1. Drought indicesThe role of droug

1. Drought indices
The role of drought indices is to translate data available from water supply indicators such as rain,
snow, flows and others in an understandable representation, which typically is a single value, more
useful than raw data for decision making. Although none of the major indices is inherently superior
to others in all circumstances, some indices are more suitable than others for certain uses, according
to topography, weather, spatial scales or availability of other parameters (temp, soil moisture, snow
accumulation, etc.)[2].
Some examples of the conventional tools for measuring the severity of droughts include: Deciles,
Standardized Precipitation Index (SPI), Palmer Drought Severity Index (PDSI), Surface Water
Supply Index (SWSI) and Crop Moisture Index; this drought monitoring approaches are based on
climatic and meteorological observations [4], which can be limited or incomplete for certain regions;
in addition they may also be inaccurate or contain errors (human or machine) as well as they
cannot be available in real time. Effectiveness is greatly enhanced if multiple indicators are used to
describe drought extension and severity [5], in this respect, data obtained by means earth observations
are highly complementary to those collected by in-situ systems. In this sense, remote sensing
technology has greatly improved the ability to control and manage natural resources, particularly
the vegetation indices derived from satellite data to identify areas affected by drought. The combination
of different indicators can provide decision makers with enough information to understand
the drought phenomenon and estimate its effect [5].
1.1. Drough indices with remote sensing data
The use of remote sensing data has a number of advantages to examine the effects of drought on
vegetation. The information covers the entire territory, the repetition of images provides multitemporal
measurements [6] and vegetation indices derived from satellite data allow to identify areas
affected by drought and take into account different types of vegetation and environmental conditions.

For the calculation of these indices can use low spatial resolution data from different sensors
like the Moderate Resolution Imaging Spectroradiometer (MODIS) or Advanced Very High Resolution
Radiometer (AVHRR), carried by a series of the (NOAA) satellites [7,8], but with these low
spatial resolution sensors it is difficult to study specific forest types, because the pixel size is often
greater than the size of forest stands. At higher resolution more detailed information on the forest
canopy can be then extracted, so the slow track changes in vegetation, for example, water shortages
due to severe drought and heat, can benefit from both satellite images of low and medium resolution
for monitoring vegetation and development of forest canopy [9].
Therefore, for a local analysis can be thought of data with greater spatial resolution, as provided
by the sensor Landsat 7 ETM+. In this case we have the necessary bands in the red and infrared
spectrum to facilitate the calculation of indices. Also the analysis can be further facilitated with
fused data, which can be obtained from the original Landsat bands obtaining new bands with twice
spatial resolution.

ผลลัพธ์ (ไทย) 1:

