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,
∂P =
P
n1

P −P2000;2002

n
, [1]
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:

วิธีการMODIS สังเกต การศึกษาของเราครอบคลุม 16 MODIS กระเบื้อง (h10v08 และh13v11), ซึ่งเป็นพื้นที่ที่ดิน km2 16.75 ล้านรัฐ 10 ° N ถึง 30 ° S ในละติจูดและ 80° W ถึง 42° W ในลองจิจูด มีลักษณะพื้นที่สวันนาห์ร้อนตามฤดูกาลและป่าผลัดใบตามฤดูกาลในภาคเหนือ และใต้และป่าเขตร้อนในเขตเส้นศูนย์สูตร ทรอปิคอลภูมิภาคมักจะได้พบปะเมฆสูงและสำหรับความผันผวนสูงในบรรยากาศโรงเนื่องจากชีวมวลตามฤดูกาลที่เขียน (59) บรรยากาศเหล่านี้เงื่อนไขท้าทายการประเมินกับอัลกอริทึมแบบที่อาศัยขีดจำกัดแบบสะท้อนแสงสเปกตรัม และความร้อนเพียงอย่างเดียว (30) MAIAC เป็นขั้นตอนวิธีการแก้ไขการตรวจกรอง และบรรยากาศเมฆรุ่นใหม่ที่ใช้การวิเคราะห์ชุดข้อมูลเวลาเหมาะสม และกระบวนการกลุ่มของพิกเซลเพื่อมารับบรรยากาศและแบบสะท้อนแสงของพื้นผิวโดยทั่วไปประจักษ์สมมติฐาน MAIAC ใช้วิธีการเลื่อนหน้าต่าง เก็บถึงd 16 สังเกต MODIS gridded ความละเอียด 1 กม. ใช้ข้อมูลเหล่านี้สามารถรับสัมประสิทธิ์ถดถอยสเปกตรัมที่เกี่ยวข้องแบบสะท้อนแสงของพื้นผิวในการสีน้ำเงิน (0.466 μm) และอินฟราเรดคลื่นสั้น (2.13 μm) สำหรับ retrievals ขวด (60) และพารามิเตอร์ของฟังก์ชันการแจกแจงแบบสะท้อนแสงแบบสองทิศทางพื้นผิวขอรับ(61) ใน MODIS สะท้อนวงดนตรี (31) ใช้เวลาชุดวิเคราะห์กว่า 4 – 16 dMAIAC จะสามารถแยกพื้นผิวที่มั่นคง ด้วยลักษณะของรูปแบบพื้นที่จากเขตสุ่มโดยทั่วไป และการเปลี่ยนแปลงของเมฆ (62)MAIAC คุณลักษณะจัดประเภทดิน – น้ำ – หิมะชั่วคราวและเปลี่ยนแปลงอัลกอริทึมการตรวจจับการเปลี่ยนแปลงอย่างรวดเร็ว และตามฤดูกาลในพื้นที่แบบสะท้อนแสงเวลาชุดข้อมูล (31) ในปัจจุบัน การผ่าตัด MAIACการแปลงรหัสการดำเนินงาน และการทดสอบ และคาดว่าจะเป็นการตอนวิธี MODIS ที่ดำเนินงานในปี 2557 งานนี้ เราใช้ MODIS C6ข้อมูลระดับ 1B (ปรับเทียบ และแก้ไข geometrically) ซึ่งถูกเอาออกเซ็นเซอร์หลักเทียบย่อยสลายผลกระทบอยู่ในคอลเลกชันก่อนหน้านี้รายละเอียดคำอธิบายของ MAIAC และการทดสอบคุณภาพ (31, 60) ตลอดจนการมีการประเมินผลของข้อผิดพลาดและความไม่แน่นอนมากกว่าเขตร้อน (30)บริการอื่น ๆฝน ปริมาณน้ำฝนรายเดือนได้รับจาก TRMM ที่ 0.25° ปริภูมิความละเอียดระหว่าง 2000 และ 2012 (3B43 รุ่น 7) (13) TRMM ให้ประเมินรายเดือนของฝนใน hour−1 มิลลิเมตร ชุดข้อมูล 3B43รวมภาพการใช้ IR Geostationary ปฏิบัติไมโครเวฟสิ่งแวดล้อมดาวเทียมฝนดัชนีและเครือข่ายข้อมูลมาตรวัด(63) . ถึงแม้ว่างานวิจัยก่อนหน้านี้ (59) ได้แสดงข้อตกลงที่ดี มีอิสระข้อมูลเครื่องวัดฝนในอเมซอนบราซิล ปริมาณน้ำฝนมีค่อนข้างunderestimated ในช่วงเปียกมาก (> 300 mm mo−1) TRMM ข้อมูลได้ปรับจำนวนพิกเซลให้ตรงกับข้อมูล MODIS ที่ละเอียดพื้นที่ 1 กม.