股票這個價位要不要買論文書籍站
國立中央大學 國際永續發展碩士在職專班 姜壽浩博士所指導 陳明月的 應用Sentinel-1 SAR影像進行水稻監測-以泰國中部大城府省為例 （2016），提出Wsm stock關鍵因素是什麼，來自於水稻監測、泰國、合成孔徑雷達、Sentinel-1、NDSI。
而第二篇論文國立中央大學 資訊管理學系 陳彥良所指導 張庭豪的 以摘要技術處理傳統多目標決策問題 （2013），提出因為有 K-means分群演算法、決策問題、多目標決策、基因演算法的重點而找出了 Wsm stock的解答。
應用Sentinel-1 SAR影像進行水稻監測-以泰國中部大城府省為例
為了解決Wsm stock 的問題，作者陳明月 這樣論述：
對泰國而言，水稻是一個穩定且重要的出口經濟作物，泰國也是最重要水稻出口國之一。隨著人口的增加及氣候變遷，水稻監測在許多國家已經變成一個重要的議題。在泰國，水稻監測是非常重要且必需的，因為水稻是國家最重要的經濟及糧食作物，全國約有百分之六十的農夫的主要種植作物為水稻。對於大面積的水稻種植地區而言，以人力調查進行水稻監測為一耗時且成本高的調查方式，近年來，使用遙測技術進行水稻監測則可以較低的成本、較高的效率取得相當精確地監測成果。大城府省(Ayutthaya)省位於泰國中部，是泰國重要的水稻生產省分。依據水稻生長物候，泰國中部的水稻生長有兩期(溼季與乾季)，水稻在溼季生長時是多雲且多雨的，不利於
使用光學衛星進行監測任務；近年來，合成孔徑雷達衛星在水稻判識亦扮演重要的角色，由於合成孔徑雷達衛星以主動式微波訊號進行地面觀測，微波訊號可以穿透雲層，在多雲覆蓋的天候仍有極佳的監測能力，過去研究亦指出合成孔徑雷達適合對於在雲雨天氣下種植的水稻進行監測。本研究針對泰國中部大城府省地區，利用2015年(5月-11月)溼季及2016年(5月-11月)乾季的Sentinel-1 VH極化影像，監測並繪製該省的水稻種植範圍。本研究主要分為以下四個步驟：第一步，將原始影像進行前處理，包括輻射校正、幾何校正及雜訊濾除；第二步，配合水稻物候，並考慮研究區內耕地種作、收成時間的差異性，利用多時序合成孔徑雷達影像
計算動態NDSI(Normalized Difference Sigma Naught Index)；第三步驟，以expectation–maximization (EM)演算法訂定閾值進行水稻分類；第四步，利用地真資料進行判釋成果的精度評估。研究成果顯示溼季水稻分類結果的總體精度與Kappa係數分別為80.1%與0.60；乾季水稻分類結果的總體精度為83.3%，Kappa係數為0.67。研究結果顯示Sentinel-1 VH極化影像對於泰國中部水稻的判識有相當好的成果，而本研究提出之水稻判釋方法具有相當好的應用潛力。
以摘要技術處理傳統多目標決策問題
為了解決Wsm stock 的問題，作者張庭豪 這樣論述：
在日常生活當中總是遇到許多決策問題，目前已有許多解決決策問題的方法，例如：作業研究、統計分析、數學方法、統計分析等等，其中最重要的方法之一為多目標決策，傳統的多目標決策包含：輸入、輸出、解決方法，其輸入可能包含多個方案，每一個方案的多個屬性都有一個值，代表有利程度，而問題的輸出往往是要決定每個屬性的重要性，然後透過決策模式，決定最後的單一最佳解或是所有方案的排序，本研究不以產生最佳解與方案排序為目標，而是希望能提出一個摘要化的方法，把各方案的各目標以一個摘要表格表示，此一表格可更進一步轉換成一個雷達圖，用以呈現方案對於各屬性值的分布狀況，我們的整個問題可以定義為當把整個資訊摘要化之後，和原來
完整資訊的差異程度大小（資訊遺失程度），而所謂資訊遺失程度＝所有m*n的值和其摘要化取代值的距離之總和，假設使用者指定要把原來m*n的表格摘要為s*t的表格，則我們的目標是要尋找一個s*t的表格，且它的資訊遺失程度最小，這個問題是一個NP hard問題，因此可以用Genetic Algorithms來決定該如何來群集目標及方案。