WikiDer > Нормализованный разностный вегетационный индекс

Normalized difference vegetation index
Отрицательные значения NDVI (приближающиеся к -1) соответствуют воде. Значения, близкие к нулю (от -0,1 до 0,1), обычно соответствуют бесплодным участкам из камней, песка или снега. Наконец, низкие положительные значения соответствуют кустарникам и пастбищам (приблизительно от 0,2 до 0,4), а высокие значения указывают на влажные тропические леса умеренного пояса (значения приближаются к 1).[1]

В нормализованный разностный вегетационный индекс (NDVI) - простой графический индикатор, который можно использовать для анализа дистанционное зондирование измерения, часто от космическая платформа, оценивая, содержит ли наблюдаемая цель живой зеленый растительность.

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.[2]

Всерьез начались исследования космоса с запуском Спутник 1 посредством Советский союз 4 октября 1957 года. Это был первый рукотворный спутник на орбите земной шар. Последующие успешные запуски, как в Советском Союзе (например, Спутник и Космос программ), а также в США (например, Программа Explorer), быстро привели к созданию и эксплуатации специальных метеорологические спутники. Это орбитальные платформы с приборами, специально разработанными для наблюдения за атмосферой и поверхностью Земли с целью улучшения прогноз погоды. Начиная с 1960 г. ТИРОС В серию спутников вошли телекамеры и радиометры. Это было позже (1964 г.), за которым последовали Нимбус спутники и семья Усовершенствованный радиометр очень высокого разрешения инструменты на борту Национальное управление океанических и атмосферных исследований (NOAA) платформы. Последний измеряет коэффициент отражения планеты в красном и ближнем инфракрасном диапазонах, а также в тепловом инфракрасном диапазоне. Параллельно с этим НАСА разработало спутник технологии земных ресурсов (ERTS), который стал предшественником Программа Landsat. Эти ранние датчики имели минимальное спектральное разрешение, но имели тенденцию включать полосы в красном и ближнем инфракрасном диапазоне, которые полезны для различения растительности и облаков среди других целей.

С запуском первого спутника ERTS, который вскоре должен был быть переименован Landsat 1 - 23 июля 1972 года НАСА с помощью своего многоспектрального сканера (MSS) профинансировало ряд исследований для определения своих возможностей дистанционного зондирования Земли. Одно из этих ранних исследований было направлено на изучение озеленения весенней растительности и последующего высыхания летом и осенью (так называемое «весеннее продвижение и ретроградация») на всем протяжении с севера на юг. Большие равнины регион центральной части США. Этот регион охватывал широкий диапазон широт от южной оконечности Техас до границы США и Канады, что привело к широкому спектру солнечные зенитные углы 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 пастбищных угодий этого региона по спутниковым спектральным сигналам затруднялась этими различиями. в зенитном угле Солнца через этот сильный широтный градиент. С помощью местного математика (доктора Джона Шелла) они изучили решения этой дилеммы и впоследствии разработали отношение разности красного и инфракрасного излучений к их сумме как средство корректировки или «нормализации» эффектов зенитный угол Солнца. Первоначально они назвали это соотношение «Индексом растительности» (и другой вариант, преобразование квадратного корня из отношения суммы разности, «Индекс трансформированной растительности»); но поскольку несколько других исследователей дистанционного зондирования идентифицировали простое отношение красного / инфракрасного излучения и другие спектральные отношения как «растительный индекс», они в конечном итоге начали определять формулировку отношения разность / сумма как нормализованный разностный растительный индекс. Первое сообщение об использовании NDVI в исследовании Great Plains было в 1973 г. Rouse et al.[3] (Доктор Джон Роуз был директором Центра дистанционного зондирования Техасский университет A&M где проводилось исследование Великих равнин). Однако им предшествовала формулировка нормализованного разностного спектрального индекса Kriegler et al. в 1969 г.[4] Вскоре после запуска ERTS-1 (Landsat-1) Комптон Такер из НАСА Центр космических полетов Годдарда выпустил серию ранних статей в научных журналах, описывающих использование NDVI.

