The wavelet transform also can be u

The wavelet transform also can be used to remove noise. Its strength is the feasibility of identifying the timing of events such as localized objective signals in the presence of noise. The wavelet transform has been used for estimating forest LAI and for canopy closure mapping from EO-1 hyper-spectral data (Koger et al., 2003), and for detecting the interannual variability of NOAA/AVHRR NDVI and its relationship with El Niño/Southern Oscillation Index (Li & Kafatos, 2000). However few studies have used the wavelet transform for smoothing temporal VI data and for detecting crop phenological stages. The wavelet transform retains time components when transforming time-series data, and so can reproduce seasonal changes of vegetation without losing the temporal characteristics. In contrast, the trigonometric functions used in the Fourier transform are not localized in the time domain, and therefore the time component of the input data is averaged after the transforming process. Thus, we assumed that the wavelet transform could divide the noise components and reconstruct the seasonal VI time profile better than the Fourier transform. We used statistics of phenological stages of paddy rice to compare the performance of our method using the wavelet and Fourier transforms.

ผลลัพธ์ (ไทย) 1:

แปลงเวฟยังสามารถใช้ในการลบเสียง ความแข็งแรงของมันคือความเป็นไปได้ในการระบุระยะเวลาของเหตุการณ์เช่นสัญญาณวัตถุประสงค์หลักปักฐานในการปรากฏตัวของเสียง แปลงเวฟถูกนำมาใช้สำหรับการประเมินป่า Lai และสำหรับการทำแผนที่การปิดหลังคาจาก EO-1 ที่ hyper ข้อมูลสเปกตรัม (Koger et al. 2003)และสำหรับการตรวจสอบความแปรปรวน interannual ของ NOAA / avhrr NDVI และความสัมพันธ์กับเอลNiño / ใต้ความผันผวนดัชนี (li & kafatos 2000) การศึกษาน้อย แต่ได้ใช้เวฟแปลงสำหรับข้อมูลที่ราบเรียบ vi ชั่วขณะและสำหรับการตรวจสอบขั้นตอน phenological พืช แปลงเวฟยังคงมีส่วนประกอบของเวลาเมื่อเปลี่ยนข้อมูลอนุกรมเวลา,และเพื่อให้สามารถทำซ้ำการเปลี่ยนแปลงตามฤดูกาลของพืชโดยไม่สูญเสียลักษณะชั่วคราว ในทางตรงกันข้ามฟังก์ชันตรีโกณมิติที่ใช้ในการแปลงฟูริเยไม่ได้รับการแปลเป็​​นภาษาท้องถิ่นในโดเมนเวลาและดังนั้นองค์ประกอบเวลาของการป้อนข้อมูลที่มีค่าเฉลี่ยหลังจากกระบวนการเปลี่ยน ดังนั้นเราสันนิษฐานว่าแปลงเวฟสามารถแบ่งส่วนประกอบเสียงและสร้างใหม่ตามฤดูกาลรายละเอียดครั้ง vi ดีกว่าฟูเรียร์ เราใช้สถิติของขั้นตอน phenological ข้าวเปลือกเพื่อเปรียบเทียบประสิทธิภาพของวิธีการของเราโดยใช้เวฟและแปลงฟูริเยร์

ผลลัพธ์ (ไทย) 2:

