Графический индикатор дистанционно измеренной живой зеленой растительности
Отрицательные значения NDVI (приближающиеся к нулю) соответствуют воде. Значения, близкие к нулю, обычно соответствуют бесплодным каменистым, песчаным или снежным площадям. Наконец, низкие, положительные значения представляют кустарники и луга (приблизительно 0,2–0,4), тогда как высокие значения указывают на умеренные и тропические леса (значения, приближающиеся к 1).
Нормализованный индекс разности растительности ( NDVI ) — это широко используемый показатель для количественной оценки здоровья и плотности растительности с использованием данных датчиков. Он рассчитывается на основе спектрометрических данных в двух определенных диапазонах: красном и ближнем инфракрасном. Спектрометрические данные обычно получают с удаленных датчиков, таких как спутники.
Метрика популярна в промышленности из-за своей точности. Она имеет высокую корреляцию с истинным состоянием растительности на земле. Индекс легко интерпретировать: NDVI будет иметь значение от -1 до 1. Территория, 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 меньше 0 указывают на отсутствие суши. Океан даст NDVI, равный -1
Краткая история
Точное земледелие NDVI 4 см/пиксель GSDNDVI в июне над Британскими островами (NOAA AVHRR)NDVI в октябре над Британскими островами (NOAA AVHRR)NDVI 6 — среднемесячный показатель для Австралии, с 1 декабря 2012 г. по 31 мая 2013 г. [1]
Исследование космического пространства началось всерьез с запуском Спутника-1 Советским Союзом 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 разработанные для наблюдения за атмосферой и поверхностью Земли с целью улучшения прогнозирования погоды . Начиная с 1960 года, серия спутников TIROS была оснащена телевизионными камерами и радиометрами. Позже (с 1964 года) последовали спутники Nimbus и семейство приборов Advanced Very High Resolution Radiometer на борту платформ Национального управления океанических и атмосферных исследований (NOAA). Последний измеряет отражательную способность планеты в красном и ближнем инфракрасном диапазонах, а также в тепловом инфракрасном диапазоне. Параллельно NASA разработало спутник Earth Resources Technology Satellite (ERTS), который стал предшественником программы Landsat . Эти ранние датчики имели минимальное спектральное разрешение, но, как правило, включали полосы в красном и ближнем инфракрасном диапазонах, которые полезны для различения растительности и облаков среди других целей.
С запуском первого спутника ERTS, который вскоре был переименован в Landsat 1 , 23 июля 1972 года с его многоспектральным сканером (MSS), NASA профинансировало ряд исследований для определения его возможностей для дистанционного зондирования Земли . Одно из этих ранних исследований было направлено на изучение весеннего позеленения растительности и последующего летнего и осеннего высыхания (так называемое «весеннее продвижение и ретроградация») на всем 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 углов солнечного зенита во время спутниковых наблюдений.
Исследователи этого исследования Великих равнин (аспирант Дональд Диринг и его научный руководитель доктор Роберт Хасс) обнаружили, что их способность коррелировать или количественно определять биофизические характеристики пастбищной растительности этого региона по спутниковым спектральным сигналам была затруднена этими различиями в солнечном зенитном угле через этот сильный широтный градиент. С помощью местного математика (доктора Джона Шелла) они изучили решения этой дилеммы и впоследствии разработали отношение разницы красного и инфракрасного излучения к их сумме в качестве средства для корректировки или «нормализации» эффектов солнечного зенитного угла. Первоначально они назвали это отношение «индексом растительности» (и другим вариантом, преобразованием квадратного корня отношения разности к сумме, «преобразованным индексом растительности»); но поскольку несколько других исследователей дистанционного зондирования идентифицировали простое отношение красного/инфракрасного излучения и другие спектральные отношения как «индекс растительности», они в конечном итоге начали определять формулировку отношения разности/суммы как нормализованный индекс разности растительности. Самое раннее использование NDVI в исследовании Великих равнин было описано в 1973 году Раузом и др. [2] (доктор Джон Рауз был директором Центра дистанционного зондирования Техасского университета A&M , где проводилось исследование Великих равнин). Однако им предшествовала формулировка нормализованного разностного спектрального индекса Криглером и др. в 1969 году [3]. Вскоре после запуска ERTS-1 (Landsat-1) Комптон Такер из Центра космических полетов имени Годдарда НАСА опубликовал серию ранних статей в научных журналах, описывающих использование NDVI.
