stringtranslate.com

Нормализованный разностный индекс растительности

Отрицательные значения NDVI (приближающиеся значения соответствуют воде. Значения closezero обычно соответствуют бесплодным участкам с камнями, песком или снегом. Наконец, низкие положительные значения представляют кустарники и луга (приблизительно 0,2–0,4), тогда как высокие значения указывают на умеренные и тропические тропические леса. (значения приближаются к 1).

Нормализованный дифференциальный индекс растительности ( NDVI ) — широко используемый показатель для количественной оценки состояния и плотности растительности с использованием данных датчиков. Он рассчитывается на основе спектрометрических данных в двух конкретных диапазонах: красном и ближнем инфракрасном. Спектрометрические данные обычно получают от удаленных датчиков, таких как спутники.

Эта метрика популярна в промышленности из-за своей точности. Он имеет высокую корреляцию с истинным состоянием растительности на местности. Индекс легко интерпретировать: NDVI будет иметь значение от -1 до 1. Область, на которой ничего не растет, будет иметь NDVI, равный нулю. NDVI будет увеличиваться пропорционально росту растительности. Территория с густой, здоровой растительностью будет иметь NDVI, равный единице. Значения NDVI менее 0 предполагают отсутствие суши. Океан даст NDVI -1.


Краткая история

Точное земледелие NDVI 4 см/пиксель GSD
NDVI в июне над Британскими островами (NOAA AVHRR)
NDVI в октябре над Британскими островами (NOAA AVHRR)
NDVI 6 — среднемесячное значение для Австралии, с 1 декабря 2012 г. по 31 мая 2013 г. [1]

Серьезное освоение космического пространства началось с запуска Советским Союзом «Спутника-1» 4 октября 1957 года. Это был первый искусственный спутник , вращающийся вокруг Земли . Последующие успешные запуски, как в Советском Союзе (например, программы «Спутник» и «Космос» ), так и в США (например, программа «Эксплорер» ), быстро привели к разработке и эксплуатации специализированных метеорологических спутников . Это орбитальные платформы, на которых установлены приборы, специально предназначенные для наблюдения за атмосферой и поверхностью Земли с целью улучшения прогнозирования погоды . Начиная с 1960 года, серия спутников TIROS оснащена телекамерами и радиометрами. Позже (с 1964 года) последовали спутники «Нимбус» и семейство усовершенствованных радиометров очень высокого разрешения на борту платформ Национального управления океанических и атмосферных исследований (НОАА). Последний измеряет отражательную способность планеты в красном и ближнем инфракрасном диапазонах, а также в тепловом инфракрасном диапазоне. Параллельно НАСА разработало спутник Earth Resources Technology Satellite (ERTS), который стал предшественником программы Landsat . Эти первые датчики имели минимальное спектральное разрешение, но, как правило, включали полосы красного и ближнего инфракрасного диапазона, которые полезны для распознавания растительности и облаков среди других целей.

С запуском 23 июля 1972 года первого спутника ERTS, который вскоре должен был быть переименован в Landsat 1 , с его мультиспектральным сканером (MSS) НАСА профинансировало ряд исследований, чтобы определить его возможности для дистанционного зондирования Земли . Одно из этих ранних исследований было направлено на изучение весенней зелени растительности и последующего летнего и осеннего засыхания (так называемое «весеннее продвижение и ретроградация») на протяжении с севера на юг региона Великих равнин в центральной части США. Этот регион охватывал широкий диапазон широт от южной оконечности Техаса до границы США и Канады, что привело к широкому диапазону зенитных углов Солнца на момент спутниковых наблюдений.

Исследователи этого исследования Великих равнин (аспирант Дональд Диринг и его советник доктор Роберт Хасс) обнаружили, что их способность коррелировать или количественно определять биофизические характеристики пастбищной растительности этого региона на основе спутниковых спектральных сигналов была затруднена этими различиями. под зенитным углом Солнца поперек этого сильного широтного градиента. С помощью местного математика (доктора Джона Шелла) они изучили решения этой дилеммы и впоследствии разработали соотношение разницы красного и инфракрасного излучений к их сумме как средство корректировки или «нормализации» эффектов зенитный угол Солнца. Первоначально они назвали это соотношение «Индексом растительности» (и другим вариантом, преобразованием квадратного корня отношения суммы разностей, «Трансформированным индексом растительности»); но поскольку несколько других исследователей дистанционного зондирования идентифицировали простое соотношение красного/инфракрасного и других спектральных отношений как «индекс растительности», они в конечном итоге начали идентифицировать формулировку отношения разности/суммы как нормализованный разностный индекс растительности. Самое раннее сообщение об использовании NDVI в исследовании Great Plains было сделано в 1973 году Rouse et al. [2] (Доктор Джон Роуз был директором Центра дистанционного зондирования Техасского университета A&M, где проводилось исследование Великих равнин). Однако в формулировке нормализованного разностного спектрального индекса им предшествовали Kriegler et al. в 1969 году. [3] Вскоре после запуска ERTS-1 (Landsat-1) Комптон Такер из Центра космических полетов имени Годдарда НАСА опубликовал серию первых статей в научных журналах, описывающих использование NDVI.

