NDVI data were taken from multi-tem

NDVI data were taken from multi-temporal Terra MODIS VIs Product. The data were
obtained from the NASA Warehouse Inventory Search Tool (WIST) (https://wist.echo.
nasa.gov/api/). The dataset was from the year 2001 to 2009. The product name is the
MOD13Q1 VI which is a 16-day composite with resolution 250 m. The MODIS VIs
product takes two tiles to cover the region; therefore, image mosaic technique was applied
to generate a single image for each 16-day composite. The digital image preprocessing
steps such as radiometric and geometric correction were applied to process raw data. For
radiometric correction, the MODIS images were registered from the optical Terra/MODIS
sensor and cloud contamination was a problem for data acquisition during the rainy season.
The radiometric correction was treated to mitigate this effect resulting in data missing for
some dates especially in the rainy season from June to July. 16-day composite of NDVI
data was averaged into monthly data to calculate VCI. The format of MODIS images is
distributed as Hierarchical Data Format (HDF) with 10 9 10 arc degree-tiles and projected
in the sinusoidal projection. The geometric correction was applied to resample the raw data
into UTM WGS84 datum.
VCI was developed to identify the degree of greenness of each pixel of NDVI values in
relation to the average greenness at the same location overtime. The calculation of VCI is
described in Eq. (1), where NDVImin and NDVImax refer to the absolute minimum and
maximum NDVI of the study period.
VCI ¼ 100 ðNDVI  NDVIminÞ=ðNDVImax  NDVIminÞ ð1Þ
This study applied the MOD13Q1 VI product because the advantages in the ability to
monitor vegetation condition (Huete et al. 2002). This product was appropriate for
vegetation study at the regional scale in northeast Thailand in terms of spatial and temporal
resolution. The monthly VCI value corresponding to the sample sites was calculated from
the mean of selected 3 9 3 pixel (resolution 250 m per pixel) of each site covering area
about 0.5 km2
. From this step, the monthly VCI at all test sites from year 2001 to 2009 was
processed to analyze drought impact on vegetation at the different land cover type.
Fig. 3 Location of meteorological stations in Northeast Thailand
Nat Hazards
123
2.4 Association rules for drought event
The relationship between SPI and VCI was identified by association rules to find the
occurrence of drought from 2001 to 2009. Association rules are used to identify the
relationship between data items and characterized by two parameters: support and confi-
dence (Dhanya and Nagesh Kumar 2009). Association rule is the pattern of the form
X ? Y where X is the rule antecedent and Y is its consequent and X Y ¼ 0. Support {X}
is a statistical significant measurement and defined by the ratio of the count of the events in
X divided by the total number of the events. The confidence of the rule is defined as the
ratio of support fX [ Yg, which is equal to the percentage of events that occurs in both
X and Y, divided by the support {X}. For the rule X ? Y, the support of antecedent is
called the rule coverage and measures how often it should occur in the database, while the
confidence measures the strength of the rule (Shekhar and Chawla 2003). To assess the
descriptive interest of a rule, Lift is used to measure how far from independence is
X ? Y. The values of Lift range from 0 to ??. X and Y are independent if the Lift’s value
closes to 1, and the rule is not interesting (Azevedo and Jorge 2007).
Monthly SPI at the different timescales and VCI values were converted into discrete
representation in which SPI values were aggregated from seven categories into five
categories. The VCI values were also transformed into five clusters in order to be comparable
and identify drought patterns related to SPI values. The discretization criteria were
based on Sharma (2006) as shown in Table 1.
