were substituted with corresponding monthly averages
from 2001 to 2002 to obtain a full set of observations for the year 2000.
ACKNOWLEDGMENTS. We thank Dr. Richard H. Waring (Oregon State
University) for helpful discussions and comments and Dr. Lars Eklundh (Lund
University) for help with the time-series algorithm. We also thank the NASA
Center for Climate Simulation for computational support and access to their
high-performance cluster. This work was supported by the Science of Terra
and Aqua Program of NASA (A.I.L. and Y.W.).

ผลลัพธ์ (ไทย) 1:

วิธีการสังเกต MODIS การศึกษาของเราครอบคลุม 16 MODIS กระเบื้อง (h10v08 และ h13v11) ซึ่งเป็นพื้นที่ของ 16,750,000 กิโลเมตร 2 ซึ่งประกอบไปด้วย 10 องศาถึง 30 องศาใน S ในเส้นแวงและละติจูด 80 ° W ถึง 42 ° (30) Maiac D ของการสังเกต MODIS gridded ถึง 1 (0.466 ไมโครเมตร) และคลื่นสั้น IR (2.13 ไมโครเมตร) และสำหรับการสืบค้นละออง MODIS ใน (61) 4-16 วันMaiac (62) Maiac (31) ขณะนี้อยู่ระหว่างการ MODIS การดำเนินงานในปี 2014 สำหรับงานนี้เราใช้ MODIS C6 ระดับ 1B ข้อมูลซึ่งออก Maiac และการทดสอบที่มีคุณภาพ (31 TRMM 0.25 °อวกาศและการแก้สิริระหว่าง 2,000 2,012 (3B43 รุ่น 7) (13) TRMM 1 ชั่วโมงชุด 3B43รวมภาพไมโครเวฟกับ IR ตาม Geostationary (59) ข้อมูลมาตรวัดฝนอเมซอนในบราซิล (> 300 มม MO-1) ข้อมูล TRMM MODIS วันที่ 1 (P)โดยการลบฝนเฉลี่ยรายปีของปี 2000 และปี 2002 เป็นพื้นฐานจากข้อมูลรายเดือน n TWSC การเปลี่ยนแปลงใน TWSC Hydrometeorological (64) TWSC รายเดือนประมาณการที่ได้รับ ณ วันที่ 1 °ความละเอียดเชิงพื้นที่ระหว่างปี 2000 และ TWSC NDVI NDVI TIMESAT (37) การพัฒนาเดิมสำหรับชุด NDVI จากขั้นสูงมากความละเอียดสูงภาพ Spectroradiometer MODIS (65) ถูก Savitzky Golay NDVI NDVI (37) การเปลี่ยนแปลงสุทธิใน NDVI ได้รับ analogs การเปลี่ยนแปลงในการตกตะกอน (สม. 1) ข้อมูล MODIS 2000 ปี 2001-2002 2000 กิตติกรรมประกาศ(อนรัฐออริกเราขอขอบคุณดร. ริชาร์ดเอช Waring มหาวิทยาลัย) Eklundh (ด์ลุนมหาวิทยาลัย) (AIL และ YW)

ผลลัพธ์ (ไทย) 2:

วิธีการ
สังเกต MODIS การศึกษาของเราครอบคลุม 16 MODIS กระเบื้อง (h10v08 และ
h13v11) ซึ่งเป็นพื้นที่ของ 16,750,000 กิโลเมตร 2 ซึ่งประกอบไปด้วย 10 องศาถึง 30 ° S ใน
ละติจูดและ 80 ° W ถึง 42 ° W





(30) Maiac




D ของการสังเกต MODIS gridded ถึง 1

(0.466 ไมโครเมตร) และคลื่นสั้น IR (2.13 ไมโครเมตร) สำหรับการสืบค้นละออง (60)

ใน MODIS วงสะท้อนแสง 4-16 วัน
Maiac
(62)
Maiac

(31) ขณะนี้อยู่ระหว่างการ

MODIS การ MODIS C6 ดำเนินงานในปี 2014 สำหรับงานนี้เราใช้
ระดับ 1B (การสอบเทียบและเรขาคณิตแก้ไข)

