Kasvillisuusindeksit ja lehtivihreäpitoisuus

GeoPard laajentaa tuettujen lehtivihreäpitoisuuteen sidottujen kasvillisuusindeksien perhettä

  • Latvuston lehtivihreäpitoisuusindeksi (CCCI)
  • Muokattu lehtivihreän absorptiosuhdeindeksi (MCARI)
  • Muunnettu klorofyllin absorptio heijastusindeksissä (TCARI)
  • MCARI/OSAVI-suhde
  • TCARI/OSAVI-suhde

Ne auttavat ymmärtämään satokauden ajankohtaista kehitysvaihetta, mukaan lukien

  • ravinnetarpeen alueiden tunnistaminen,
  • typ ääntymisen arviointi,
  • potentiaalinen tuottoarvio,

Ja oivalluksia käytetään tarkkojen typpilannoituksen muuttuvien levityskarttojen luomiseen.


Lue lisääMikä indeksi on paras käyttää precisionsAg:ssä

Lue lisää: GeoPard-kasvillisuusindeksit


Kasvillisuusindeksit ja lehtivihreäpitoisuusKatoksen lehtivihreäpitoisuusindeksi (CCCI) vs. Modifioitu lehtivihreän absorptiosuhdeindeksi (MCARI) vs. Muunnettu lehtivihreän absorptio heijastuksessa -indeksi (TCARI) vs. MCARI/OSAVI-suhde

Mikä on kasvillisuusindeksi?

Kasvillisuusindeksit ovat numeerisia arvoja, jotka johdetaan kaukokartoitusdata­sta, kuten satelliitti- tai ilmakuvista, kasvillisuuden tiheyden, kunnon ja jakautumisen määrittämiseksi maanpinnalla.

Niitä käytetään yleisesti kaukokartoituksessa, maataloudessa, ympäristön seurannassa ja maankäytön hallinnassa kasvillisuuden kasvun, tuottavuuden ja terveyden arviointiin ja seurantaan.

Nämä indeksit lasketaan eri aallonpituuksien valon heijastusarvoilla, erityisesti punaisella, lähi-infrapuna-alueella (NIR) ja joskus muilla kaistoilla.

Kasvillisuuden heijastusominaisuudet vaihtelevat eri valon aallonpituuksilla, mikä mahdollistaa kasvillisuuden erottamisen muista maankatteista.

Kasvillisuus imee tyypillisesti voimakkaasti punaista valoa ja heijastaa voimakkaasti lähi-infrapunaista valoa klorofyllin ja solurakenteen ominaisuuksien vuoksi.

Muutamia yleisesti käytettyjä kasvillisuusindeksejä ovat:

  • Normalisoitu kasvillisuusindeksi (NDVI)Se on suosituin ja laajimmin käytetty kasvustovektori, joka lasketaan seuraavasti: (NIR – Red) / (NIR + Red). NDVI-arvot vaihtelevat -1:stä 1:een, ja korkeammat arvot osoittavat terveempää ja tiheämpää kasvustoa.
  • Parannettu kasvillisuusindeksiTämä indeksi parantaa NDVI:tä vähentämällä ilmakehän ja maan aiheuttamia häiriöitä sekä korjaamalla latvuspeitteen taustasignaalit. Se käyttää lisäkaistoja, kuten sinistä, ja sisältää kertoimia näiden vaikutusten minimoimiseksi.
  • Maaperäkorjattu kasvillisuusindeksi (SAVI) SAVI on suunniteltu minimoimaan maaperän kirkkauden vaikutus kasvillisuusindeksiin. Se ottaa käyttöön maaperän kirkkauden korjaustekijän, mikä mahdollistaa tarkemmat kasvillisuusarvioinnit alueilla, joilla kasvillisuuden peittävyys on vähäinen tai alhainen.
  • Vihreä-punainen kasvillisuusindeksi (GRVI)GRVI on toinen yksinkertainen suhdelukuindeksi, joka käyttää vihreää ja punaista kaistaa kasvillisuuden terveydentilan arvioimiseen. Se lasketaan kaavalla (Vihreä – Punainen) / (Vihreä + Punainen).

