×
玛格丽特·约翰逊;Caragea，Petruţa C。;温迪·梅林;杰加纳坦，C。;彼得·阿特金森（Peter M.Atkinson）。

从遥感数据估计物候事件的贝叶斯动态线性模型。 （英语） Zbl 1426.62350号

《农业杂志》。生物与环境。斯达。 24，第1号，1-25（2019）.
摘要：从遥感数据的时间序列中估计表征植被生长周期的事件发生的时间，对于广泛的应用领域来说是可取的。例如，植物生命周期事件的时间对天气条件非常敏感，通常用于评估天气和气候变化的影响。同样，了解作物物候对农业战略也有很大影响。为了利用遥感数据研究物候，必须从可能有许多缺失值的噪声时间序列中估计年度物候事件的时间。许多当前最先进的方法包括平滑时间序列和估计事件，作为平滑曲线的特征。其中许多方法的一个缺点是，它们不容易处理缺失值，并且需要插补作为预处理步骤。此外，虽然一些当前使用的方法可以扩展以允许时间不确定性量化，但不确定性区间通常不提供物候事件估计。我们提出了利用贝叶斯动态线性模型从具有不确定性区间的遥感数据中估计关键酚类事件发生时间的方法。我们说明了2003年至2007年印度南部地区每周植被指数数据的方法，重点是估算季节开始的时间和绿色度峰值。此外，我们提出了利用贝叶斯公式和模型的MCMC模拟来估计给定年份中出现多个生长季的概率的方法。

MSC公司：

62页第12页 统计在环境和相关主题中的应用
2015年1月62日 贝叶斯推断
62米10 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测

关键词：

陆面物候;时间序列;不确定性量化

软件：

化学需氧量;卢比;对;TIMESAT公司;spBayes公司
PDF格式BibTeX公司 XML格式引用
\textit{M.Johnson}等人，J.Agric。生物与环境。Stat.24，No.1，1-25（2019；Zbl 1426.62350）
全文： 内政部 链接

