Normalisierter Differenz-Feuchte-Index

Die Anzahl der Vegetationsindizes, die von GeoPard unterstützt werden kontinuierlich wächst. Das GeoPard-Team stellt den Normalized Difference Moisture Index (NDMI) vor. Der Index bestimmt den Wassergehalt der Vegetation und den Normalized Difference Water Index (NDWI). Er ist nützlich, um Stellen mit bestehendem Wasserstress bei Pflanzen.

Niedrigere NDMI-Werte kennzeichnen Stellen, an denen die Pflanzen unter Wassermangel leiden.
Auf der anderen Seite heben niedrigere normalisierte Differenzwasserindex-Werte nach dem Vegetationspeak die Stellen hervor, die sich erntereif Erstens.

Der Unterschied im relativen Wassergehalt der Vegetation zwischen zwei Satellitenbildern (in diesem Fall die Sentinel-2-Konstellation)

In den folgenden Screenshots können Sie die NDMI-Zonen finden, die basierend auf Satellitenbildern vom 19. Juni (Vegetationshöhepunkt) und 6. Juli erstellt wurden, sowie die Gleichungskarte, die die NDMI-Differenz darstellt.

NDMI berechnet auf Planet / Sentinel-2 / Landsat-Bild

Was ist der Feuchtigkeitsindex?

Es ist ein Maß oder eine Berechnung, die verwendet wird, um den Feuchtigkeitsgehalt oder die Verfügbarkeit in einem bestimmten Gebiet oder einer bestimmten Region zu bewerten. Es wird typischerweise aus verschiedenen Umweltfaktoren wie Niederschlag, Evapotranspiration, Bodeneigenschaften und Vegetationsbedeckung abgeleitet.

Es liefert eine relative Angabe über die Feuchtigkeit oder Trockenheit eines Gebiets und hilft so, potenziellen Wasserstress oder Dürrebedingungen zu erkennen.

Es ist ein wertvolles Werkzeug zur Überwachung und Bewirtschaftung von Wasserressourcen, zur landwirtschaftlichen Planung und zum Verständnis der ökologischen Bedingungen einer bestimmten Region.

Was ist der Normalized Difference Moisture Index?

Der Normalized Difference Moisture Index (NDMI) ist ein Vegetationsindex, der aus Fernerkundungsdaten abgeleitet wird, um den Feuchtigkeitsgehalt von Vegetation zu bewerten und zu überwachen. Wie andere Vegetationsindizes wird er aus spektralen Reflektionswerten von Satelliten- oder Luftbildern berechnet.

Es ist besonders nützlich bei der Überwachung von Wasserstress bei Pflanzen, der Beurteilung von Dürrebedingungen, der Einschätzung von Brandrisiken und der Untersuchung der Auswirkungen des Klimawandels auf die Vegetation.

Sie wird mithilfe der Nah-Infrarot- (NIR) und Kurzwellen-Infrarot-Bänder (SWIR) berechnet, die empfindlich auf den Feuchtigkeitsgehalt in der Vegetation reagieren. Die Formel für NDMI lautet:

NDMI = (NIR – SWIR) / (NIR + SWIR)

NDWI-Werte liegen typischerweise im Bereich von -1 bis 1, wobei höhere Werte auf einen höheren Vegetationsfeuchtegehalt und niedrigere Werte auf einen geringeren Feuchtegehalt oder Wasserstress in der Vegetation hinweisen. Negative NDMI-Werte können mit nicht bewachsenen Flächen oder Flächen mit sehr geringem Feuchtegehalt in Verbindung gebracht werden.

Was ist NDWI?

Der NDWI, oder Normalisierter Differenz-Wasserindex, ist ein Fernerkundungsindex, der zur Quantifizierung und Bewertung des Wassergehalts oder wasserbezogener Merkmale in Vegetation oder Landschaften verwendet wird.