Näitä indikaattoreita, muiden muassa, tutkijat, maa-alueiden hoitajat ja päättäjät käyttävät tehdäkseen tietoon perustuvia päätöksiä maankäytöstä, maataloudesta, metsätaloudesta, luonnonvarojen hallinnasta ja ympäristön seurannasta.

Normalisoitu kosteusindeksin ero

Määrä GeoPardin tukemat kasvillisuusindeksit kasvaa jatkuvasti. GeoPard-tiimi esittelee normalisoidun kosteusindeksin (NDMI). Indeksi määrittää kasvillisuuden vesipitoisuuden ja normalisoidun kosteusindeksin (NDWI). Se on hyödyllinen löydettäessä kohtia, joilla on olemassa olevia kasvien vesistressi.

Alemmat NDMI-arvot osoittavat kohdat, joissa kasvit ovat stressaantuneita riittämättömän kosteuden vuoksi.
Toisaalta kasvillisuuden huippua seuraavat alhaisemmat normalisoidut erotusvesi-indeksin arvot korostavat kohtia, jotka muuttuvat valmis sadonkorjuuseen ensimmäinen.

Kasvillisuuden suhteellisen vesipitoisuuden ero kahden satelliittikuvan välillä (tässä tapauksessa Sentinel-2-tähdistö)

Kasvillisuuden suhteellisen vesipitoisuuden ero kahden satelliittikuvan välillä (tässä tapauksessa Sentinel-2-tähdistö)

Seuraavista kuvakaappauksista löydät 19. kesäkuuta (kasvillisuuden huippu) ja 6. heinäkuuta otettujen satelliittikuvien perusteella luodut NDMI-vyöhykkeet sekä NDMI-eroa esittävän yhtälökartan.

Normalisoitu erotuskosteusindeksi laskettuna planeetan / Sentinel-2:n / Landsat-kuvan päältäNDMI laskettu planeetan päällä / Sentinel-2 / Landsat-kuva

Mikä on kosteusindeksi?

Se on mitta tai laskelma, jota käytetään arvioimaan kosteuspitoisuutta tai saatavuutta tietyllä alueella tai seudulla. Se johdetaan tyypillisesti useista ympäristötekijöistä, kuten sademäärästä, haihdunnasta, maaperän ominaisuuksista ja kasvillisuudesta.

Se antaa suhteellisen kuvan alueen kosteudesta tai kuivuudesta ja auttaa tunnistamaan mahdolliset vesistressit tai kuivuusolosuhteet.

Se on arvokas työkalu vesivarojen seurantaan ja hallintaan, maatalouden suunnitteluun ja tietyn alueen ekologisten olosuhteiden ymmärtämiseen.

Mikä on normalisoitu erotuskosteusindeksi?

Normalisoitu erotuskosteusindeksi (NDMI) on kaukokartoitusdatasta johdettu kasvillisuusindeksi, jolla arvioidaan ja seurataan kasvillisuuden kosteuspitoisuutta. Kuten muutkin kasvillisuusindeksit, se lasketaan satelliitti- tai ilmakuvien spektraalisten heijastusarvojen avulla.

Se on erityisen hyödyllinen kasvien vesistressin seurannassa, kuivuusolosuhteiden arvioinnissa, metsäpaloriskin arvioinnissa ja ilmastonmuutoksen vaikutusten tutkimisessa kasvillisuuteen.

Se lasketaan käyttämällä lähi-infrapuna- (NIR) ja lyhytaaltoinfrapuna- (SWIR) kaistaa, jotka ovat herkkiä kasvillisuuden kosteuspitoisuudelle. NDMI:n kaava on:

NDMI = (lähi-infrapuna – keskihajonta) / (lähi-infrapuna + keskihajonta)

NDWI-arvot vaihtelevat tyypillisesti välillä -1 - 1, jolloin korkeammat arvot osoittavat korkeampaa kasvillisuuden kosteuspitoisuutta ja matalammat arvot matalampaa kosteuspitoisuutta tai vesistressiä kasvillisuudessa. Negatiiviset NDMI-arvot voivat liittyä kasvittomiin alueisiin tai alueisiin, joilla on erittäin alhainen kosteuspitoisuus.

Mikä on NDWI?

NDWI eli Normalized Difference Water Index on kaukokartoitusindeksi, jota käytetään kasvillisuuden tai maisemien vesipitoisuuden tai veteen liittyvien ominaisuuksien kvantifiointiin ja arviointiin.