1. ภัยแล้งดัชนีบทบาทของดัชนีภัยแล้งคือการ แปลข้อมูลจากตัวบ่งชี้น้ำเช่นฝนตกหิมะ ขั้นตอน และอื่น ๆ ในการแสดงเข้าใจ ซึ่งโดยปกติจะเป็นค่าเดียวมีประโยชน์กว่าข้อมูลดิบสำหรับการตัดสินใจ แม้ว่าจะไม่มีดัชนีสำคัญมีความเหนือกว่าผู้อื่นในทุกกรณี ดัชนีบางจะเหมาะสมกว่าผู้อื่นสำหรับการใช้บาง ตามภูมิประเทศ สภาพอากาศ ปรับขนาดพื้นที่ หรือของพารามิเตอร์อื่น ๆ (อุณหภูมิ ความชื้นดิน หิมะสะสม ฯลฯ) [2]ตัวอย่างเครื่องมือทั่วไปสำหรับการวัดความรุนแรงของ droughts รวม: Decilesฝนมาตรฐานดัชนี (SPI), ดัชนีความรุนแรงของภัยแล้งพาล์มเมอร์ (PDSI), น้ำผิวดินดัชนี (SWSI) และดัชนีความชื้นของพืช ภัยแล้งนี้ตรวจสอบวิธียึดอุตุนิยมวิทยา และ climatic สังเกต [4], ซึ่งอาจจำกัด หรือไม่สมบูรณ์ในบางภูมิภาคนอกจากนี้ พวกเขาอาจยังไม่ถูกต้อง หรือประกอบด้วยข้อผิดพลาด (มนุษย์ หรือเครื่องจักร) เช่นเดียวกับพวกเขาไม่สามารถใช้งานได้ในเวลาจริง เพิ่มประสิทธิภาพอย่างมากถ้าใช้หลายตัวบ่งชี้อธิบายส่วนขยายของภัยแล้งและความรุนแรง [5], ในนี้ ข้อมูลที่ได้โดยหมายถึง การสังเกตโลกมีสูงประกอบกับผู้รวบรวม โดยในการวิเคราะห์ระบบ ในนี้รู้สึก แชมพูเทคโนโลยีมีมากขึ้นความสามารถในการควบคุม และจัดการทรัพยากรธรรมชาติ โดยเฉพาะอย่างยิ่งมาดัชนีพืชพรรณจากข้อมูลดาวเทียมระบุพื้นที่รับผลกระทบจากภัยแล้ง การรวมกันของตัวบ่งชี้ที่แตกต่างกันสามารถให้ผู้ตัดสินใจ มีข้อมูลเพียงพอที่จะเข้าใจปรากฏการณ์ภัยแล้ง และประเมินผลของ [5]1.1. Drough ดัชนีข้อมูลไร้สายระยะไกลการใช้ข้อมูลการตรวจวัดระยะไกลมีประโยชน์การตรวจสอบผลกระทบของภัยแล้งในพืช ข้อมูลที่ครอบคลุมดินแดนทั้งหมด การซ้ำของรูปให้ multitemporalวัด [6] และดัชนีพืชพรรณจากข้อมูลดาวเทียมช่วยให้สามารถระบุพื้นที่รับผลกระทบจากภัยแล้งและใช้เป็นบัญชีประเภทต่าง ๆ ของพืชและสภาพแวดล้อมสำหรับการคำนวณดัชนีเหล่านี้สามารถใช้ความละเอียดต่ำพื้นที่ข้อมูลจากเซนเซอร์ต่าง ๆเช่นปานกลางความละเอียดภาพ Spectroradiometer (MODIS) หรือขั้นสูงมากความละเอียดสูงRadiometer (AVHRR), ทำชุด ของดาวเทียม (NOAA) [7,8], แต่เหล่านี้ต่ำเซนเซอร์ความละเอียดปริภูมิเป็นยากที่จะศึกษาเฉพาะป่าชนิด เพราะขนาดพิกเซลมักจะใหญ่กว่าขนาดของป่ายืน ที่ความละเอียดสูง รายละเอียดเพิ่มเติมในป่าฝาครอบสามารถถูกแล้วแยก เพื่อช้าติดตามการเปลี่ยนแปลงในพืช เช่น น้ำขาดแคลนภัยแล้งที่รุนแรงและความร้อน ได้รับประโยชน์จากดาวเทียมทั้งภาพของความละเอียดต่ำ และปานกลางสำหรับการตรวจสอบพืชและพัฒนาป่าฝาครอบ [9]ดังนั้น สำหรับการวิเคราะห์ภายในสามารถคิดข้อมูลปริภูมิความละเอียดที่มากขึ้น จัดไว้โดยการเซ็นเซอร์ Landsat 7 ETM + ในกรณีนี้ เราได้วงดนตรีที่จำเป็นในสีแดงและอินฟราเรดคลื่นเพื่อให้ง่ายต่อการคำนวณดัชนี นอกจากนี้ การวิเคราะห์สามารถจะเพิ่มเติมกลืนfused ข้อมูล ซึ่งสามารถได้จากรับวงใหม่กับสองวงดนตรี Landsat เดิมปริภูมิความละเอียด