Таким образом, NDVI был одной из самых успешных из многих попыток просто и быстро идентифицировать растительные области и их «состояние», и он остается самым известным и используемым индексом для обнаружения живых зеленых растительных покровов в данных многоспектрального дистанционного зондирования. После того, как была продемонстрирована возможность обнаружения растительности, пользователи также стали использовать NDVI для количественной оценки фотосинтетической способности растительных покровов. Однако это может быть довольно сложной задачей, если не делать это должным образом, как обсуждается ниже.
Обоснование
Типичный спектр действия ФАР, показанный рядом со спектрами поглощения хлорофилла-А, хлорофилла-В и каротиноидов
Живые зеленые растения поглощают солнечное излучение в спектральной области фотосинтетически активного излучения (ФАР), которую они используют в качестве источника энергии в процессе фотосинтеза . Клетки листьев также эволюционировали, чтобы повторно излучать солнечное излучение в ближней инфракрасной области спектра (которая несет примерно половину всей поступающей солнечной энергии), поскольку энергия фотонов на длинах волн длиннее примерно 700 нанометров слишком мала для синтеза органических молекул. Сильное поглощение на этих длинах волн приведет только к перегреву растения и возможному повреждению тканей. Следовательно, живые зеленые растения кажутся относительно темными в ФАР и относительно яркими в ближней инфракрасной области. [4] Напротив, облака и снег, как правило, довольно яркие в красном (а также в других видимых длинах волн) и довольно темные в ближней инфракрасной области. Пигмент в листьях 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 эти длины волн света подвергаются влиянию. Поскольку ранние инструменты наблюдения за Землей, такие как NASA ERTS и NOAA AVHRR, получали данные в видимом и ближнем инфракрасном диапазонах, было естественно использовать сильные различия в отражательной способности растений для определения их пространственного распределения на этих спутниковых снимках.
NDVI рассчитывается на основе этих отдельных измерений следующим образом:
где Red и NIR обозначают спектральные измерения отражательной способности, полученные в красной (видимой) и ближней инфракрасной областях соответственно. [5] Эти спектральные отражательные способности сами по себе являются отношениями отраженного излучения к входящему излучению в каждой спектральной полосе по отдельности, поэтому они принимают значения от 0 до 1. Таким образом, по замыслу сам NDVI изменяется от -1 до +1. NDVI функционально, но не линейно, эквивалентен простому инфракрасному/красному отношению (NIR/VIS). Преимущество NDVI над простым инфракрасным/красным отношением, таким образом, как правило, ограничивается любой возможной линейностью его функциональной связи со свойствами растительности (например, биомассой). Простое отношение (в отличие от NDVI) всегда положительно, 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 этой связи следует отметить, что термин VIS в числителе NDVI только масштабирует результат, тем самым создавая отрицательные значения. NDVI функционально и линейно эквивалентен отношению NIR / (NIR+VIS), которое изменяется от 0 до 1 и, таким образом, никогда не бывает отрицательным или безграничным по диапазону. [6] Но наиболее важной концепцией в понимании алгебраической формулы NDVI является то, что, несмотря на свое название, это преобразование спектрального отношения (NIR/VIS), и оно не имеет функциональной связи со спектральной разностью (NIR-VIS).