Se lasketaan analysoimalla satelliitti- tai ilmakuvista saatujen lähi-infrapuna- ja vihreän valon kaistojen heijastavuutta. Se on erityisen hyödyllinen vesistöjen tunnistamisessa, veden saatavuuden muutosten seurannassa ja kasvillisuuden terveyden arvioinnissa.

Vertaamalla eri aallonpituuksien absorptiota ja heijastumista se tarjoaa arvokasta tietoa sovelluksiin, kuten kuivuuden seurantaan, hydrologiseen analyysiin ja ekosysteemien hallintaan.

NDMI:n visualisointi normalisoidun erotusvesi-indeksin määrittämiseksi

NDMI:n visualisointiin kuuluu satelliitti- tai ilmakuvien käsittely, NDMI-arvojen laskeminen ja tulosten näyttäminen värikoodattuina karttana tai kuvana. Tässä ovat NDMI:n visualisoinnin yleiset vaiheet:

  • Hanki satelliitti- tai ilmakuvia: Hanki monispektrikuvia satelliitista tai ilma-aluksesta, kuten Landsatista, Sentinelistä tai MODISista. Varmista, että kuvissa on kaikki tarvittavat aallot: lähi-infrapuna (NIR) ja lyhytaaltoinfrapuna (SWIR).
  • Kuvien esikäsittely: Tietolähteestä riippuen saatat joutua esikäsittelemään kuvia ilmakehän, geometristen ja radiometristen vääristymien korjaamiseksi. Muunna kuvan digitaaliset luvut (DN) spektraalisten heijastuskykyarvojen muotoon.
  • Laske NDMI: Käytä kuvan jokaiselle pikselille NIR- ja SWIR-heijastuskykyarvoja NDMI:n laskemiseen seuraavalla kaavalla: NDMI = (NIR – SWIR) / (NIR + SWIR).
  • Värikartoitus: Määritä NDMI-arvoille väripaletti. Tyypillisesti käytetään jatkuvaa väriskaalaa, joka vaihtelee yhdestä väristä (esim. punainen) alhaisille NDMI-arvoille (mikä osoittaa alhaista kosteuspitoisuutta) toiseen väriin (esim. vihreä) korkeille NDMI-arvoille (mikä osoittaa korkeaa kosteuspitoisuutta). Voit käyttää ohjelmistoja, kuten QGIS, ArcGIS tai ohjelmointikirjastoja, kuten Pythonin Rasterio ja Matplotlib, värikartan luomiseen.
  • Visualisoi NDMI-kartta: Näytä NDMI-kartta tai -kuva GIS-ohjelmistolla, ohjelmointikirjastolla tai verkkoalustalla. Näin voit analysoida kasvillisuuden kosteuspitoisuuden alueellista jakautumista ja tunnistaa vesistressin tai korkean kosteuden alueet.
  • Tulkinta ja analyysi: Käytä NDWI-visualisointia kasvillisuuden terveyden arviointiin, kuivuusolosuhteiden seurantaan tai metsäpaloriskin arviointiin. Voit myös vertailla normalisoituja erotusvesiindeksikarttoja eri ajanjaksoilta analysoidaksesi kasvillisuuden kosteuspitoisuuden muutoksia ajan kuluessa.

Muista, että eri ohjelmistotyökaluilla tai ohjelmointikirjastoilla voi olla hieman erilaisia työnkulkuja, mutta kokonaisprosessi on samanlainen. Lisäksi voit lisätä päällekkäin muita tietokerroksia, kuten maankäyttöä, korkeutta tai hallinnollisia rajoja, parantaaksesi analyysiasi ja ymmärtääksesi paremmin kasvillisuuden kosteuspitoisuuden ja muiden tekijöiden välisiä suhteita. 

Normalisoitu kasvillisuusindeksi (NDVI) helpottaa viljelijöiden elämää

Normalisoitu kasvillisuusindeksi (NDVI) on yleisesti käytetty mittari kasvillisuuden tiheyden ja kunnon kvantifioimiseen. Sen arvot vaihtelevat -1:stä 1:een, jossa negatiiviset arvot osoittavat vettä tai paljasta maaperää, nollan lähellä olevat arvot harvaa kasvillisuutta ja korkeammat arvot tiheämpää ja terveempää kasvillisuutta.