ผลลัพธ์ (ไทย) 2:

1.
ดัชนีความแห้งแล้งบทบาทของดัชนีภัยแล้งคือการแปลข้อมูลจากตัวชี้วัดน้ำประปาเช่นฝนตก,
หิมะกระแสและอื่น ๆ
ในการแสดงที่เข้าใจซึ่งโดยปกติจะเป็นค่าเดียวมากขึ้นมีประโยชน์มากกว่าข้อมูลดิบสำหรับการตัดสินใจ แม้ว่าจะไม่มีของดัชนีที่สำคัญคือเนื้อแท้ที่เหนือกว่าให้กับผู้อื่นในทุกสถานการณ์ดัชนีบางส่วนที่มีความเหมาะสมมากขึ้นกว่าคนอื่น ๆ สำหรับการใช้งานบางอย่างตามภูมิประเทศสภาพอากาศ, เครื่องชั่งน้ำหนักเชิงพื้นที่หรือความพร้อมของพารามิเตอร์อื่น ๆ (อุณหภูมิความชื้นของดินหิมะสะสมฯลฯ .) [2] ตัวอย่างบางส่วนของเครื่องมือธรรมดาสำหรับการวัดความรุนแรงของภัยแล้งรวมถึง: Deciles, ดัชนียุมาตรฐาน (SPI) พาลเมอร์แล้งดัชนีความรุนแรง (PDSI) ผิวน้ำดัชนีซัพพลาย(SWSI) และดัชนีพืชความชื้น; วิธีการตรวจสอบภัยแล้งนี้จะขึ้นอยู่กับการสังเกตภูมิอากาศและอุตุนิยมวิทยา [4] ซึ่งสามารถ จำกัด หรือไม่สมบูรณ์สำหรับภูมิภาคบาง; นอกจากนี้พวกเขายังอาจจะไม่ถูกต้องหรือมีข้อผิดพลาด (มนุษย์หรือเครื่อง) เช่นเดียวกับที่พวกเขาไม่สามารถที่จะอยู่ในเวลาจริง. ประสิทธิผลเพิ่มขึ้นอย่างมากถ้าตัวชี้วัดหลายที่ใช้ในการอธิบายขยายความแห้งแล้งและความรุนแรง [5] ในแง่นี้ข้อมูลที่ได้รับโดยวิธีการสังเกตโลกจะประกอบสูงให้กับผู้ที่เก็บรวบรวมโดยระบบในแหล่งกำเนิด ในแง่นี้การสำรวจระยะไกลเทคโนโลยีได้ดีขึ้นมากความสามารถในการควบคุมและจัดการทรัพยากรธรรมชาติโดยเฉพาะอย่างยิ่งดัชนีพืชที่ได้มาจากข้อมูลดาวเทียมเพื่อระบุพื้นที่ได้รับผลกระทบจากภัยแล้ง การรวมกันของตัวชี้วัดที่แตกต่างกันสามารถให้ผู้มีอำนาจตัดสินใจมีข้อมูลพอที่จะเข้าใจปรากฏการณ์ภัยแล้งและการประเมินผลกระทบ[5]. 1.1 ดัชนีผ่านกับข้อมูลการสำรวจระยะไกลการใช้ข้อมูลการสำรวจระยะไกลที่มีจำนวนข้อได้เปรียบในการตรวจสอบผลกระทบจากภัยแล้งในพืชผัก ข้อมูลที่ครอบคลุมดินแดนทั้งหมดซ้ำของภาพให้ multitemporal วัด [6] และดัชนีพืชที่ได้มาจากข้อมูลดาวเทียมอนุญาตให้มีการระบุพื้นที่ที่ได้รับผลกระทบจากภัยแล้งและคำนึงถึงชนิดของพืชและสภาพแวดล้อม. สำหรับการคำนวณดัชนีเหล่านี้สามารถ ใช้ข้อมูลความละเอียดเชิงพื้นที่ต่ำจากเซ็นเซอร์ที่แตกต่างกันเช่นการถ่ายภาพความละเอียดปานกลางSpectroradiometer (MODIS) หรือขั้นสูงความละเอียดสูงมากRadiometer (AVHRR) ดำเนินการโดยชุดของ (NOAA) ดาวเทียม [7,8] แต่มีต่ำเหล่านี้เซ็นเซอร์ความละเอียดเชิงพื้นที่มันเป็นเรื่องยากที่จะศึกษาป่าประเภทที่เฉพาะเจาะจงเพราะขนาดพิกเซลที่มักจะใหญ่กว่าขนาดของยืนป่า ที่มีความละเอียดสูงกว่าข้อมูลรายละเอียดเพิ่มเติมเกี่ยวกับป่าหลังคาสามารถสกัดได้แล้วดังนั้นการติดตามการเปลี่ยนแปลงช้าในพืชเช่นการขาดแคลนน้ำเนื่องจากภัยแล้งที่รุนแรงและความร้อนจะได้ประโยชน์ทั้งจากภาพถ่ายดาวเทียมความละเอียดต่ำและปานกลางสำหรับการตรวจสอบพืชและการพัฒนาป่าท้องฟ้า [9]. ดังนั้นสำหรับการวิเคราะห์ในท้องถิ่นอาจจะคิดว่าข้อมูลที่มีความละเอียดเชิงพื้นที่มากขึ้นตามที่กำหนดไว้โดยเซ็นเซอร์ Landsat 7 ETM + ในกรณีนี้เรามีวงดนตรีที่จำเป็นในสีแดงและอินฟราเรดสเปกตรัมเพื่อความสะดวกในการคำนวณดัชนี นอกจากนี้ยังมีการวิเคราะห์ที่สามารถอำนวยความสะดวกต่อไปด้วยข้อมูลที่ผสมซึ่งสามารถได้รับจากวงดนตรีที่ได้รับ Landsat เดิมวงดนตรีใหม่ที่มีสองเท่าความละเอียดเชิงพื้นที่