Maiac และการทดสอบที่มีคุณภาพ (31, 60)
(30) จะ
จัดให้มีที่อื่น
TRMM ที่ 0.25 °อวกาศ
การแก้สิริระหว่าง 2000 และ 2012 (3B43 รุ่น 7) (13) TRMM
1 ชั่วโมงชุด 3B43
รวมภาพไมโครเวฟกับ IR-based Geostationary

(59)

(> 300 มม MO-1) ข้อมูล TRMM ถูก
resampled เพื่อให้ตรงกับข้อมูล MODIS วันที่ 1
(P) ได้ปกติ
โดยการลบฝนเฉลี่ยรายปีของปี 2000 และปี 2002 เป็น
พื้นฐานจากข้อมูลรายเดือน

n





(2000)

TWSC การเปลี่ยนแปลงใน TWSC


Hydrometeorological (64) TWSC รายเดือน
ประมาณการที่ได้รับ ณ วันที่ 1 °ความละเอียดเชิงพื้นที่ระหว่างปี 2000 และ

TWSC

NDVI

NDVI

TIMESAT (37) การพัฒนาเดิมสำหรับชุด NDVI จาก
ขั้นสูงมากความละเอียดสูง Imaging Spectroradiometer
MODIS (65) วิธีการกรอง Savitzky-Golay



NDVI
NDVI (37) การเปลี่ยนแปลงสุทธิใน NDVI ได้
รับ analogs การเปลี่ยนแปลงในการตกตะกอน (สม. 1) ข้อมูล MODIS ก่อนที่ช่วงปลาย
เดือนกุมภาพันธ์ 2000
2000
กิตติกรรมประกาศเราขอขอบคุณดร (อนรัฐออริกริชาร์ดเอช Waring
มหาวิทยาลัย) ลาร์ส Eklundh (Lund
มหาวิทยาลัย)

Terra
และ Aqua โปรแกรมของนาซา (AIL และ YW)

ผลลัพธ์ (ไทย) 3:

วิธีการ
โมดิสการสังเกตการศึกษาของเราครอบคลุม 16 โมดิสกระเบื้อง (h10v08 และ
h13v11) ซึ่งเป็นบริเวณที่ดินของ 16.75 ล้านตารางกิโลเมตรครอบคลุม 10 องศา 30 องศาของละติจูดและ 80 ° W
42 ° W ในลองจิจูด
ตามสายน้ำและศรัทธาในเหนือและใต้และป่าดงดิบ
ในเขตเส้นศูนย์สูตร เขตร้อน
ภูมิภาคมักพบเมฆระดับสูงและความแปรปรวนในชั้นบรรยากาศ
ละอองลอยเพราะการเผาไหม้ชีวมวลตามฤดูกาล ( 59 ) สภาพบรรยากาศ
เหล่านี้ถูกท้าทายเพื่อประเมินด้วยขั้นตอนวิธีแบบดั้งเดิมที่
พึ่งสเปกตรัมและความร้อนสะท้อนหญิงคนเดียว ( 30 ) maiac คือ
รุ่นใหม่เมฆและบรรยากาศการแก้ไขขั้นตอนวิธี
ที่ใช้สำหรับการวิเคราะห์อนุกรมเวลาและกระบวนการกลุ่มของพิกเซล
ได้รับบรรยากาศและพื้นผิวสะท้อนละอองไม่มีสมมติฐานเชิงประจักษ์
ทั่วไป maiac ใช้หน้าต่างบานเลื่อนเข้าใกล้ การจัดเก็บค่า