Таким образом, NDVI стал одной из самых успешных из многих попыток просто и быстро идентифицировать площади растительности и их «состояние», и он остается наиболее известным и используемым индексом для обнаружения крон живых зеленых растений в данных мультиспектрального дистанционного зондирования. После того, как была продемонстрирована возможность обнаружения растительности, пользователи стали также использовать NDVI для количественной оценки фотосинтетической способности растительного покрова. Однако это может оказаться гораздо более сложной задачей, если не будет выполнено должным образом, как обсуждается ниже.

Обоснование

Типичный спектр действия ФАР показан рядом со спектрами поглощения хлорофилла-А, хлорофилла-В и каротиноидов.

Живые зеленые растения поглощают солнечную радиацию в спектральной области фотосинтетически активного излучения (ФАР), которую они используют в качестве источника энергии в процессе фотосинтеза . Клетки листьев также научились переизлучать солнечное излучение в ближней инфракрасной области спектра (которая несет примерно половину всей поступающей солнечной энергии), поскольку энергия фотонов на длинах волн более 700 нанометров слишком мала для синтеза органических молекул. Сильное поглощение этих длин волн приведет только к перегреву растения и возможному повреждению тканей. Следовательно, живые зеленые растения кажутся относительно темными в ФАР и относительно яркими в ближнем инфракрасном диапазоне. [4] Напротив, облака и снег имеют тенденцию быть довольно яркими в красном диапазоне (как и в других видимых длинах волн) и довольно темными в ближнем инфракрасном диапазоне. Пигмент листьев растений, хлорофилл, сильно поглощает видимый свет (от 400 до 700 нм) для использования в фотосинтезе. С другой стороны, клеточная структура листьев сильно отражает ближний инфракрасный свет (от 700 до 1100 нм). Чем больше листьев у растения, тем больше на него влияют длины волн света. Поскольку первые инструменты наблюдения Земли, такие как ERTS НАСА и AVHRR NOAA , получали данные в видимом и ближнем инфракрасном диапазоне, было естественным использовать сильные различия в отражательной способности растений для определения их пространственного распределения на этих спутниковых изображениях.

NDVI рассчитывается на основе этих отдельных измерений следующим образом:

где Red и NIR обозначают измерения спектральной отражательной способности, полученные в красной (видимой) и ближней инфракрасной областях соответственно. [5] Эти спектральные коэффициенты отражения сами по себе являются отношениями отраженного излучения к входящему излучению в каждом спектральном диапазоне индивидуально, поэтому они принимают значения от 0 до 1. Таким образом, по замыслу сам NDVI варьируется от -1 до +1. NDVI функционально, но не линейно, эквивалентен простому соотношению инфракрасного/красного света (NIR/VIS). Таким образом, преимущество NDVI перед простым соотношением инфракрасного/красного света обычно ограничивается любой возможной линейностью его функциональной связи со свойствами растительности (например, биомассой). Простое соотношение (в отличие от NDVI) всегда положительное, что может иметь практические преимущества, но оно также имеет математически бесконечный диапазон (от 0 до бесконечности), что может быть практическим недостатком по сравнению с NDVI. Также в связи с этим обратите внимание, что член VIS в числителе NDVI только масштабирует результат, тем самым создавая отрицательные значения. NDVI функционально и линейно эквивалентен соотношению NIR/(NIR+VIS), которое колеблется от 0 до 1 и, таким образом, никогда не бывает отрицательным или неограниченным по диапазону. [6] Но самым важным понятием в понимании алгебраической формулы NDVI является то, что, несмотря на свое название, она представляет собой преобразование спектрального отношения (NIR/VIS) и не имеет функциональной связи со спектральной разностью (NIR-VIS). ВИС).

В общем, если отраженного излучения в ближнем инфракрасном диапазоне гораздо больше, чем в видимом диапазоне, то растительность в этом пикселе, вероятно, будет густой и может содержать какой-то тип леса. Последующие работы показали, что NDVI напрямую связан с фотосинтетической способностью и, следовательно, с поглощением энергии растительными покровами. [7] [8] Хотя индекс может принимать отрицательные значения, даже в густонаселенных городских районах NDVI обычно имеет (небольшое) положительное значение. Отрицательные значения чаще наблюдаются в атмосфере и некоторых конкретных материалах . [9]

Производительность и ограничения

Окружающие поля и водоемы, такие как плотина на северо-востоке, помогают замаскировать высокие ценности в Понта-Гросса , южная Бразилия.