ผลลัพธ์ (ไทย) 3:

1 . ดัชนีภัยแล้ง
บทบาทของดัชนีความแห้งแล้งคือการแปลข้อมูลจากตัวชี้วัด เช่น น้ำฝน
หิมะไหลและคนอื่น ๆในการเข้าใจซึ่งโดยปกติจะเป็นค่าเดียวมากขึ้น
ประโยชน์กว่าข้อมูลเพื่อการตัดสินใจ ถึงแม้ว่าจะไม่มีดัชนีหลักเป็นอย่างโดยเนื้อแท้ดีกว่า
ผู้อื่นในทุกสถาน การณ์มีดัชนีที่เหมาะสมมากขึ้นกว่าคนอื่น ๆสำหรับการใช้งานบางอย่างตาม
กับภูมิประเทศ อากาศ ระดับพื้นที่ หรือความพร้อมของพารามิเตอร์อื่น ๆ ( อุณหภูมิ ความชื้นดิน , หิมะ
สะสม ฯลฯ ) [ 2 ] .
ตัวอย่างของเครื่องมือทั่วไปบางวัดความรุนแรงของภัยแล้ง ได้แก่ ภูมิภาค
ดัชนีมาตรฐาน ( SPI ด้วย , ) , ดัชนีความรุนแรงเมอร์ ( pdsi แล้งน้ำ
)ดัชนีจัดหา ( swsi ) พืชและความชื้นดัชนี นี้วิธีการติดตามสถานการณ์ภัยแล้งจะขึ้นอยู่กับสภาพภูมิอากาศและการสังเกตการณ์ทางอุตุนิยมวิทยา
[ 4 ] ซึ่งสามารถ จำกัด หรือ ไม่สมบูรณ์ในบางภูมิภาค ;
นอกจากนี้พวกเขาอาจยังไม่ถูกต้องหรือมีข้อผิดพลาด ( มนุษย์หรือเครื่องจักร ) เช่นเดียวกับพวกเขา
ไม่สามารถใช้ได้ในเวลาจริง ประสิทธิผลมากขึ้นถ้าหลายๆ ตัวที่ใช้