The sliding window width for both dataset was 1 month. Drought pattern was detected
from the target episodes for extremely dry and dry categories for SPI, and very low and low
for VCI. The minimum support was determined to measure the minimum frequency of
drought episodes in the database. This study searched for drought episodes which occurred
at least 10 % of the time. Association rules were generated using apriori algorithm (Lai
et al. 2006), and the best rules were selected based on the criteria above

ผลลัพธ์ (ไทย) 2:

ข้อมูล NDVI ถูกนำมาจากหลายชั่ว Terra MODIS VIS สินค้า ข้อมูล
ที่ได้รับจากองค์การนาซ่าเครื่องมือของสินค้าคงคลังคลังสินค้าค้นหา (รายการ) (https:. //wist.echo
nasa.gov/api/) ชุดข้อมูลมาจากปี 2001 ถึงปี 2009 ชื่อผลิตภัณฑ์เป็น
VI MOD13Q1 ซึ่งเป็นคอมโพสิต 16 วันที่มีความละเอียด 250 เมตร MODIS VIS
สินค้าจะใช้เวลาสองกระเบื้องเพื่อให้ครอบคลุมภูมิภาค ดังนั้นภาพเทคนิคโมเสคที่ถูกนำมาใช้
ในการสร้างภาพเดียวสำหรับแต่ละคอมโพสิต 16 วัน ภาพดิจิตอล preprocessing
ขั้นตอนเช่นการแก้ไข radiometric และเรขาคณิตถูกนำไปใช้ในการประมวลผลข้อมูลดิบ สำหรับการ
ปรับแก้เชิงรังสี, ภาพ MODIS ได้รับการจดทะเบียนจากแสง Terra / MODIS
เซ็นเซอร์และระบบคลาวด์ปนเปื้อนเป็นปัญหาสำหรับการเก็บข้อมูลในช่วงฤดูฝน.
การแก้ไข radiometric ได้รับการรักษาเพื่อบรรเทาผลกระทบนี้ส่งผลในข้อมูลที่ขาดหายไป
บางวันโดยเฉพาะในฤดูฝน ฤดูกาลจากมิถุนายน-กรกฎาคม คอมโพสิต 16 วันของการ NDVI
ข้อมูลเฉลี่ยรายเดือนเป็นข้อมูลในการคำนวณ VCI รูปแบบของภาพ MODIS จะ
กระจายเป็นรูปแบบลำดับชั้นข้อมูล (HDF) 10 9 10 องศาโค้งกระเบื้องและคาดการณ์
ในการฉายซายน์ การแก้ไขรูปทรงเรขาคณิตที่ถูกนำไปใช้ resample ข้อมูลดิบ
ลงใน UTM WGS84 ตัวเลข.
VCI ได้รับการพัฒนาเพื่อระบุระดับของความอ่อนหัดของพิกเซลของค่า NDVI แต่ละใน
ความสัมพันธ์กับความอ่อนหัดโดยเฉลี่ยอยู่ที่การทำงานล่วงเวลาสถานที่เดียวกัน การคำนวณ VCI จะ
อธิบายไว้ในสมการ (1) ที่ NDVImin และ NDVImax อ้างถึงน้อยที่สุดและ
NDVI สูงสุดของระยะเวลาการศึกษา.
VCI ¼ 100 ðNDVI? NDVIminÞ = ðNDVImax? NDVIminÞð1Þ
การศึกษาครั้งนี้ใช้ผลิตภัณฑ์ MOD13Q1 VI เพราะได้เปรียบในเรื่องความสามารถในการ
ตรวจสอบสภาพพืช (Huete et al. 2002) ผลิตภัณฑ์นี้มีความเหมาะสมสำหรับ
การศึกษาพันธุ์ไม้ในระดับภูมิภาคในภาคตะวันออกเฉียงเหนือของประเทศไทยในแง่ของพื้นที่และเวลา
ที่มีรายละเอียด ค่า VCI รายเดือนสอดคล้องกับเว็บไซต์ตัวอย่างที่คำนวณจาก
ค่าเฉลี่ยของการเลือก 3 9 3 พิกเซล (ความละเอียด 250 เมตรต่อพิกเซล) ของเว็บไซต์ของแต่ละพื้นที่ครอบคลุม
ประมาณ 0.5
กิโลเมตร 2 จากขั้นตอนนี้ VCI รายเดือนในทุกสถานที่ทดสอบจากปี 2001-2009 ได้รับการ
ประมวลผลเพื่อวิเคราะห์ผลกระทบภัยแล้งในพืชที่แตกต่างกันชนิดปกคลุมดิน.