ใช้เป็น bilinearเทคนิคการแทรกแทรง ประเมินของฝนรายเดือน (P) ได้ตามปกติโดยฝนรายปีเฉลี่ย 2000 และ 2002 เป็นลบพื้นฐานจากข้อมูลรายเดือน (58) เปลี่ยนแปลงสุทธิถูกประเมิน โดยรวมแล้วเปลี่ยนแปลงมาตรฐานการประเมินกำไรหรือขาดทุนช่วงเวลา∂P =Pn1P −P2000; 2002n, [1]โดยที่ n คือ จำนวนเดือนสังเกต ถึงแม้ว่าเรารู้จักซึ่งขนาดของแนวโน้มจะขึ้นอยู่กับการเลือกพื้นฐาน เป้าหมายของการวิเคราะห์นี้เป็นการ ตรวจสอบความไวของพืชการเปลี่ยนแปลงในฝนแทนที่สร้างระยะยาวแห้ง หรือภาวะการเปียกแนวโน้มการ ปีนี้ได้เลือก เนื่องจากพวกเขาทั้งสองเป็นตัวแทนไม่ใช่เอลซันโตนิโญเหตุการณ์ดัง นั้น สภาพค่อนข้างปกติ เราได้ทดสอบการปีเดียว (2000) และระเบียนทั้งหมดเฉลี่ยวิธีพื้นฐาน และพบโดเมนปริภูมิของการเปลี่ยนแปลงที่ตรวจพบผลน้อยการเปลี่ยนแปลงใน TWSC การเปลี่ยนแปลงใน TWSC ได้รับจากข้อมูลทั่วโลกระบบผสม ระบบที่รวมข้อมูลการสร้างแบบจำลองพื้นผิวดินจากขั้นสูงสังเกตโลกจากดาวเทียม และภาคพื้นดินสังเกตการสนับสนุน และปรับปรุงการคาดคะเน hydrometeorological (64) รายเดือน TWSCประเมินได้รับที่ความละเอียดปริภูมิ 1° ระหว่าง 2000 และ 2012จากข้อมูลธรณีวิทยาและศูนย์บริการข้อมูลจากนาซ่า(grace.jpl.nasa.gov) สุทธิได้มาคล้ายคลึงกับการเปลี่ยนแปลงใน TWSCการเปลี่ยนแปลงในฝนการวิเคราะห์ชุดข้อมูลเวลา ใช้เวลาชุดวิเคราะห์ NDVI สามารถรับแนวโน้มในพืชช่วงเวลา (37) มีหลายวิธีสำหรับการประเมินการเปลี่ยนแปลงในชุดเวลา NDVI รวมทั้งตามขีดจำกัดอย่าง หรือครอบคลุมมากขึ้นเวลาชุดแบบจำลอง ที่นี่ ยึดการกระชับเวลาชุดการวิธี TIMESAT (37) พัฒนาชุด NDVI จากเดิมขั้นสูงมากสูงความละเอียดภาพ Spectroradiometer เทคนิคมีการดัดแปลงสำหรับ MODIS (65) มีวิธีกรอง Savitzky – Golayใช้ให้พอดีกับ splines ไปยังหน้าต่าง temporally ย้ายดาวเทียมสังเกตใช้วิธีการกรองนี้ปรับให้เหมาะสมของเวลาของสังเกต โดยสมมติว่าข้อมูลเครื่องเขียน ถึงที่เสียงส่วนใหญ่ใน NDVI เป็นภาพในเชิงลบ อัลกอริทึมถูกติดตั้งเพื่อการซองจดหมายที่ด้านบนของ NDVI พบ (37) มีการเปลี่ยนแปลงสุทธิใน NDVIรับ analogs เปลี่ยนแปลงในฝน (Eq. 1) ข้อมูล MODIS ก่อนสาย2000 กุมภาพันธ์ถูกแทน ด้วยค่าเฉลี่ยรายเดือนที่สอดคล้องกันจากปี 2001 ถึง 2002 ได้รับการตั้งสังเกตสำหรับปี 2000ตอบ เราขอขอบคุณดร.ริชาร์ด H. Waring (รัฐออริกอนมหาวิทยาลัย) สำหรับการสนทนาที่เป็นประโยชน์ และข้อคิดเห็น และดร. Lars Eklundh (ลุนด์มหาวิทยาลัย) สำหรับความช่วยเหลือเกี่ยวกับอัลกอริทึมเวลาชุดการ เรายังขอบคุณ NASAศูนย์สนับสนุนการคำนวณการจำลองสภาพภูมิอากาศ และเข้าถึงของพวกเขาคลัสเตอร์ประสิทธิภาพสูง งานนี้ได้รับการสนับสนุน โดยวิทยาศาสตร์ Terraและโปรแกรมอควาของ NASA (A.I.L. และ Y.W.)