В общем, если отраженного излучения в ближнем инфракрасном диапазоне гораздо больше, чем в видимом, то растительность в этом пикселе, скорее всего, будет густой и может содержать некоторый тип леса. Последующие исследования показали, что NDVI напрямую связан с фотосинтетической способностью и, следовательно, поглощением энергии растительным покровом. [7] [8] Хотя индекс может принимать отрицательные значения, даже в густонаселенных городских районах NDVI обычно имеет (небольшое) положительное значение. Отрицательные значения, скорее всего, будут наблюдаться в атмосфере и некоторых конкретных материалах . [9]
Производительность и ограничения
Окружающие поля и водоемы, такие как плотина на северо-востоке, помогают скрыть высокие ценности в Понта-Гроса , на юге Бразилии.
Из его математического определения видно, что NDVI области, 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:
свободно стоящая вода (например, океаны, моря, озера и реки), которая имеет довольно низкую отражательную способность в обоих спектральных диапазонах (по крайней мере, вдали от берегов) и, таким образом, приводит к очень низким положительным или даже слегка отрицательным значениям NDVI,
почвы, которые обычно демонстрируют спектральное отражение в ближнем инфракрасном диапазоне, несколько большее, чем в красном, и, таким образом, также имеют тенденцию генерировать довольно небольшие положительные значения NDVI (скажем, от 0,1 до 0,2).
Помимо простоты алгоритма и его способности в целом отличать участки с растительностью от других типов поверхности, NDVI также имеет преимущество в сжатии размера обрабатываемых данных в 2 раза (или более), поскольку он заменяет два спектральных диапазона одним новым полем (в конечном итоге закодированным в 8 битах вместо 10 или более битов исходных данных).
Индекс NDVI широко использовался в приложениях, для которых он изначально не был разработан. Использование индекса NDVI для количественных оценок (в отличие от качественных обследований, как указано выше) поднимает ряд вопросов, которые могут серьезно ограничить фактическую полезность этого индекса, если их не решать должным образом. [ необходима цитата ] В следующих подразделах рассматриваются некоторые из этих вопросов.
Математически сумма и разность двух спектральных каналов содержат ту же информацию, что и исходные данные, но сама по себе разность (или нормализованная разность) несет только часть исходной информации. Является ли недостающая информация релевантной или ценной, судить пользователю, но важно понимать, что продукт NDVI несет только часть информации, доступной в исходных данных спектрального отражения.
Сгенерированный нормализованный индекс разницы растительности (NDVI) на основе спутниковых снимковПользователи NDVI склонны оценивать большое количество свойств растительности по значению этого индекса. Типичные примеры включают индекс листовой поверхности , биомассу , концентрацию хлорофилла в листьях, продуктивность растений, фракционный растительный покров, накопленные осадки и т. д. Такие отношения часто выводятся путем корреляции значений NDVI, полученных из космоса, с наземными значениями этих переменных. Этот подход поднимает дополнительные вопросы, связанные с пространственным масштабом, связанным с измерениями, поскольку спутниковые датчики всегда измеряют количество радиации для областей, существенно больших, чем те, которые были опробованы полевыми приборами. Кроме того, конечно, нелогично утверждать, что все эти отношения выполняются одновременно, поскольку это означало бы, что все эти свойства окружающей среды были бы напрямую и недвусмысленно связаны между собой.
Измерения отражательной способности должны быть относительно одной и той же области и должны быть получены одновременно. Это может быть нелегко сделать с помощью инструментов, которые получают различные спектральные каналы через разные камеры или фокальные плоскости. Неправильная регистрация спектральных изображений может привести к существенным ошибкам и непригодным результатам.
Кроме того, расчет значения NDVI оказывается чувствительным к ряду возмущающих факторов, включая
Атмосферные эффекты: Фактический состав атмосферы (в частности, в отношении водяного пара и аэрозолей) может существенно влиять на измерения, проводимые в космосе. Следовательно, последние могут быть неверно истолкованы, если эти эффекты не будут должным образом учтены (как в случае, когда NDVI рассчитывается непосредственно на основе сырых измерений).