รูป 3 สถานที่ตั้งของสถานีอุตุนิยมวิทยาภาคตะวันออกเฉียงเหนือ
ชัยนาทอันตราย
123
2.4 กฎของสมาคมสำหรับเหตุการณ์ภัยแล้ง
ความสัมพันธ์ระหว่าง SPI และ VCI ถูกระบุตามกฎของสมาคมเพื่อหาสิ่งที่
เกิดขึ้นจากภัยแล้งจากปี 2001 ถึงปี 2009 กฎของสมาคมจะใช้ในการระบุ
ความสัมพันธ์ระหว่างรายการข้อมูล และโดดเด่นด้วยสองพารามิเตอร์: การสนับสนุนและความมั่น
ความมั่นใจ (ธัญญะและ Nagesh Kumar 2009) กฎสมาคมคือรูปแบบของแบบฟอร์ม
X? Y ที่ X เป็นมาก่อนกฎและ Y เป็นผลเนื่องมาจาก X และของ Y ¼ 0. สนับสนุน {X}
เป็นวัดอย่างมีนัยสำคัญทางสถิติและการกำหนดโดยอัตราส่วนของจำนวนเหตุการณ์ในที่
X หารด้วยจำนวนรวมของเหตุการณ์ที่เกิดขึ้น ความเชื่อมั่นของกฎจะถูกกำหนดเป็น
อัตราส่วนของการสนับสนุน fX [Yg ซึ่งเท่ากับร้อยละของเหตุการณ์ที่เกิดขึ้นทั้งใน
และ y หารด้วยการสนับสนุน {X} สำหรับกฎ X? Y, การสนับสนุนของก่อนจะ
เรียกว่ากฎคุ้มครองและมาตรการความถี่ที่จะเกิดขึ้นในฐานข้อมูลในขณะที่
ความเชื่อมั่นในมาตรการความแข็งแรงของกฎ (Shekhar และ Chawla 2003) เพื่อประเมิน
ดอกเบี้ยอธิบายกฎ, ลิฟท์จะใช้ในการวัดว่าห่างไกลจากความเป็นอิสระเป็น
X? วายค่าของช่วงลิฟท์จาก 0 ถึง ?? X และ Y มีความเป็นอิสระถ้าค่าของลิฟท์
ปิด 1, และกฎข้อที่ไม่น่าสนใจ (ช่าและ Jorge 2007).
รายเดือน SPI ในระยะเวลาที่แตกต่างกันและค่า VCI ถูกแปลงเป็นต่อเนื่อง
เป็นตัวแทนในการที่ค่า SPI ถูกรวบรวมจากเจ็ดประเภทเข้า ห้า
ประเภท ค่า VCI ยังถูกเปลี่ยนเป็นห้ากลุ่มเพื่อที่จะได้เปรียบ
และระบุรูปแบบที่เกี่ยวข้องกับภัยแล้งค่า SPI เกณฑ์ต่อเนื่องได้รับ
ขึ้นอยู่กับชาร์ (2006) ดังแสดงในตารางที่ 1
ความกว้างหน้าต่างบานเลื่อนสำหรับชุดข้อมูลที่ทั้งสองเป็น 1 เดือน รูปแบบภัยแล้งได้รับการตรวจพบ
จากตอนที่เป้าหมายสำหรับประเภทแห้งมากและแห้งสำหรับ SPI และต่ำมากและต่ำ
สำหรับ VCI การสนับสนุนขั้นต่ำก็ตัดสินใจที่จะวัดความถี่ต่ำสุดของ
ภัยแล้งตอนในฐานข้อมูล การศึกษาครั้งนี้การสืบค้นสำหรับตอนภัยแล้งที่เกิดขึ้น
อย่างน้อย 10% ของเวลา กฎของสมาคมที่ถูกสร้างขึ้นโดยใช้อัลกอริทึม aPriori (Lai