Mikä on normalisoitu kasvillisuusindeksi (NDVI)?

Se on menetelmä, joka laskee kasvillisuuden vastaanottaman punaisen valon määrän ja kasvillisuuden voimakkaasti heijastaman lähi-infrapunavalon määrän välisen vaihtelun. Menetelmän tavoitteena on tarjota kvantitatiivinen analyysi kasvillisuuden tilasta. Missään tilanteessa sen arvo ei jää -1:stä +1:een ulottuvan spektrin ulkopuolelle. Maapeitetyyppien välillä ei kuitenkaan ole selkeää rajaa. Jos lukujen summa on pienempi kuin nolla, on melko todennäköistä, että kyseinen aine on vettä. Jos saat NDVI-pistemäärän, joka on melko lähellä positiivista, on hyvät mahdollisuudet, että kyseessä on vain joukko tiiviisti pakattuja vihreitä lehtiä. Tämä pätee erityisesti, jos lehdet ovat tiheästi pakattuja. Vihreiden lehtien arvo on suurempi kuin punaisten lehtien, minkä vuoksi näin on. Kuvittele hetkeksi, että se on hyvin lähellä nollaa. Tällaisessa tilanteessa on tuskin mitään mahdollisuutta, että minkäänlaisia lehtiä olisi enää olemassa, ja alue saattaa olla jopa kaupungistunut tähän mennessä. Normalized Difference Vegetation Indicator on indeksi, jota analyytikot käyttävät alueella kaukomittaus useimmiten.

Miksi normalisoitu ero kasvillisuusindeksi (NDVI) on hyödyllinen?

On monia erilaisia ​​kasvillisuusindeksejä, ja suurin osa niistä on verrattavissa toisiinsa. Se on kuitenkin yleisimmin ja laajimmin käytetty, ja sillä on myös olennainen etu, nimittäin korkea resoluutio kuvista, jotka on johdettu satelliittidata.Tällaisissa olosuhteissa NDVI:n määrittämiseen voidaan käyttää kymmenen metrin resoluution kanavia. Muista, että yksi pikseli on kymmenen kertaa kymmenen metriä. Toisaalta indeksin resoluutio, joka käyttää ylimääräisiä valokanavia, nimittäin punaista ikää, voi olla kaksikymmentä metriä, jossa yksi pikseli on kaksikymmentä kertaa kaksikymmentä metriä.

NDVI lasketaan kaavalla: (NIR - Red) / (NIR + Red), missä NIR on kasvillisuuden heijastama lähi-infrapunasäteily ja Red on kasvillisuuden heijastama punainen valo.

Se voidaan määrittää seuraavalla yksinkertaisella matemaattisella menettelyllä, joka muuntaa raa'an satelliittitiedon kasvillisuusindekseiksi. Normalisoidun erotusvegetaatioindeksin kaava Yhtälö luo yhden edustavan luvun ja yhdistää punaisella ja NIR-alueella (lähi-infrapuna) saatavilla olevan tiedon. Tätä varten se vähentää punaisen spektrialueen heijastavuuden NIR-alueen heijastavuudesta. Tämän jälkeen tulos jaetaan NIR- ja punaisten aallonpituuksien kokonaisheijastuksella. NDVI-arvon arviointi ei ole koskaan positiivisempaa eikä negatiivista. Lisäksi luku välillä -1 ja 0 tarkoittaa kuollutta kasvia ja epäorgaanisia esineitä, kuten kiviä, teitä ja rakennuksia. Samanaikaisesti sen arvot eläville kasveille voivat vaihdella välillä 0–1, jossa 1 edustaa terveintä kasvia ja 0 epäterveintä kasvia. Kuvan jokaiselle pikselille on mahdollista antaa yksi arvo, olipa kyseessä sitten yksi lehti tai 500 eekkerin kokoinen vehnäpelto.

Miten käytämme normalisoitua erotusindeksiä kasvillisuudelle?