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 ในเส้นแวง พื้นที่ที่เป็นที่โดดเด่นด้วย
ทุ่งหญ้าเขตร้อนตามฤดูกาลและป่าไม้ผลัดใบตามฤดูกาลในทางทิศเหนือและ
ทิศใต้และป่าไม้ป่าดิบเขตร้อนในภูมิภาคแถบเส้นศูนย์สูตร ทรอปิคอล
ภูมิภาคมักพบเมฆปกคลุมสูงและความแปรปรวนสูงในบรรยากาศ
ละอองเนื่องจากการเผาไหม้ชีวมวลตามฤดูกาล (59) บรรยากาศเหล่านี้
เงื่อนไขที่ท้าทายในการประเมินที่มีขั้นตอนวิธีแบบดั้งเดิมที่
พึ่งพาเกณฑ์สเปกตรัมและความร้อนที่สะท้อนอยู่คนเดียว (30) Maiac คือ
การตรวจคัดกรองคลาวด์รุ่นใหม่และขั้นตอนวิธีการแก้ไขในชั้นบรรยากาศ
ที่ใช้การวิเคราะห์อนุกรมเวลาปรับตัวและกระบวนการกลุ่มของพิกเซลที่จะ
ได้รับละอองลอยในชั้นบรรยากาศและพื้นผิวสะท้อนเชิงประจักษ์โดยทั่วไป
สมมติฐาน Maiac ใช้วิธีหน้าต่างบานเลื่อนเก็บได้ถึง
16 D ของการสังเกต MODIS gridded ถึง 1 กมละเอียด ข้อมูลเหล่านี้ถูกนำมาใช้
เพื่อให้ได้ค่าสัมประสิทธิ์การถดถอยเงาสะท้อนพื้นผิวที่เกี่ยวข้องใน
สีฟ้า (0.466 ไมโครเมตร) และคลื่นสั้น IR (2.13 ไมโครเมตร) สำหรับการสืบค้นละออง (60) และ
ได้รับค่าพารามิเตอร์ของฟังก์ชั่นการกระจายการสะท้อนพื้นผิวแบบสองทิศทาง
(61) ใน MODIS วงสะท้อนแสง (31) โดยใช้การวิเคราะห์อนุกรมเวลาในช่วง 4-16 วัน
Maiac สามารถแยกพื้นหลังพื้นผิวที่มั่นคงกับลักษณะของ
รูปแบบเชิงพื้นที่จากสาขาทั่วไปแบบสุ่มและการเปลี่ยนแปลงของเมฆ (62)
Maiac นอกจากนี้ยังมีการจัดหมวดหมู่ที่ดินน้ำหิมะแบบไดนามิกและการเปลี่ยน
การตรวจสอบ อัลกอริทึมในการบัญชีสำหรับการเปลี่ยนแปลงอย่างรวดเร็วและตามฤดูกาลในพื้นผิว
การสะท้อนของข้อมูลอนุกรมเวลา (31) ขณะนี้อยู่ระหว่างการ Maiac
แปลงรหัสในการดำเนินงานและการทดสอบและเป็นที่คาดว่าจะเป็น
อัลกอริทึม MODIS การดำเนินงานในปี 2014 สำหรับงานนี้เราใช้ MODIS C6
ระดับ 1B (การสอบเทียบและเรขาคณิตแก้ไข) ข้อมูลซึ่งออก
สอบเทียบเซ็นเซอร์ผลการย่อยสลายที่สำคัญในปัจจุบัน ในคอลเลกชันก่อนหน้านี้
คำอธิบายรายละเอียดของ Maiac และการทดสอบที่มีคุณภาพ (31, 60) เช่นเดียวกับ
การประเมินของข้อผิดพลาดและความไม่แน่นอนในภูมิภาคเขตร้อน (30) จะ
จัดให้มีที่อื่น ๆ
ยุ ปริมาณน้ำฝนรายเดือนที่ได้รับจาก TRMM ที่ 0.25 °อวกาศ