16 D โมดิสสังเกต gridded เพื่อ 1-km ความละเอียด ข้อมูลเหล่านี้จะใช้
สร้างสเปกตรัมสัมประสิทธิ์การถดถอยกับการสะท้อนพื้นผิวใน
สีฟ้า ( 0466 μ M ) และอินฟราเรดคลื่นสั้น ( 2.13 μ m ) ของ retrievals ( 60 ) และ
รับพารามิเตอร์ของพื้นผิวฟังก์ชันการแจกแจง Reflectance
( 61 ) ในโมดิสสะท้อนแสงแถบ ( 31 ) โดยใช้การวิเคราะห์อนุกรมเวลา 4 – 16 D ,
maiac สามารถแยกพื้นหลังพื้นผิวที่มั่นคงกับลักษณะพื้นที่โดยทั่วไปและรูปแบบจาก
สุ่มเปลี่ยนสายงานของเมฆ
( 62 )maiac ยังมีคุณสมบัติแบบไดนามิกและน้ำ–ที่ดินหิมะหมวดหมู่และขั้นตอนวิธีการตรวจสอบการเปลี่ยนแปลงการบัญชีสำหรับการเปลี่ยนแปลงอย่างรวดเร็ว

และตามฤดูกาลในการสะท้อนพื้นผิวของข้อมูลอนุกรมเวลา ( 31 ) ขณะนี้ maiac เป็นกระบวนการแปลงรหัส
ปฏิบัติการทดสอบ และคาดว่าจะกลายเป็น
ปฏิบัติการโมดิสขั้นตอนวิธีใน 2014 งานนี้เราใช้ C6
โมดิส1B ( ปรับระดับ และวิธีแก้ไข ) ข้อมูลที่ลบออก
สาขาสอบเทียบเซ็นเซอร์เสื่อมผลปัจจุบันเร็ว คอลเลกชัน
รายละเอียดของ maiac และการทดสอบคุณภาพ ( 31 , 60 ) เช่นเดียวกับ
การประเมินข้อผิดพลาดและการลงทุนในภูมิภาคเขตร้อน ( 30 )

ให้ที่อื่นๆ ด้วย ปริมาณน้ำฝนรายเดือนที่ได้รับจาก trmm ที่ 0.25 องศา
เชิงพื้นที่ความละเอียดระหว่าง 2000 และ 2012 ( 3b43 รุ่น 7 ) ( 13 ) trmm ให้
รายเดือนประมาณการตกตะกอนในมิลลิเมตรชม. − 1 การ 3b43 DataSet
รวมไมโครเวฟภาพ IR ที่ใช้ปฏิบัติการสิ่งแวดล้อมตกตะกอน Electronic Engineering Hall
ดาวเทียมและเครือข่ายข้อมูลดัชนีวัด
( 63 ) แม้ว่าการวิจัยก่อนหน้านี้ ( 59 ) ได้แสดงดีข้อตกลงกับอิสระ
ฝนวัดข้อมูลใน Amazon บราซิล , ปริมาณน้ำฝนค่อนข้าง
ประเมินในระหว่างเดือนเปียกมาก ( > 300 มิลลิโม− 1 ) trmm ข้อมูลให้ตรงกับข้อมูลโมดิส
ซึ่งจะช่วยลดเวลาที่ 1-km มิติความละเอียดใช้งานใช้การ
สอดแทรกเทคนิค ประมาณการของปริมาณฝนรายเดือน ( P ) ปกติ
โดยการลบหมายถึงปี 2000 และ 2002 การตกตะกอนเป็น
พื้นฐานจากข้อมูลรายเดือน ( 58 )การเปลี่ยนแปลงสุทธิแล้วประเมินโดยรวมของการเปลี่ยนแปลงเพื่อประเมินค่า

กำไรหรือขาดทุนตลอดเวลา โดยที่ n คือจำนวนค่ารายเดือน แม้ว่าเราจะรู้จัก
ที่ขนาดของแนวโน้มจะขึ้นอยู่กับการเลือกของ
พื้นฐาน เป้าหมายของการวิเคราะห์นี้ เพื่อศึกษาความไวของพืช
การเปลี่ยนแปลงในการตกตะกอนมากกว่าที่จะสร้างระยะยาวแห้งหรือเปียก
แนวโน้ม ปีเหล่านี้ถูกเลือกเพราะพวกเขาเป็นตัวแทนของ เอล นิไม่ใช่á o
เหตุการณ์และเงื่อนไขที่ค่อนข้างปกติ เราได้ทดสอบ
ปีเดียว ( 2000 ) และทั้งมีพื้นฐานวิธีการบันทึกและพบผลเล็กน้อยในพื้นที่โดเมน