参考文献：

[1] Agrawal，S.、Joshi，P.K.、Shukla，Y.和Roy，P.S.（2003年），“SPOT植被多时相数据用于对中亚南部植被进行分类”，《当代科学》，84（11），1440-1448。
[2] Atkinson，P.M.、Jeganathan，C.、Dash，J.和Atzberger，C.（2012），“平滑卫星传感器时间序列数据以估计植被物候的四种模型的相互比较”，环境遥感，123，400-417·doi:10.1016/j.rse.2012.04.001
[3] Banerjee，S.、Carlin，B.P.和Gelfand，A.E.（2014），《空间数据的层次建模与分析》，第2版，佛罗里达州博卡拉顿：Chapman和Hall/CRC·Zbl 1358.62009号
[4] Carter，C.K.和Kohn，R.（1994），“状态空间模型的吉布斯采样”，《生物特征识别》，81（3），541-553·Zbl 0809.62087号 ·doi:10.1093/biomet/81.3.541
[5] Cressie，N.和Wikle，C.（2011），《时空数据统计》，霍博肯，N.J：威利·Zbl 1273.62017年
[6] Dash，J.和Curran，P.J.（2004），“MTCI:MERIS陆地叶绿素指数”，《国际遥感杂志》，25（23），5403-5413·doi:10.1080/0143116042000274015
[7] Dash，J.和Curran，P.J.（2007年），“MERIS陆地叶绿素指数的评估”，《空间研究进展》，39（1），100-104·doi:10.1016/j.asr.2006.02.034
[8] Dash，J.、Jeganathan，C.和Atkinson，P.M.（2010），“利用MERIS陆地叶绿素指数研究印度植被物候的时空变化”，环境遥感，1141388-1402·doi:10.1016/j.rse.2010.01.021
[9] De Beurs，K.M.和Henebry，G.M.（2010），《地表物候建模的时空统计方法》，摘自《物候研究：环境和气候变化分析方法》，编辑M.R.Keatley和I.L.Hudson，纽约：Springer，第9章，第177-208页。
[10] Duncan，J.、Dash，J.和Atkinson，P.（2015），“卫星观测作物物候学增强小农景观产量差距评估的潜力”，环境科学前沿，3（56）。
[11] Eddelbuettel，D.和François，R.（2011），“Rcpp:无缝R和C++集成”，《统计软件杂志》，40（8），1-18·doi:10.18637/jss.v040.2008
[12] Frühwirth-Schnatter，S.（1994），“数据增强和动态线性模型”，时间序列分析杂志，15（2），183-202·兹伯利0815.62065 ·doi:10.1111/j.1467-9892.1994.tb00184.x
[13] Gamerman，D.（2010），“包括空间时间序列的动态空间模型”，《空间统计手册》，佛罗里达州博卡拉顿：CRC出版社，第437-448页。
[14] Geerken，R.A.（2009），“植被物候及其年际变化的分类和监测季节变化的算法”，ISPRS摄影测量与遥感杂志，64，422-431·doi:10.1016/j.isprsjprs.2009.03.001
[15] Geerken，R.、Zaitchik，B.和Evans，J.P.（2005），“使用傅里叶滤波循环相似性从NDVI时间序列中分类牧场植被类型和覆盖”，《国际遥感杂志》，26（24），5535-5554·doi:10.1080/0143116500300297
[16] Gelfand，A.E.和Banerjee，S.（2017），“地质统计数据的贝叶斯建模和分析”，《统计及其应用年鉴》，4（1），245-266·doi:10.1146/annurev-statistics-060116-054155
[17] Gelman，A.（2006），“层次模型中方差参数的先验分布”，贝叶斯分析，1（3），515-533·Zbl 1331.62139号 ·doi:10.1214/06-BA117A
[18] Hanes，J.M.、Liang，L.和Morisette，J.T.（2014），《卫星遥感的生物物理应用》中的“地表物候学”，J.M。Hanes编辑，《斯普林格遥感/摄影测量学》，斯普林格-柏林-海德堡出版社，第99-125页。
[19] Jeganathan，C.、Dash，J.和Atkinson，P.M.（2010a），“利用多时相MERIS叶绿素数据描述印度热带植被的酚学空间模式”，景观生态学，2511255-1141·doi:10.1007/s10980-010-9490-1
[20] Jeganathan，C.、Dash，J.和Atkinson，P.M.（2010b），“利用遥感衍生叶绿素指数绘制印度自然植被物候图”，《国际遥感杂志》，31（22），5777-5796·doi:10.1080/0143116.2010.512303
[21] Jönsson，P.和Eklundh，L.（2004），“TIMESAT——分析卫星传感器数据时间序列的程序”，计算机与地球科学，30833-845·doi:10.1016/j.cageo.2004.05.006
[22] Kalman，R.E.（1960），“线性滤波和预测问题的新方法”，《ASME-基础工程杂志汇刊》，82（D系列），35-45·数字对象标识代码：10.1115/1.3662552
[23] Kandasamy，S.和Fernandes，R.（2015），“评估间隙和测量误差对卫星地表物候算法影响的方法：应用于加拿大20年NOAA AVHRR数据”，环境遥感，164114-129·doi:10.1016/j.rse.2015.04.014
[24] O'Connor，B.、Dwyer，E.、Cawkwell，F.和Eklundh，L.（2012），“使用MERIS全球植被指数，爱尔兰岛植被季节开始的时空格局”，ISPRS摄影测量与遥感杂志，68，79-94·doi:10.1016/j.isprsjprs.2012.01.004
[25] Petris，G.、Petrone，S.和Campagnoli，P.（2009年），带R的动态线性模型，使用R！，：纽约施普林格·兹比尔1176.62088
[26] Plummer，M.、Best，N.、Cowles，K.和Vines，K.（2006），“CODA：MCMC的收敛诊断和输出分析”，R News，6（1），7-11。
[27] Prasad，S.N.和Hegde，M.（1986），“南印度班迪普尔热带落叶林的物候和季节性”，《植物科学学报》，96（2），121-133。
[28] R核心团队（2015），R：统计计算的语言和环境，R统计计算基金会，奥地利维也纳。
[29] Sakamoto，T.、Yokozawa，M.、Toritani，H.、Shibayama，M.，Ishitsuka，N.和Ohno，H.（2005），“利用时间序列MODIS数据的作物物候检测方法”，环境遥感，96（3-4），366-374·doi:10.1016/j.rse.2005.03.008
[30] Schmidt，A.M.、Guttorp，P.和O'Hagan，A.（2011），“考虑空间过程协方差结构中的协变量”，《环境计量学》，22（4），487-500·doi:10.1002/env.1101
[31] Spiegelhalter，D.J.、Best，N.G.、Carlin，B.P.和Van Der Linde，A.（2002），“模型复杂性和拟合的贝叶斯度量”，《皇家统计学会杂志：B辑（统计方法）》，64（4），583-639·Zbl 1067.62010年 ·数字对象标识代码：10.1111/1467-9868.00353
[32] Tan，B.，Morisette，J.T.，Wolfe，R.E.，Gao，F.，Ederer，G.A.，Nightingale，J.，and Pedelty，J.A.（2011），“利用MODIS数据估算植被物候指标的增强TIMESAT算法”，IEEE应用地球观测和遥感选题期刊，4（2），361-371·doi:10.1109/JSTARS.2010.2075916
[33] Vrieling，A.、de Beurs，K.M.和Brown，M.E.（2011），“从NDVI时间序列的物候分析看非洲农业系统的可变性”，《气候变化》，109（3），455-477·doi:10.1007/s10584-011-0049-1
[34] Vrieling，A.、De Leeuw，J.和Said，M.Y.（2013），“非洲生长期的长度：NDVI时间序列30年的变化和趋势”，遥感，5（2），982-1000·doi:10.3390/rs5020982
[35] West，M.和Harrison，J.（1999），贝叶斯预测和动态模型，统计学中的斯普林格系列，纽约斯普林格出版社·Zbl 0697.62029号
[36] Zhang，X.，Friedl，M.A.，Schaaf，C.B.，Strahler，A.H.，Hodges，J.C.，Gao，F.，Reed，B.C.和Huete，A.（2003），“利用MODIS监测植被物候”，环境遥感，84，471-475·doi:10.1016/S0034-4257（02）00135-9
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。