การแก้ปัญหาระหว่าง 2000 และ 2012 (3B43 รุ่น 7) (13) TRMM ให้
ประมาณการรายเดือนของการเร่งรัดในมิลลิเมตร 1 ชั่วโมง ชุด 3B43
รวมภาพไมโครเวฟกับ IR-based Geostationary Operational
ยุดัชนีดาวเทียมสิ่งแวดล้อมและเครือข่ายของข้อมูลที่วัด
(63) แม้ว่าการวิจัยก่อนหน้า (59) ได้แสดงให้เห็นสัญญาที่ดีกับอิสระ
ข้อมูลมาตรวัดฝนอเมซอนในบราซิล, ปริมาณน้ำฝนค่อนข้าง
ประเมินในช่วงเดือนเปียกมาก (> 300 มม MO-1) ข้อมูล TRMM ถูก
resampled เพื่อให้ตรงกับข้อมูล MODIS วันที่ 1 กมความละเอียดเชิงพื้นที่โดยใช้บิลิแนร์
เทคนิคการแก้ไข การประเมินปริมาณน้ำฝนรายเดือน (P) ได้ปกติ
โดยการลบฝนเฉลี่ยรายปีของปี 2000 และปี 2002 เป็น
พื้นฐานจากข้อมูลรายเดือน (58) การเปลี่ยนแปลงสุทธิแล้วได้รับการประเมินจากผลรวม
ของการเปลี่ยนแปลงที่ปกติจะประเมินกำไรหรือขาดทุนเมื่อเวลาผ่านไป
∂P =
P
n1
?
P -P2000; 2002
?
n
, [1]
โดยที่ n คือจำนวนของการสังเกตรายเดือน ถึงแม้ว่าเราจะรู้
ว่าขนาดของแนวโน้มจะขึ้นอยู่กับการเลือก
พื้นฐานเป้าหมายของการวิเคราะห์นี้คือการตรวจสอบความไวของพืช
กับการเปลี่ยนแปลงในการเร่งรัดมากกว่าสร้างระยะยาวการอบแห้งหรือเปียก
แนวโน้ม ปีนี้ได้รับการคัดเลือกเพราะพวกเขาทั้งสองไม่ได้เป็นตัวแทนของเอลNiño
เหตุการณ์และดังนั้นเงื่อนไขที่ค่อนข้างปกติ เราได้ทดสอบยังเป็น
ปีเดียว (2000) และวิธีการพื้นฐานทั้งบันทึกเฉลี่ยและ
พบผลเพียงเล็กน้อยบนโดเมนของพื้นที่ตรวจพบการเปลี่ยนแปลง
การเปลี่ยนแปลงใน TWSC การเปลี่ยนแปลงใน TWSC ที่ได้รับจากข้อมูลทั่วโลก
การดูดซึมของระบบ, ระบบการสร้างแบบจำลองพื้นผิวดินแดนที่รวมข้อมูล
ขั้นสูงจากโลกการสังเกตการสังเกตดาวเทียมและพื้นดินที่ใช้ในการ
สนับสนุนและปรับปรุงการคาดการณ์ Hydrometeorological (64) TWSC รายเดือน
ประมาณการที่ได้รับ ณ วันที่ 1 °ความละเอียดเชิงพื้นที่ระหว่างปี 2000 และ 2012
จากการสอนวิทยาศาสตร์โลกข้อมูลและบริการศูนย์ข้อมูลจากองค์การนาซ่า
(grace.jpl.nasa.gov) การเปลี่ยนแปลงสุทธิใน TWSC ได้มาคล้ายกับ
การเปลี่ยนแปลงในการเร่งรัด
การวิเคราะห์อนุกรมเวลา การวิเคราะห์ใช้เวลาชุดของ NDVI ถูกใช้ในการได้มาซึ่งแนวโน้มใน