Es wird berechnet, indem die Reflexion von nahinfraroten und grünen Lichtbändern aus Satelliten- oder Luftbildaufnahmen analysiert wird. Dies ist besonders nützlich für die Identifizierung von Gewässern, die Überwachung von Veränderungen der Wasserverfügbarkeit und die Beurteilung der Vegetationsgesundheit.

Durch den Vergleich der Absorption und Reflexion verschiedener Wellenlängen liefert er wertvolle Informationen für Anwendungen wie die Dürreüberwachung, die hydrologische Analyse und das Ökosystemmanagement.

Visualisierung des NDMI zur Bestimmung des Normalized Difference Water Index

Die Visualisierung des NDMI umfasst die Verarbeitung von Satelliten- oder Luftbildern, die Berechnung der NDMI-Werte und die anschließende Darstellung der Ergebnisse als farbkodierte Karte oder Bild. Hier sind die allgemeinen Schritte zur Visualisierung des NDMI:

• Satelliten- oder Luftbilder erwerben: Erhalten Sie multispektrale Bilder von einer Satelliten- oder Luftplattform, wie z. B. Landsat, Sentinel oder MODIS. Stellen Sie sicher, dass die Bilder die erforderlichen Bänder enthalten: Nahinfrarot (NIR) und Kurzwelleninfrarot (SWIR).
• Vorverarbeitung der Bilder: Abhängig von der Datenquelle müssen Sie die Bilder möglicherweise vorverarbeiten, um atmosphärische, geometrische und radiometrische Verzerrungen zu korrigieren. Wandeln Sie die digitalen Zahlen (DN) im Bild in spektrale Reflektionswerte um.
• Berechne NDMI: Berechne für jedes Pixel im Bild unter Verwendung der NIR- und SWIR-Reflexionswerte den NDMI nach der Formel: NDMI = (NIR – SWIR) / (NIR + SWIR).
• Farbzuordnung: Weisen Sie den NDMI-Werten eine Farbpalette zu. Typischerweise wird eine kontinuierliche Farbskala verwendet, die von einer Farbe (z. B. Rot) für niedrige NDMI-Werte (was auf einen geringen Feuchtigkeitsgehalt hinweist) bis zu einer anderen Farbe (z. B. Grün) für hohe NDMI-Werte (was auf einen hohen Feuchtigkeitsgehalt hinweist) reicht. Sie können Software wie QGIS, ArcGIS oder Programmierbibliotheken wie Pythons Rasterio und Matplotlib verwenden, um eine Farbmatrix zu erstellen.
• NDMI-Karte visualisieren Zeigen Sie die NDMI-Karte oder das Bild mit einer GIS-Software, einer Programmierbibliothek oder einer Online-Plattform an. Dies ermöglicht die Analyse der räumlichen Verteilung des Feuchtigkeitsgehalts der Vegetation und die Identifizierung von Gebieten mit Wasserstress oder hoher Feuchtigkeit.
• Interpretation und Analyse: Nutzen Sie die NDWI-Visualisierung zur Beurteilung der Vegetationsgesundheit, zur Überwachung von Dürrebedingungen oder zur Bewertung des Brandrisikos. Sie können auch normalisierte Differenz-Wasserindex-Karten aus verschiedenen Zeiträumen vergleichen, um Veränderungen des Feuchtigkeitsgehalts der Vegetation im Laufe der Zeit zu analysieren.

Denken Sie daran, dass verschiedene Softwaretools oder Programmierbibliotheken leicht unterschiedliche Arbeitsabläufe haben können, aber der Gesamtprozess wird ähnlich sein. Darüber hinaus können Sie andere Datenebenen überlagern, wie z. B. Landnutzung, Höhenlage oder Verwaltungsgrenzen, um Ihre Analyse zu verbessern und die Beziehungen zwischen dem Feuchtigkeitsgehalt der Vegetation und anderen Faktoren besser zu verstehen.