Таким образом, NDVI был одной из самых успешных из многих попыток простого и быстрого определения участков с растительностью и их «состояния», и он остается наиболее известным и используемым индексом для обнаружения пологов живых зеленых растений в данных многоспектрального дистанционного зондирования. Как только возможность обнаружения растительности была продемонстрирована, пользователи стали использовать NDVI для количественной оценки фотосинтетической способности покровов растений. Однако это может оказаться более сложным делом, если не будет выполнено должным образом, как обсуждается ниже.

Обоснование

Типичный спектр действия PAR показан рядом со спектрами поглощения хлорофилла-A, хлорофилла-B и каротиноидов.

Живые зеленые растения поглощают солнечную радиацию в фотосинтетически активная радиация (PAR) спектральная область, которую они используют в качестве источника энергии в процессе фотосинтез. Клетки листа 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 более 700 нанометров слишком мала для синтеза органических молекул. Сильное поглощение на этих длинах волн приведет только к перегреву растения и, возможно, повреждению тканей. Следовательно, живые зеленые растения кажутся относительно темными в PAR и относительно яркими в ближнем инфракрасном диапазоне.[5] Напротив, облака и снег имеют тенденцию быть довольно яркими в красном (как и в других видимых длинах волн) и довольно темными в ближнем инфракрасном диапазоне. Пигмент в листьях растений, хлорофилл, сильно поглощает видимый свет (от 0,4 до 0,7 мкм) для использования в фотосинтезе. С другой стороны, клеточная структура листьев сильно отражает свет в ближнем инфракрасном диапазоне (от 0,7 до 1,1 мкм). Чем больше у растения листьев, тем больше влияет на эти длины волн света, соответственно, поскольку ранние инструменты наблюдения Земли, такие как НАСАERTS и NOAAAVHRR, собранные 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.[6] Эти спектральные коэффициенты отражения сами по себе являются отношениями отраженного от входящего излучения в каждой спектральной полосе в отдельности, поэтому они принимают значения от 0,0 до 1,0. Таким образом, по дизайну сам NDVI варьируется от -1,0 до +1,0. NDVI функционально, но не линейно, эквивалентен простому соотношению инфракрасный / красный (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 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 этом отношении обратите внимание, что член VIS в числителе NDVI только масштабирует результат, тем самым создавая отрицательные значения. NDVI функционально и линейно эквивалентно соотношению NIR / (NIR + VIS), которое колеблется от 0 до 1 и, следовательно, никогда не бывает отрицательным или безграничным по диапазону.[7] Но самая важная концепция в понимании алгебраической формулы NDVI состоит в том, что, несмотря на свое название, это преобразование спектрального отношения (NIR / VIS), и оно не имеет функционального отношения к спектральной разнице (NIR-VIS).

В общем, если в ближнем инфракрасном диапазоне отраженного излучения гораздо больше отраженного излучения, чем в видимом диапазоне, то растительность в этом пикселе, вероятно, будет густой и может содержать какой-то тип леса. Последующая работа показала, что NDVI напрямую связан с фотосинтетической способностью и, следовательно, с поглощением энергии растительным покровом.[8][9] Хотя индекс допускает изменение от -1 до 1 даже в более густонаселенных городские районы значение нормального NDVI положительное, хотя и ближе к нулю. Отрицательные значения с большей вероятностью будут нарушены в атмосфере и некоторых конкретных материалы.[10]

Производительность и ограничения

Окружающие поля и водоемы, такие как плотина на северо-востоке, помогают маскироваться высокими значениями в Понта-Гросса, южная Бразилия

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

  • свободный стоячая вода (например, океаны, моря, озера и реки), которые имеют довольно низкий коэффициент отражения в обоих спектральных диапазонах (по крайней мере, вдали от берега) и, таким образом, приводят к очень низким положительным или даже слегка отрицательным значениям NDVI,
  • почвы которые обычно демонстрируют спектральную отражательную способность в ближней инфракрасной области, несколько большую, чем у красного, и, таким образом, также имеют тенденцию генерировать довольно небольшие положительные значения NDVI (скажем, от 0,1 до 0,2).