Sitä hyödynnetään nyt perustellusti useilla eri tutkimusaloilla. Esimerkiksi maataloudessa sitä hyödynnetään täsmäviljelyn ja biomassan arvioinnin tarkoituksiin. Metsänhoitajat käyttävät sitä myös metsävarojen sekä lehtipinta-alan indeksin (LAI) arviointiin. Lisäksi NASA uskoo sen olevan luotettava osoitus kuivuusolosuhteiden olemassaolosta. Sekä suhteellinen NDVI että kasvillisuuden pitoisuus ovat alhaisemmat alueilla, joilla vesi toimii esteenä kasvillisuuden juurtumiselle. Tämä johtuu siitä, että vesi estää kasvien juurien kasvamisen syvemmälle maaperään. Se, mukaan lukien muuntyyppiset kaukomittaus, voidaan hyödyntää monin eri tavoin todellisuudessa.

Mitä NDVI voi kertoa meille kasveista?

On olennaista ymmärtää syvällisesti, että Normalisoitu ero Kasvillisuusindeksi on vain osoitus kasvin terveydestä eikä anna tietoa tietyn tilan taustalla olevista syistä. Kasvillisuusindeksi on pikemminkin ilmaus kuin suora heijastus pellolla tapahtuvasta. Tarkastellaan NDVI:n kolmea sovellusta kenttäanalyysissä: Kun uusi kausi alkaa Se on hyödyllistä kasvin talvenkestävyyden ja sen selviytymiskeinojen ymmärtämisen kannalta.
  • Jos sen arvo on alle 0,15, on jonkin verran todennäköistä, että kaikki kasvit tällä pelto-osalla ovat menehtyneet. Tyypillisesti nämä luvut liittyvät muokattuun maahan ilman kasvillisuutta.
  • Toinen matalan kantaluvun esimerkki on 0,15–0,2. Se voisi viitata siihen, että kasvit alkoivat valmistautua talveen fenologisen varhaisvaiheen aikana, ennen muokkausvaihetta.
  • 0.2–0.3 välillä oleva tulos on tyydyttävä. Kasvit ovat todennäköisesti edenneet muokkausvaiheeseen ja palautuneet vegetatiiviseen tilaan.
  • 0.5 on kohtuullinen arvo. On kuitenkin tärkeää muistaa, että korkeammat NDVI-lukemat viittaavat siihen, että kasvillisuus selvisi talven yli myöhemmässä fenologisessa vaiheessa. Oletetaan, että satelliittikuva otettiin ennen kuin kasvillisuus palautui normaalitilaansa. Tällöin on tärkeää analysoida aluetta sen jälkeen, kun kasvillisuus on palautunut normaaliksi.
  • Luku suurempi kuin 0,5 osoittaa poikkeamaa talvehtimisen jälkeisessä vaiheessa. Suosittelemme tarkistamaan kyseisen kenttäalueen.
Yhteenvetona, jos havaitset, että saadut arvot poikkeavat merkittävästi normaalista, sinun on suoritettava tarkastus kyseisestä pellon osasta. Jotta arvot voidaan luokitella epänormaaleiksi tietyllä alueella, vaaditaan huomattava poikkeama normaalista. Kun kausi on kesken Indeksin käyttäminen voi olla hyödyllistä kasvien kehityksen ymmärtämisessä. Kuvittele, että lukemat ovat leudon ja korkean välillä (0,5–0,85). On erittäin todennäköistä, että tällä alueella ei ole tällä hetkellä suuria haasteita. Jos indeksi pysyy alhaisempana kuin sen pitäisi olla, kyseessä voi olla esimerkiksi maaperän kosteuden tai ravinteiden puute. Sinun on kuitenkin tehtävä oma tutkimuksesi tästä alueesta. Me tuotamme kartat muuttuviaoottoisten levitysten (VRA) typen määrää käyttämällä normalisoitua differentiaalista kasvillisuusindeksiä. Tunnistamme alueet, joiden kasvillisuusindeksit vaihtelevat alhaisesta korkeaan. Sen jälkeen yksittäisen viljelijän on itse määritettävä tarvittavan lannoitteen määrä. Seuraava on tehokkain menetelmä typen levittämiseen:
  • Oletetaan, että alueen kasvillisuusindeksi on korkea. Tällöin suositeltua lannoitemäärää tulisi vähentää 10 ja 30 prosenttiin tavanomaisesta määrästä.
  • Jos kasvillisuusindeksi on keskimääräisen lähellä, suositeltua lannoitemäärää tulisi nostaa 20–25 prosenttiin tyypillisestä määrästä.
  • Jos kasvillisuusindeksi on matala, sinun on ensin selvitettävä, miksi se on niin.
Kentän uudelleenrakentamiseksi maatalouden sato, käytämme myös tätä indeksiä. Tämän datan perusteella tuotamme karttoja, joita voidaan käyttää kalium- ja fosfaattilannoitteiden muuttuvia levitysmääriä varten. Kun kausi on ohi NDVI-indeksi on hyödyllinen työkalu pellon sadonkorjuuvalmiuden määrittämisessä; mitä alempi indeksi on, sitä lähempänä kyseinen alue on sadonkorjuuvalmiutta. Tässä skenaariossa indeksiarvo alle 0,25 olisi ihanteellinen. NDVI-indeksi on hyödyllinen työkalu pellon sadonkorjuukelpoisuuden määrittämisessä Aluksi se on matemaattinen laskenta, joka suoritetaan pikseli pikseliltä kuvalle GIS-työkalujen (Gis Geographic Information System) avulla. Se lasketaan vertaamalla kasvin absorboiman ja heijastaman punaisen ja lähi-infrapunavalon määriä ja mittaa kasvin yleistä terveydentilaa. Normalisoitua differentiaalikasvillisuusindeksiä (NDVI) voidaan käyttää maan tutkimiseen kaikkialla maailmassa, mikä tekee siitä ihanteellisen kohdennettuihin kenttätutkimuksiin ja kansalliseen tai maailmanlaajuiseen kasvillisuuden seurantaan. NDVI:n avulla voimme saada välittömän analyysin pelloista, mikä mahdollistaa maanviljelijöiden optimoida alueiden tuotantopotentiaalin, rajoittaa niiden vaikutusta ympäristöön ja muokata täsmäviljelytoimintaansa. Lisäksi sen tarkasteleminen yhdessä muiden tietovirtojen, kuten säätä koskevien tietojen, kanssa voi antaa lisätietoja kuivuuden, jäätymisen tai tulvien toistuvista malleista ja siitä, miten ne vaikuttavat kasvillisuuteen.