Облака: Глубокие (оптически толстые) облака могут быть довольно заметны на спутниковых снимках и давать характерные значения NDVI, которые облегчают их скрининг. Однако тонкие облака (такие как вездесущие перистые облака) или небольшие облака с типичными линейными размерами, меньшими диаметра области, фактически охваченной датчиками, могут значительно испортить измерения. Аналогичным образом, тени облаков в областях, которые кажутся чистыми, могут влиять на значения NDVI и приводить к неверным толкованиям. Эти соображения сводятся к минимуму путем формирования составных изображений из ежедневных или почти ежедневных изображений. [10] Составные изображения NDVI привели к большому количеству новых приложений для растительности, где NDVI или фотосинтетическая способность меняются со временем.
Влияние почвы: Почвы имеют тенденцию темнеть при намокании, поэтому их отражательная способность напрямую зависит от содержания воды. Если спектральный отклик на увлажнение не совсем одинаков в двух спектральных диапазонах, может показаться, что NDVI области изменяется в результате изменений влажности почвы (осадки или испарение), а не из-за изменений растительности.
Анизотропные эффекты: Все поверхности (естественные или искусственные) отражают свет по-разному в разных направлениях, и эта форма анизотропии , как правило, спектрально зависима, даже если общая тенденция может быть схожей в этих двух спектральных диапазонах. В результате значение NDVI может зависеть от конкретной анизотропии цели и от угловой геометрии освещения и наблюдения во время измерений, а значит, от положения интересующей цели в пределах полосы обзора прибора или времени прохождения спутника над участком. Это особенно важно при анализе данных AVHRR, поскольку орбита платформ NOAA имела тенденцию дрейфовать во времени. В то же время использование составных изображений NDVI сводит эти соображения к минимуму и привело к глобальным временным рядам наборов данных NDVI, охватывающим более 25 лет.
Спектральные эффекты: поскольку каждый датчик имеет свои собственные характеристики и характеристики, в частности, в отношении положения, ширины и формы спектральных полос, одна и та же формула, такая как NDVI, дает разные результаты при применении к измерениям, полученным с помощью разных приборов.
Проблема изменяемой площади (MAUP): NDVI повсеместно используется как индекс растительности. Поскольку картирование и мониторинг растительности осуществляются с помощью систем обработки изображений « больших данных ». Эти системы могут использовать алгоритмы на основе пикселей или объектов для оценки здоровья растительности, эвапотранспирации и других функций экосистемы. Когда категория растительности состоит из нескольких пикселей, расчет «среднего» может быть средним значением значений NDVI для каждого пикселя (на основе пикселей) или средним значением значений Red и средним значением значений NIR для всех пикселей, в которых среднее значение NDVI является отношением этих значений (на основе объектов). NDVI может страдать от трудноразрешимых проблем, связанных с MAUP. В частности, недавнее исследование показало, что когда средние значения NDVI оцениваются для определенных буферных расстояний, масштаб анализа может влиять на показатели NDVI из-за наличия эффектов масштаба, связанных с MAUP. [11] Другое исследование показало, что MAUP не оказывает существенного влияния в случае чистых пикселей растительности в городской среде. [12] Модификация, известная как MAUI-NDVI, специально решает эту проблему. [13]
В научной литературе было предложено несколько производных и альтернатив NDVI для устранения этих ограничений, включая индекс перпендикулярной растительности [14] , индекс растительности с поправкой на почву [15] , индекс устойчивой к атмосферным воздействиям растительности [16] и индекс глобального мониторинга окружающей среды. [17] Каждый из них пытался включить внутреннюю поправку(и) для одного или нескольких возмущающих факторов. Текущая альтернатива, принятая USGS, — это расширенный индекс растительности (EVI), корректирующий влияние почвы, фон полога и аэрозольные влияния. [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 улучшенной производительности и характеристик современных датчиков (в частности, их многоспектральных и многоугловых возможностей) для учета всех возмущающих факторов. Несмотря на множество возможных возмущающих факторов на NDVI, он остается ценным количественным инструментом мониторинга растительности, когда фотосинтетическая способность поверхности земли должна изучаться в соответствующем пространственном масштабе для различных явлений.