et al. 2006) และกฎระเบียบที่ดีที่สุดได้รับการคัดเลือกตามเกณฑ์ดังกล่าวข้างต้น

ผลลัพธ์ (ไทย) 3:

ข้อมูลที่ได้จากการเปลี่ยนแปลงด้านพืชพรรณหลายขมับเทอร์ราโมดิส 3 ผลิตภัณฑ์ ข้อมูลที่ได้จากนาซาโกดังสินค้าคงคลังเครื่องมือค้นหา ( รู้ ) ( https://wist.echo .นาซา . gov / API / ) ข้อมูลจากปี 2001 ถึง 2009 ชื่อผลิตภัณฑ์คือmod13q1 VI ซึ่งเป็น 16 วัน ประกอบกับความละเอียด 250 เมตร โมดิสวิสสินค้าจะใช้เวลาสองกระเบื้องเพื่อให้ครอบคลุมภูมิภาค ดังนั้น ภาพที่ใช้เทคนิคโมเสคเพื่อสร้างเป็นภาพเดียวสำหรับแต่ละ 16 วัน คอมโพสิต ส่วนการเตรียมภาพดิจิตอลขั้นตอนเช่นของเรขาคณิตและการประยุกต์กระบวนการข้อมูลดิบ สำหรับการแก้ไขของ , โมดิสภาพลงทะเบียนจากแสง / เทอร์ราโมดิสเซ็นเซอร์และเมฆปนเปื้อนเป็นปัญหาสำหรับการได้มาของข้อมูลในช่วงฤดูฝนการแก้ไขของได้รับการรักษาเพื่อลดผลที่เกิดขึ้นในข้อมูลที่ขาดหายไปสำหรับบางวันโดยเฉพาะในฤดูฝน เริ่มตั้งแต่เดือนมิถุนายน ถึง กรกฎาคม คอมโพสิตของการเปลี่ยนแปลงด้านพืชพรรณ 16 วันข้อมูลเฉลี่ยเป็นข้อมูลรายเดือน คำนวณและ . รูปแบบของภาพโมดิสกระจายเป็นชุดรูปแบบข้อมูล ( HDF ) กับ 10 9 / 10 อาร์กระเบื้องและฉายในการประมาณการกระแส . การแก้ไขรูปทรงเรขาคณิตที่ใช้ resample ข้อมูลดิบเป็น UTM Datum WGS84 .โครงการนี้ได้รับการพัฒนาเพื่อระบุระดับของการเปลี่ยนแปลงด้านพืชพรรณสีเขียวค่าในแต่ละพิกเซลความสัมพันธ์กับความอ่อนหัดเฉลี่ยที่ทำงานที่เดียวกัน การคำนวณของโครงการนี้คืออธิบายไว้ในอีคิว ( 1 ) , และที่ ndvimin ndvimax อ้างถึงและต่ำสุดสัมบูรณ์การเปลี่ยนแปลงด้านพืชพรรณสูงสุดของระยะเวลาการศึกษาและ¼ 100 ðเปลี่ยนแปลงด้านพืชพรรณ ndvimin Þ = ð ndvimax ndvimin Þð 1 Þการศึกษานี้ได้ใช้ mod13q1 6 ผลิตภัณฑ์ เนื่องจากข้อได้เปรียบในความสามารถตรวจสอบสภาพพืช ( huete et al . 