Usein kysytyt kysymykset


1. Mitä NDVI:llä määritetään ensisijaisesti? Sitä käytetään pääasiassa kasvillisuuden terveyden ja tiheyden määrittämiseen tietyllä alueella. Tätä indeksiä käytetään laajalti maataloudessa, metsätaloudessa ja ekologiassa kasvillisuuden kasvun seurantaan, kasvien stressitason arviointiin, kuivuuden tai sairauksien alueiden tunnistamiseen ja peltokasvien hoitopäätösten tukemiseen. 2. Miten lukea NDVI-kuvia? NDVI-kuvien lukemiseksi voit tulkita indeksiarvoihin liittyvää väriasteikkoa. Yleensä terve kasvillisuus näyttää vihreältä, kun taas vähemmän terve tai harva kasvillisuus näyttää keltaiselta tai punaiselta. Tummemmat sävyt voivat viitata alueisiin, joilla on paljon biomassaa, kun taas vaaleammat sävyt voivat viitata pienempään kasvillisuuden tiheyteen tai paljaan maaperän läsnäoloon. Analysoitavan alueen kontekstin, kuten tietyn viljelykasvin tai ympäristöolosuhteiden, ymmärtäminen voi auttaa NDVI-kuvien tulkinnassa ja tietoon perustuvien päätösten tekemisessä maatalouskäytännöistä.

Tapaa GeoPardin tekoälyavustajaUUSI

Tekoälyn perustelu täsmäviljelyyn: se kysyy oikeat agronomiset kysymykset, näyttää laskutoimitukset ja rakentaa testivalidoituja lääkemääräyksiä datastasi. Hyväksyt jokaisen vaiheen.

Katso, miten tekoäly ajattelee →
wpChatIcon
wpChatIcon

    Pyydä ilmainen GeoPard-demo / konsultaatio








    Hyväksymällä painikkeen painamisen hyväksyt meidän Tietosuojaseloste. Tarvitsemme sen vastataksemme pyyntöösi.

      Tilaa


      Hyväksymällä painikkeen painamisen hyväksyt meidän Tietosuojaseloste

        Lähettäkää meille tietoa


        Hyväksymällä painikkeen painamisen hyväksyt meidän Tietosuojaseloste