Сельскохозяйственное применение
В точном земледелии данные NDVI обеспечивают измерение здоровья урожая. Сегодня это часто включает сельскохозяйственные дроны , которые работают в паре с NDVI для сравнения данных и распознавания проблем со здоровьем урожая. Одним из примеров этого являются сельскохозяйственные дроны PrecisionHawk и Sentera, которые позволяют агрономам собирать и обрабатывать данные NDVI в течение одного дня, что является изменением по сравнению с традиционным использованием NDVI и их длительным временем задержки. [19] Большая часть исследований, проведенных в настоящее время, доказала, что изображения NDVI можно получать даже с помощью обычных цифровых камер RGB с некоторыми модификациями для получения результатов, аналогичных результатам, полученным с помощью многоспектральных камер, и их можно эффективно внедрять в системы мониторинга здоровья урожая.
Landsat 8 , Sentinel-2 и PlanetScope являются одними из основных поставщиков спутниковых снимков для создания карт NDVI и мониторинга состояния сельскохозяйственных культур.
^ Данные загружены из Австралийского бюро метеорологии 13 июня 2018 г., отображены в формате R. 14 июня 2018 г.
^ Рауз, Дж. В., Хаас, Р. Х., Шил, Дж. А. и Диринг, Д. В. (1974) «Мониторинг растительных систем на Великих равнинах с помощью ERTS». Труды 3-го симпозиума по технологиям спутникового наблюдения за ресурсами Земли (ERTS) , том 1, стр. 48-62. https://ntrs.nasa.gov/citations/19740022614
^ Криглер, Ф. Дж., Малила, ВА, Налепка, Р. Ф. и Ричардсон, В. (1969) «Преобразования предварительной обработки и их влияние на многоспектральное распознавание». Труды Шестого международного симпозиума по дистанционному зондированию окружающей среды, стр. 97-131.
^ Гейтс, Дэвид М. (1980) Биофизическая экология , Springer-Verlag, Нью-Йорк, 611 стр.
^ «Измерение растительности». NASA Earth Observatory. 2000-08-30.
^ Криппен, Р. Э. (1990) «Быстрый расчет индекса растительности», Дистанционное зондирование окружающей среды , 34 , 71-73.
^ Селлерс, П. Дж. (1985) «Отражательная способность полога, фотосинтез и транспирация», Международный журнал дистанционного зондирования , 6 , 1335-1372.
^ Минени, Р.Б., Ф.Г. Холл, П.Дж. Селлерс и А.Л. Маршак (1995) «Интерпретация спектральных индексов растительности», Труды IEEE по геонаукам и дистанционному зондированию , 33 , 481-486.
^ Кубаски, Кауан Матеус. "Городской климат: температура поверхности и NDVI анализ влияний в Понта-Гросса-PR" (PDF) (на бразильском португальском). UEPG (Проректор по исследованиям и аспирантуре-PROPESP). Архивировано из оригинала (PDF) 9 июля 2019 г. . Получено 10 сентября 2018 г. .
^ Холбен, Б.Н. (1986) «Характеристики составных изображений максимальной ценности из временных данных AVHRR», Международный журнал дистанционного зондирования , 7(11) , 1417-1434.
^ Лабиб, SM; Линдли, Сара; Хак, Джонни Дж. (июль 2020 г.). «Эффекты масштаба в показателях зеленого пространства, полученных с помощью дистанционного зондирования, и способы их смягчения для оценки воздействия на здоровье окружающей среды». Компьютеры, окружающая среда и городские системы . 82 : 101501. Bibcode : 2020CEUS...8201501L. doi : 10.1016/j.compenvurbsys.2020.101501 .