2002 ) ผลิตภัณฑ์นี้เป็นที่เหมาะสมสำหรับพืชที่ศึกษาในระดับภูมิภาคในภาคตะวันออกเฉียงเหนือของประเทศไทย ในแง่ของพื้นที่และเวลาความละเอียด รายเดือนและค่าที่คำนวณได้จากตัวอย่างเว็บไซต์คือเลือก 3 9 3 พิกเซล ( ความละเอียด 250 เมตรต่อพิกเซล ) ของแต่ละเว็บไซต์ที่ครอบคลุมพื้นที่ประมาณ 0.5 ตารางกิโลเมตร. จากขั้นตอนนี้ รายเดือนและที่เว็บไซต์ทดสอบทั้งหมดจากปี 2001 ถึง 2009 คือประมวลผลเพื่อวิเคราะห์ภัยแล้งส่งผลกระทบต่อพืชที่แตกต่างกันสิ่งปกคลุมดินประเภทรูปที่ 3 ที่ตั้งสถานีอุตุนิยมวิทยาในภาคตะวันออกเฉียงเหนือที่อันตราย1232.4 กฎสมาคมเหตุการณ์ความแห้งแล้งความสัมพันธ์ระหว่าง SPI และ VCI ระบุกฎสมาคม เพื่อหาการเกิดภัยแล้ง จากปี 2552 ใช้เพื่อระบุกฎสมาคมความสัมพันธ์ระหว่างรายการข้อมูลและลักษณะสองพารามิเตอร์ : สนับสนุนและโดยสาร -dence ( นาง nagesh Kumar และ 2009 ) กฎของสมาคมเป็นรูปแบบของแบบฟอร์มX ? y เมื่อ x คือกฎมาก่อนและ Y เป็นจากและ X Y ¼ 0 สนับสนุน { x }เป็นทางสถิติการวัดและกำหนดอัตราส่วนของจำนวนของเหตุการณ์ในX หารด้วยจำนวนรวมของเหตุการณ์ ความเชื่อมั่นของกฎ หมายถึงอัตราส่วนการสนับสนุน FX [ YG ซึ่งเท่ากับร้อยละของเหตุการณ์ที่เกิดขึ้น ทั้งในX และ Y แบ่งโดยสนับสนุน { x } สำหรับกฎ X ? Y , การสนับสนุนของมาก่อนคือเรียกว่ากฎคุ้มครองและมาตรการบ่อยก็ควรเกิดขึ้นในฐานข้อมูล ในขณะที่วัดความแรงของกฎ ( เชคความเชื่อมั่น และชวาลา 2003 ) เพื่อประเมินสนใจอธิบายกฎยกใช้วัดว่าไกลจากความเป็นอิสระเป็นX ? วาย ช่วงยกค่าจาก 0 ถึง ? ? x และ y เป็นอิสระ ถ้าค่าของลิฟท์ปิดที่ 1 , และกฎคือไม่น่าสนใจ ( ซเวโด้และ Jorge 2007 )รายเดือน SPI ที่ timescales แตกต่างกันและและค่าแปลงเป็นแบบไม่ต่อเนื่องการแสดงที่ SPI ค่ารวมเป็นห้าจากเจ็ดประเภทหมวดหมู่ ส่วนค่า VCI ก็เปลี่ยนเป็น 5 กลุ่ม เพื่อเปรียบและระบุภัยแล้งรูปแบบที่เกี่ยวข้องกับ SPI ค่า ส่วนค่าเกณฑ์คือโดย Sharma ( 2549 ) ดังแสดงในตารางที่ 1บานเลื่อนหน้าต่างกว้างทั้งชุดข้อมูล คือ 1 เดือน ตรวจพบรูปแบบแล้งจากเป้าหมายเอพสำหรับแห้งมาก และบริการประเภท SPI และมากน้อยสำหรับโครงการนี้ . สนับสนุนขั้นต่ำที่กำหนดความถี่ของการวัดต่ำสุดภัยแล้งเอพในฐานข้อมูล การค้นหาตอนแล้งที่เกิดขึ้นอย่างน้อย 10% ของเวลา กฎของสมาคมขึ้นโดยใช้อัลกอริทึมแบบ ( ลายet al . 2549 ) และกฎที่ดีที่สุดคือเลือกตามหลักเกณฑ์ข้างต้น