พบเปลี่ยน การเปลี่ยนแปลงใน twsc .การเปลี่ยนแปลงใน twsc ได้มาจากข้อมูลทั่วโลก
การผสมผสานระบบพื้นผิวที่ดินแบบระบบที่รวมข้อมูลจากโลกสังเกตดาวเทียมขั้นสูง
-

และสังเกตพื้นดินสนับสนุนและปรับปรุงการคาดการณ์ hydrometeorological ( 64 ) ประมาณการ twsc
รายเดือนได้ 1 องศาความละเอียดเชิงพื้นที่ระหว่าง 2000 และ 2012
จากโลกวิทยาศาสตร์ข้อมูลศูนย์บริการจาก NASA
( เกรซ เจพี นาซ่า . gov ) การเปลี่ยนแปลงสุทธิใน twsc ได้มาคล้ายคลึงกับการเปลี่ยนแปลงในการตกตะกอน
.
การวิเคราะห์อนุกรมเวลา การวิเคราะห์อนุกรมเวลาของการเปลี่ยนแปลงด้านพืชพรรณที่ใช้สร้างแนวโน้ม
พืชตลอดเวลา ( 37 ) หลายวิธีอยู่สำหรับการประเมินการเปลี่ยนแปลงด้านพืชพรรณ
อนุกรมเวลาโดยขึ้นอยู่กับเกณฑ์ที่ง่ายหรือที่ครอบคลุมมากขึ้น
อนุกรมเวลาแบบ ที่นี่ , การปรับเวลาตาม
timesat วิธีการ ( 37 ) สร้างสรรค์พัฒนาเพื่อการเปลี่ยนแปลงด้านพืชพรรณชุดจาก
ขั้นสูงสูงมาก ความละเอียดภาพ spectroradiometer เทคนิค
ถูกดัดแปลงโมดิส ( 65 ) การ savitzky –วิธี
golay กรองใช้เพื่อให้พอดีกับเส้นโค้งไปชั่วคราวย้ายหน้าต่างสังเกตดาวเทียม
ใช้นี้ปรับให้เหมาะสมของการกรองวิธีอนุกรมเวลาของ
สังเกตโดยไม่ทะลึ่งข้อมูลเครื่องเขียน ให้พิจารณาว่า
เสียงส่วนใหญ่ในการเปลี่ยนแปลงด้านพืชพรรณลำเอียงทางลบ , วิธีการติดตั้ง
ซองด้านบนของสังเกตการเปลี่ยนแปลงด้านพืชพรรณ ( 37 ) การเปลี่ยนแปลงสุทธิในการเปลี่ยนแปลงด้านพืชพรรณถูก
ที่ได้รับสารเพื่อการเปลี่ยนแปลงในการตกตะกอน ( อีคิว 1 ) โมดิสข้อมูลก่อนดึก
กุมภาพันธ์ 2000 ถูกทดแทนด้วยสอดคล้องกันรายเดือนเฉลี่ย
จากปี 2002 เพื่อให้ได้ชุดเต็มของสังเกตสำหรับปี 2000
ขอบคุณ . ขอขอบคุณ ดร. ริชาร์ดเอช. waring ( มหาวิทยาลัยรัฐ
ออริกอน ) อภิปรายประโยชน์และความคิดเห็นและดร. ลาร์ส (
eklundh ลันด์มหาวิทยาลัย ) เพื่อช่วยให้มีเวลาขั้นตอนวิธี นอกจากนี้เรายังขอขอบคุณศูนย์นาซ่า
อากาศจำลองสำหรับการสนับสนุนคอมพิวเตอร์และการเข้าถึงของพวกเขา
ประสิทธิภาพสูงกลุ่ม งานวิจัยนี้ได้รับการสนับสนุนโดยวิทยาศาสตร์ของ Terra
และโปรแกรม Aqua ของนาซา ( a.i.l. และ y.w. )