^ Нури, Хамиде; Андерсон, Шаролин; Саттон, Пол; Бичем, Саймон; Наглер, Памела; Джарчоу, Кристофер Дж.; Робертс, Дар А. (апрель 2017 г.). «NDVI, масштабная инвариантность и проблема изменяемых площадных единиц: оценка растительности в парковых зонах Аделаиды» (PDF) . Наука об окружающей среде в целом . 584–585: 11–18. Bibcode : 2017ScTEn.584...11N. doi : 10.1016/j.scitotenv.2017.01.130. PMID 28131936.
^ Нури, Хамиде; Андерсон, Шаролин; Саттон, Пол; Бичем, Саймон; Наглер, Памела; Джарчоу, Кристофер Дж.; Робертс, Дар А. (15 апреля 2017 г.). «NDVI, масштабная инвариантность и проблема изменяемых площадных единиц: оценка растительности в парковых зонах Аделаиды» (PDF) . Наука об окружающей среде в целом . 584–585: 11–18. Bibcode :2017ScTEn.584...11N. doi :10.1016/j.scitotenv.2017.01.130. PMID 28131936.
^ Ричардсон, А. Дж. и К. Л. Виганд (1977) «Различение информации о растительности и почвенном фоне», Фотограмметрическая инженерия и дистанционное зондирование , 43 , 1541-1552.
^ Хьюэте, AR (1988) «Индекс растительности с поправкой на почву (SAVI)», Дистанционное зондирование окружающей среды , 25 , 53-70.
^ Кауфман, YJ и Д. Танре (1992) «Индекс атмосферной устойчивости растительности (ARVI) для EOS-MODIS», в «Proc. IEEE Int. Geosci. and Remote Sensing Symp. '92» , IEEE, Нью-Йорк, 261-270.
^ Pinty, B.; Verstraete, MM (1992). "GEMI: нелинейный индекс для мониторинга глобальной растительности со спутников". Vegetatio . 101 (1). Springer Nature: 15–20. doi :10.1007/bf00031911. ISSN 0042-3106. S2CID 32216977.
^ А. Уэте, К. Дидан, Т. Миура, Э. П. Родригес, X. Гао, Л. Г. Феррейра. Обзор радиометрических и биофизических характеристик индексов растительности MODIS. Дистанционное зондирование окружающей среды 83(2002) 195-213 doi :10.1016/S0034-4257(02)00096-2.
^ Лисенг, Рон (2 февраля 2017 г.). "Sentera связывает процессор с датчиком для живого NDVI". Western Producer .
Ссылки
Диринг, Д. В. 1978. Характеристики отражения пастбищ, измеренные датчиками самолетов и космических аппаратов. Дисс. на соискание ученой степени доктора философии. Техасский университет A&M, Колледж-Стейшн, 338 стр.
Deering DW, JW Rouse, Jr., RH Haas и JA Schell. 1975. Измерение «производства кормов» пастбищных единиц по данным Landsat MSS, стр. 1169–1178. В трудах Десятого международного симпозиума по дистанционному зондированию окружающей среды. Университет Мичигана, Энн-Арбор.
Рауз, Дж. В., младший, Р. Х. Хаас, Дж. А. Шелл и Д. В. Диринг. 1973. Мониторинг весеннего продвижения и ретроградации (эффект зеленой волны) естественной растительности. Prog. Rep. RSC 1978-1, Remote Sensing Center, Texas A&M Univ., College Station, 93 стр. (NTIS № E73-106393)
Рауз, Дж. В., Р. Х. Хаас, Дж. А. Шелл и Д. В. Диринг (1973) «Мониторинг систем растительности на Великих равнинах с помощью ERTS», Третий симпозиум ERTS , NASA SP-351 I, 309-317.
Такер, К.Дж. (1979) «Красные и фотографические инфракрасные линейные комбинации для мониторинга растительности», Дистанционное зондирование окружающей среды , 8(2) , 127-150.
