Millist taimestikuindeksit on täppispõllumajanduses parem kasutada?

Tavaliselt kasutatakse mitmeid taimkatte indekseid, sealhulgas normaliseeritud diferentsiaalse taimkatte indeksit (NDVI), laia dünaamilise ulatusega taimkatte indeksit (WDRVI) ja rohelise klorofülli indeksit (GCI).

• Milline taimestikuindeks kajastab rohkem detaile?
• Milline taimestikuindeks näitab varieeruvust paremini?
• Kas NDVI on multispektraalse taimestiku indeksi perekonnas parim?

Küsimused on teada ja kerkivad väga sageli. Uurime asja.

Mis on taimestikuindeks?

Taimestikuindeks on numbriline mõõt, mis kvantifitseerib taimestiku hulka ja seisukorda konkreetsel alal kaugseireandmete põhjal.

Taimestiku indeksid arvutatakse satelliidipiltidelt või aerofotograafialt saadud erinevate spektraalribade kombineerimise teel, mis kajastavad taimede poolt elektromagnetilise spektri nähtava ja lähiinfrapuna piirkonnas neeldunud ja peegeldatud energia hulka.

Need indeksid annavad teavet taimestiku tervise, tiheduse ja produktiivsuse kohta, mis on kasulik paljudes rakendustes, sealhulgas põllumajanduses, metsanduses, maakorralduses ja kliimaseires.

Mis on normaliseeritud taimestiku erinevusindeks?NDVI)?

NDVI (normaliseeritud taimestiku erinevuse indeks) on kõige kuulsam ja laialdasemalt kasutatav biomassi ja kaugseirega seotud tööstusharudes.

NDVI küllastumine mõjutab taimestiku täpset eristamist biomassi tipphetkedel. Teine NDVI-ga seotud probleem on mulla müra mõju põllukultuuride arengu algstaadiumidele.

See arvutatakse satelliidi või õhu kaugseireandmete põhjal, mis põhinevad kahe spektraalriba – lähiinfrapuna (NIR) ja punase riba – peegeldusvõime erinevusel.

NDVI valem on NDVI = (NIR-punane) / (NIR+punane).

Kus NIR on peegeldusvõime lähi-infrapunakiirguse piirkonnas ja Red on peegeldusvõime punases piirkonnas.

Saadud NDVI väärtus jääb vahemikku -1 kuni +1, kusjuures suuremad väärtused näitavad suuremat taimestiku tihedust. Null väärtus näitab taimestiku puudumist, negatiivsed väärtused aga veekogusid või muid taimestikuta pindu.

+1-le lähedased NDVI väärtused näitavad tihedat ja tervet taimestikku, nullile lähedasemad väärtused aga hõredat taimestikku või olulise stressi või kahjustusega alasid.

Seda kasutatakse laialdaselt põllumajanduslikes ja ökoloogilistes rakendustes taimestiku kasvu jälgimiseks, saagikuse hindamiseks ning metsade ja teiste ökosüsteemide tervise ja produktiivsuse hindamiseks.

Seda saab kasutada ka põua, mullaerosiooni ja muude taimkatet mõjutavate keskkonnategurite tuvastamiseks ja jälgimiseks.

Näiteks arvutatakse see nii, et lahutatakse lähiinfrapunakiirguse (NIR) peegeldus punases vahemikus olevast peegeldusvõimest ja jagatakse tulemus kahe summaga. Saadud väärtus jääb vahemikku -1 kuni +1, kusjuures suuremad väärtused näitavad suuremat taimestiku taset.

Lisaks sellele idee WDRVI (laia dünaamilise ulatusega taimestiku indeks) loodi NDVI küllastusprobleemide lahendamiseks. See saavutati võimalike WDRVI väärtuste vahemiku laiendamisega matemaatilise koefitsiendi (α) kasutuselevõtu abil.

NDVI (normaliseeritud diferentsiaalse vegetatsiooniindeksi) valem teisendati kujule WDRVI = (α∗NIR-punane) / (α∗NIR+punane).

WDRVI põhjal ehitatud tsoonid on NDVI tsoonidega võrreldes paremad. Sellegipoolest pole need liiga suure biomassi tõttu ideaalsed. 

GCI (rohelise klorofülli indeks) kasutatakse taimede lehtede klorofülli sisalduse hindamiseks lähiinfrapuna- ja roheliste ribade põhjal. Üldiselt peegeldab klorofülli väärtus otseselt taimestikku.

GCI valem näeb välja selline: GCI = NIR / Green – 1.

GCI põhjal loodud tsoonid eristavad kõrge biomassiga kohti paremini võrreldes NDVI ja WDRVI-ga. Detailid aitavad põldu täpsemalt ja tõhusamalt hallata.

RCI (punase klorofülli indeks) hõlmab sama klorofülli sisalduse teadmisbaasi kui GCI ja peegeldab seda punase multispektraalse riba kaudu.

RCI valem näeb välja selline: RCI = NIR / Red – 1.

RCI-l põhinevad tsoonid on sama täpsed kui GCI-tsoonid.

Jälgige oma põlde ja kasutage õiget taimkatteindeksit õigel hetkel hooaja jooksul. GeoPardis on praegu saadaval suur valik taimkatteindekseid.