Из его математического определения видно, что NDVI территории, содержащей густой растительный покров, будет стремиться к положительным значениям (скажем, от 0,3 до 0,8), тогда как облака и снежные поля будут характеризоваться отрицательными значениями этого индекса. Другие цели на Земле, видимые из космоса, включают:

Помимо простоты алгоритма и его способности широко отличать площади с растительностью от других типов поверхности, NDVI также имеет то преимущество, что сжимает размер данных, которыми нужно манипулировать, в 2 (или более) раза, поскольку он заменяет два спектральных диапазона одним новым полем (в конечном итоге закодированным 8 битами вместо 10 или более бит исходных данных).

NDVI широко использовался в приложениях, для которых он изначально не был разработан. Использование NDVI для количественных оценок (в отличие от качественных исследований, как указано выше) поднимает ряд проблем, которые могут серьезно ограничить реальную полезность этого индекса, если они не будут решены должным образом. [ нужна ссылка ] В следующих подразделах рассматриваются некоторые из этих вопросов.

Кроме того, расчет значения NDVI оказывается чувствительным к ряду возмущающих факторов, включая

В научной литературе для устранения этих ограничений был предложен ряд производных и альтернатив NDVI, в том числе Индекс перпендикулярной растительности, [14] Индекс растительности с поправкой на почву , [15] Индекс растительности, устойчивой к атмосферным воздействиям [16] и Глобальный индекс растительности. Индекс мониторинга окружающей среды. [17] В каждом из них была предпринята попытка включить внутреннюю поправку(и) на один или несколько возмущающих факторов. Текущая альтернатива, принятая Геологической службой США, - это расширенный индекс растительности (EVI), учитывающий влияние почвы, фон растительного покрова и влияние аэрозолей. [18]

Однако только в середине 1990-х годов было предложено новое поколение алгоритмов для непосредственной оценки интересующих биогеофизических переменных (например, доли поглощенной фотосинтетически активной радиации , FAPAR), используя преимущества улучшенных производительности и характеристик современные датчики (в частности, их многоспектральные и многоугловые возможности), позволяющие учитывать все возмущающие факторы. Несмотря на множество возможных факторов, влияющих на NDVI, он остается ценным инструментом количественного мониторинга растительности, когда необходимо изучить фотосинтетическую способность поверхности земли в соответствующем пространственном масштабе для различных явлений.

Сельскохозяйственные приложения

В рамках точного земледелия данные NDVI позволяют оценить состояние сельскохозяйственных культур. Сегодня для этого часто используются сельскохозяйственные дроны , которые работают в паре с NDVI для сравнения данных и выявления проблем со здоровьем сельскохозяйственных культур. Одним из примеров этого являются сельскохозяйственные дроны от PrecisionHawk и Sentera, которые позволяют аграриям собирать и обрабатывать данные NDVI в течение одного дня, что является отличием от традиционного использования NDVI и их длительного времени задержки. [19] Большая часть исследований, проведенных в настоящее время, доказала, что изображения NDVI могут быть получены даже с использованием обычных цифровых RGB-камер с некоторыми модификациями, чтобы получить результаты, аналогичные тем, которые получаются с мультиспектральных камер, и могут быть эффективно реализованы в кадрах. системы мониторинга здоровья.

В последнее время получили распространение мобильные приложения, использующие данные NDVI в качестве инструментов мониторинга состояния сельскохозяйственных культур. Мобильные приложения, такие как Doktar's Orbit, предоставляют данные NDVI на картах здоровья для обнаружения любых аномалий на фермерском поле. Эти приложения направлены на цифровизацию сельского хозяйства и внедрение новых способов разведки полей. Инструменты дистанционного мониторинга полей на основе NDVI позволяют фермерам экономить затраты на топливо, поскольку эти инструменты сокращают количество посещений полей и позволяют лучше управлять орошением.

Landsat 8 , Sentinel-2 и PlanetScope являются одними из основных поставщиков спутниковых изображений для создания карт NDVI и мониторинга состояния сельскохозяйственных культур.