พืชเมื่อเวลาผ่านไป (37) มีหลายวิธีในการประเมินการเปลี่ยนแปลงใน
อนุกรมเวลา NDVI รวมถึงผู้ที่อยู่บนพื้นฐานของเกณฑ์เรียบง่ายหรือที่ครอบคลุมมากขึ้น
รูปแบบอนุกรมเวลา ที่นี่อนุกรมเวลาที่เหมาะสมจะขึ้นอยู่กับ
วิธีการ TIMESAT (37) การพัฒนาเดิมสำหรับชุด NDVI จาก
ขั้นสูงมากความละเอียดสูง Imaging Spectroradiometer เทคนิค
ที่ได้รับการปรับให้เหมาะสมกับ MODIS (65) วิธีการกรอง Savitzky-Golay ถูก
นำมาใช้เพื่อให้พอดีกับร่องกับหน้าต่างชั่วคราวเคลื่อนที่ของดาวเทียมสังเกต
การใช้วิธีการกรองนี้จะช่วยให้การปรับตัวที่เหมาะสมของอนุกรมเวลาของ
การสังเกตโดยไม่ต้องสมมติว่าเขียนข้อมูล คำนึงถึงว่า
เสียงส่วนใหญ่ใน NDVI จะลำเอียงลบอัลกอริทึมที่ถูกติดตั้ง
บนของซองจดหมายที่สังเกต NDVI (37) การเปลี่ยนแปลงสุทธิใน NDVI ได้
รับ analogs การเปลี่ยนแปลงในการตกตะกอน (สม. 1) ข้อมูล MODIS ก่อนที่ช่วงปลาย
เดือนกุมภาพันธ์ 2000 ถูกแทนที่ด้วยค่าเฉลี่ยรายเดือนสอดคล้อง
2001-2002 จะได้รับชุดเต็มรูปแบบของการสังเกตในปี 2000
กิตติกรรมประกาศ เราขอขอบคุณดร. ริชาร์ดเอช Waring (รัฐออริกอน
มหาวิทยาลัย) สำหรับการอภิปรายที่เป็นประโยชน์และแสดงความคิดเห็นและดร. ลาร์ส Eklundh (Lund
มหาวิทยาลัย) สำหรับความช่วยเหลือเกี่ยวกับขั้นตอนวิธีอนุกรมเวลา นอกจากนี้เรายังขอขอบคุณนาซ่า
ศูนย์ภูมิอากาศจำลองสำหรับการสนับสนุนการคำนวณและการเข้าถึงของพวกเขา
กลุ่มที่มีประสิทธิภาพสูง งานนี้ได้รับการสนับสนุนโดยวิทยาศาสตร์ของ Terra
และ Aqua โปรแกรมของนาซา (AIL และ YW)

ผลลัพธ์ (ไทย) 3:

วิธีการ
โมดิส การสังเกต การศึกษาของเราครอบคลุม 16 โมดิสกระเบื้อง ( h10v08 และ
h13v11 ) ซึ่งเป็นบริเวณที่ดินของ 16.75 ล้านตารางกิโลเมตร ครอบคลุม 10 ° N 30 องศาของละติจูดและ 80 ° W
42 ° W ในลองจิจูด พื้นที่เป็นลักษณะ
ฤดูกาลร้อนสะวันนาและป่าเต็งรัง ตามฤดูกาลในเหนือและใต้ และป่าดงดิบ
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 )การเปลี่ยนแปลงสุทธิแล้วประเมินโดยรวมของการเปลี่ยนแปลงค่า
3 กําไรหรือขาดทุนตลอดเวลา
∂ P =
p
N1

p  −พีอาร์ ; 2002

n
, [ 1 ]
โดยที่ N คือจำนวนของค่ารายเดือน 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. )