แปลง wavelet ยังสามารถใช้เพื่อลบเสียงรบกวน ความแข็งแรงมีความเป็นไปได้ของการระบุเวลาของเหตุการณ์เช่นสัญญาณประสงค์ถิ่นในต่อหน้าของเสียง มีการใช้การแปลง wavelet ประมาณป่าลาย และ สำหรับการแม็ปการปิดฝาครอบจากอีโอ-1 ข้อมูลสเปกตรัมไฮเปอร์ (Koger et al., 2003), และ สำหรับการตรวจสอบความแปรผัน interannual ของ NOAA/AVHRR NDVI และความสัมพันธ์กับดัชนีสั่นใต้/ซันโตเอลนิโญ (Li & Kafatos, 2000) อย่างไรก็ตาม บางการศึกษาได้ใช้แปลง wavelet ราบเรียบขมับ VI ข้อมูล และ สำหรับการตรวจสอบขั้นตอน phenological พืช แปลง wavelet เก็บคอมโพเนนต์ขณะเมื่อเปลี่ยนเวลาชุดข้อมูล และเพื่อ ให้สามารถทำการเปลี่ยนแปลงตามฤดูกาลของพืชโดยไม่สูญเสียลักษณะชั่วคราว ในทางตรงกันข้าม ฟังก์ชันตรีโกณมิติที่ใช้ในการแปลงฟูรีเยไม่แปลในโดเมนเวลา และดังนั้น ส่วนประกอบเวลาของข้อมูลที่ป้อนเข้าเป็น averaged หลังกระบวนการ transforming ดังนั้น เราสันนิษฐานว่า แปลง wavelet สามารถแบ่งส่วนประกอบเสียง และสร้างฤดูกาล VI เวลาโพดีกว่าการแปลงฟูรีเย เราใช้สถิติขั้นตอน phenological ข้าวเปลือกเพื่อเปรียบเทียบประสิทธิภาพของวิธีการของเราใช้แบบ wavelet และแปลงฟูรีเย

ผลลัพธ์ (ไทย) 3:

wavelet เปลี่ยนแปลงที่ยังสามารถใช้เพื่อลบสัญญาณรบกวน ความแรงของความเป็นไปได้ที่จะเป็นการระบุการกำหนดเวลาของเหตุการณ์ต่างๆเช่นสัญญาณโดยมีวัตถุประสงค์ในการแปลเป็น ภาษา ท้องถิ่นที่มีเสียงดัง wavelet เปลี่ยนแปลงได้รับการใช้งานสำหรับลายเป็นป่าการประเมินและสำหรับการทำแผนที่การปิดม่านประดับจากข้อมูล 1 , hyper - ความยาวคลื่น EO ( Koger et al . 2003 )และสำหรับการตรวจจับได้ interannual ของ avhrr ndvi noaa /และความสัมพันธ์ของพร้อมด้วยดัชนี El Niñ o / ภาค ใต้สองจิตสองใจ( Li & kafatos 2000 ) อย่างไรก็ตามการศึกษาเพียงไม่กี่ห้องที่มีใช้ wavelet ที่เปลี่ยนแปลงสำหรับการปรับความคมชัดของข้อมูล VI Temporal Key Integrity Protocol และสำหรับการตรวจจับระยะ phenological พืช wavelet เปลี่ยนแปลงที่ยังคงรักษาไว้ซึ่งส่วนประกอบเวลาเมื่อการเปลี่ยนข้อมูลเวลา - seriesและดังนั้นจึงสามารถสร้างการเปลี่ยนแปลงไปตามฤดูกาลของพันธุ์ไม้โดยไม่ต้องสูญเสียลักษณะ Temporal Key Integrity Protocol ได้. ในทางตรงข้ามการทำงานเป็นเลขที่ใช้ในฟุรเย - ที่ปรับเปลี่ยนได้ไม่ได้รับการแปลเป็นในโดเมนเวลาที่ได้และดังนั้นจึงคอมโพเนนต์ของการป้อนข้อมูลที่มีค่าเงินบาทเฉลี่ยอยู่หลังจากใช้ขั้นตอนการเปลี่ยนได้ ดังนั้นเราจะสันนิษฐานว่า wavelet เปลี่ยนแปลงที่ไม่สามารถแยกส่วนประกอบเสียงรบกวนและสร้างตามฤดูกาล VI เวลาโปรไฟล์ที่ดีกว่าฟุรเย - ที่เปลี่ยนแปลง เราใช้ข้อมูลสถิติของขั้นตอน phenological ของข้าวนาปรังเพื่อทำการเปรียบเทียบ ประสิทธิภาพ ของวิธีการของเราโดยใช้ wavelet และฟุรเย - เปลี่ยน