Смотрите также

Примечания

  1. ^ Данные загружены из Австралийского бюро метеорологии 13 июня 2018 г., отображены на карте R. 14 июня 2018 г.
  2. ^ Роуз, Дж. В., Хаас, Р. Х., Шил, Дж. А., и Диринг, Д. В. (1974) «Мониторинг систем растительности на Великих равнинах с помощью ERTS». Труды 3-го симпозиума по спутниковым технологиям ресурсов Земли (ERTS) , том. 1, с. 48-62. https://ntrs.nasa.gov/citations/19740022614
  3. ^ Криглер, Ф.Дж., Малила, В.А., Налепка, Р.Ф. и Ричардсон, В. (1969) «Преобразования предварительной обработки и их влияние на многоспектральное распознавание». Материалы шестого международного симпозиума по дистанционному зондированию окружающей среды, с. 97-131.
  4. ^ Гейтс, Дэвид М. (1980) Биофизическая экология , Springer-Verlag, Нью-Йорк, 611 стр.
  5. ^ «Измерение растительности». Земная обсерватория НАСА. 2000-08-30.
  6. ^ Криппен, Р.Э. (1990) «Быстрый расчет индекса растительности», Дистанционное зондирование окружающей среды , 34 , 71-73.
  7. ^ Селлерс, П.Дж. (1985) «Отражательная способность купола, фотосинтез и транспирация», Международный журнал дистанционного зондирования , 6 , 1335-1372.
  8. ^ Минени, Р.Б., Ф.Г. Холл, П.Дж. Селлерс и А.Л. Маршак (1995) «Интерпретация спектральных индексов растительности», IEEE Transactions on Geoscience and Remote Sensing , 33 , 481-486.
  9. ^ Кубаски, Кауан Матеус. «Городской климат: температура поверхности и NDVI, анализ влияния в Понта-Гросса-PR» (PDF) (на бразильском португальском языке). УЭПГ (проректор по научной работе и аспирантуре ПРОПЭСП). Архивировано из оригинала (PDF) 9 июля 2019 года . Проверено 10 сентября 2018 г.
  10. ^ Холбен, Б.Н. (1986) «Характеристики составных изображений максимального значения на основе временных данных AVHRR», Международный журнал дистанционного зондирования , 7 (11) , 1417-1434.
  11. ^ Лабиб, С.М.; Линдли, Сара; Хак, Джонни Дж. (июль 2020 г.). «Эффект масштаба в показателях зеленых насаждений, полученных с помощью дистанционного зондирования, и способы их смягчения при оценке воздействия на здоровье окружающей среды». Компьютеры, окружающая среда и городские системы . 82 : 101501. doi : 10.1016/j.compenvurbsys.2020.101501 .
  12. ^ Нури, Хамиде; Андерсон, Шэролин; Саттон, Пол; Бичем, Саймон; Наглер, Памела; Джарчоу, Кристофер Дж.; Робертс, Дар А. (апрель 2017 г.). «NDVI, масштабная инвариантность и проблема модифицируемых единиц площади: оценка растительности в парках Аделаиды» (PDF) . Наука об общей окружающей среде . 584–585: 11–18. Бибкод : 2017ScTEn.584...11N. doi :10.1016/j.scitotenv.2017.01.130. ПМИД  28131936.
  13. ^ Нури, Хамиде; Андерсон, Шэролин; Саттон, Пол; Бичем, Саймон; Наглер, Памела; Джарчоу, Кристофер Дж.; Робертс, Дар А. (15 апреля 2017 г.). «NDVI, масштабная инвариантность и проблема модифицируемых единиц площади: оценка растительности в парках Аделаиды» (PDF) . Наука об общей окружающей среде . 584–585: 11–18. Бибкод : 2017ScTEn.584...11N. doi :10.1016/j.scitotenv.2017.01.130. ПМИД  28131936.
  14. ^ Ричардсон, А. Дж. и К. Л. Виганд (1977) «Отличение растительности от фоновой информации о почве», Фотограмметрическая инженерия и дистанционное зондирование , 43 , 1541-1552.
  15. ^ Хуэте, А.Р. (1988) «Индекс растительности с поправкой на почву (SAVI)», Дистанционное зондирование окружающей среды , 25 , 53-70.
  16. ^ Кауфман, Ю. Дж. и Д. Танре (1992) «Индекс атмосферостойкой растительности (ARVI) для EOS-MODIS», в «Proc. IEEE Международный. Геосци. и симп. дистанционного зондирования. '92 , IEEE, Нью-Йорк, 261–270.
  17. ^ Пинти, Б.; Верстраете, ММ (1992). «GEMI: нелинейный индекс для мониторинга глобальной растительности со спутников». Растительность . 101 (1). Спрингер Природа: 15–20. дои : 10.1007/bf00031911. ISSN  0042-3106. S2CID  32216977.
  18. ^ А. Уэте, К. Дидан, Т. Миура, Э. П. Родригес, Х. Гао, Л. Г. Феррейра. Обзор радиометрических и биофизических характеристик вегетационных индексов MODIS. Дистанционное зондирование окружающей среды 83(2002) 195-213 doi :10.1016/S0034-4257(02)00096-2.
  19. ↑ Лисенг, Рон (2 февраля 2017 г.). «Sentera связывает процессор с датчиком для живого NDVI». Западный продюсер .

Рекомендации

Внешние ссылки