อธิบายต่อความแห้งแล้งและความรุนแรง [ 5 ] ในส่วนนี้ ข้อมูลที่ได้จากการสังเกต
หมายถึงแผ่นดินสูง ประกอบกับผู้ที่เก็บรวบรวมโดยระบบควบคู่ . ในความรู้สึกนี้ , เทคโนโลยีตรวจจับ
ระยะไกลมีการปรับปรุงอย่างมาก ความสามารถในการควบคุมและจัดการทรัพยากรธรรมชาติ โดยเฉพาะอย่างยิ่ง
พืชดัชนีที่ได้มาจากข้อมูลดาวเทียมเพื่อระบุพื้นที่ที่ได้รับผลกระทบจากภัยแล้งการรวมกัน
ของตัวชี้วัดที่แตกต่างกันสามารถให้ผู้ตัดสินใจมีข้อมูลเพียงพอที่จะเข้าใจ
ภัยแล้งปรากฏการณ์และประมาณการผลของมัน [ 5 ] .
1.1 . drough ดัชนีกับข้อมูลระยะไกล
ใช้ข้อมูลระยะไกลมีจำนวนของข้อได้เปรียบที่จะศึกษาผลกระทบของภัยแล้ง
พืช ข้อมูลที่ครอบคลุมดินแดนทั้งหมดการทำซ้ำของภาพให้ multitemporal
วัด [ 6 ] และดัชนีพืชพรรณที่ได้มาจากข้อมูลดาวเทียมให้ระบุพื้นที่ที่ได้รับผลกระทบจากภัยแล้งและ
คำนึงถึงชนิดของพืชและสภาพแวดล้อม .

สำหรับการคำนวณของดัชนีเหล่านี้สามารถใช้ข้อมูลความละเอียดเชิงพื้นที่จากเซ็นเซอร์
ต่ำแตกต่างกันชอบปานกลาง ความละเอียดภาพ spectroradiometer ( โมดิส ) หรือความละเอียดสูง Radiometer
สูงมาก ( avhrr ) โดยชุดของ ( NOAA ) ดาวเทียม [ 7 , 8 ] , แต่ด้วยเซ็นเซอร์ความละเอียดต่ำ
เหล่านี้มันเป็นเรื่องยากที่จะศึกษาพื้นที่ป่าประเภทที่เฉพาะเจาะจง เพราะขนาดพิกเซลมัก
ใหญ่กว่าขนาดของป่า ย่อมาจาก ที่ความละเอียดสูง รายละเอียดเพิ่มเติมเกี่ยวกับป่าไม้
หลังคาที่สามารถแยกดังนั้นช้า ติดตามการเปลี่ยนแปลงในพืช เช่น การขาดแคลนน้ำเนื่องจากภัยแล้งที่รุนแรง
และความร้อน สามารถได้ประโยชน์จากภาพดาวเทียมความละเอียดปานกลางและต่ำ
การพืชและการพัฒนาป่าหลังคา [ 9 ] .
ดังนั้น สำหรับการวิเคราะห์ข้อมูลท้องถิ่นสามารถคิดกับ เพิ่มความละเอียดเชิงพื้นที่ เช่นให้
โดยเซ็นเซอร์ Landsat 7 ETM .ในกรณีนี้เราได้วงดนตรีที่จำเป็นในสีแดงและอินฟราเรดสเปกตรัม
เพื่อความสะดวกในการคำนวณดัชนี นอกจากนี้การวิเคราะห์สามารถเพิ่มเติมความสะดวกกับ
หลอมรวมข้อมูลซึ่งได้จากเดิมที่ได้รับจากวงวงใหม่กับ 2
( ความละเอียด