В дополнение к простоте алгоритма и его способности широко отличать покрытые растительностью области от других типов поверхностей, NDVI также имеет преимущество сжатия размера данных, которыми необходимо управлять, в 2 раза (или более), поскольку он заменяет два спектральных диапазона одним новым полем (в конечном итоге закодированным 8 битами вместо 10 или более битов исходных данных).

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

  • Математически сумма и разность двух спектральных каналов содержат ту же информацию, что и исходные данные, но одна разность (или нормализованная разница) несет только часть исходной информации. Вопрос о том, является ли недостающая информация актуальной или ценной, может судить пользователь, но важно понимать, что продукт NDVI несет только часть информации, доступной в исходных данных спектрального отражения.
  • Сгенерированный нормализованный индекс разницы растительности (NDVI) по спутниковым изображениям
    Пользователи NDVI склонны оценивать большое количество свойств растительности по значению этого индекса. Типичные примеры включают Индекс площади листа, биомасса, концентрация хлорофилла в листьях, продуктивность растений, фракционный растительный покров, накопленные осадки и т. д. Такие зависимости часто выводятся путем сопоставления значений NDVI, полученных из космоса, со значениями этих переменных, измеренными на земле. Этот подход поднимает дополнительные вопросы, связанные с пространственным масштабом, связанным с измерениями, поскольку спутниковые датчики всегда измеряют количества излучения для областей, значительно больших, чем те, которые измеряются полевыми приборами. Кроме того, конечно, нелогично утверждать, что все эти отношения имеют место одновременно, потому что это означало бы, что все эти экологические свойства были бы прямо и недвусмысленно связаны между собой.
  • Измерения коэффициента отражения должны производиться относительно одной и той же площади и производиться одновременно. Этого может быть нелегко достичь с помощью инструментов, которые получают разные спектральные каналы через разные камеры или фокальные плоскости. Неправильная регистрация спектральных изображений может привести к существенным ошибкам и непригодным для использования 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 повлиять на измерения, проводимые в космосе. Следовательно, последнее может быть неверно истолковано, если эти эффекты не будут должным образом приняты во внимание (как в случае, когда NDVI рассчитывается непосредственно на основе необработанных измерений).
  • Облака: глубокие (оптически толстые) облака могут быть весьма заметны на спутниковых снимках и давать характерные значения NDVI, облегчающие их просмотр. Однако тонкие облака (такие как вездесущие перистые облака) или небольшие облака с типичными линейными размерами, меньшими диаметра области, фактически взятой датчиками, могут существенно повредить измерения. Точно так же тени от облаков в областях, которые кажутся прозрачными, могут повлиять на значения NDVI и привести к неправильной интерпретации. Эти соображения сводятся к минимуму путем формирования составных изображений из ежедневных или почти ежедневных изображений.[11] Составные изображения NDVI привели к появлению большого количества новых приложений для растительности, в которых NDVI или фотосинтетическая способность меняются со временем.
  • Воздействие на почву: при намокании почвы имеют тенденцию темнеть, поэтому их отражательная способность напрямую зависит от содержания воды. Если спектральная реакция на увлажнение в двух спектральных диапазонах не совсем одинакова, 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) по-разному отражают свет в разных направлениях, и эта форма анизотропия обычно спектрально зависит, даже если общая тенденция может быть аналогичной 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 и, следовательно, от положения интересующей цели в полосе обзора инструмента или время прохождения спутника над площадкой. Это особенно важно при анализе данных AVHRR, поскольку орбита платформ NOAA имеет тенденцию дрейфовать во времени. В то же время использование составных изображений NDVI сводит к минимуму эти соображения и привело к глобальным наборам данных NDVI временных рядов, охватывающим более 25 лет.
  • Спектральные эффекты: поскольку каждый датчик имеет свои собственные характеристики и характеристики, в частности, в отношении положения, ширины и формы спектральных диапазонов, одна формула, такая как NDVI, дает разные результаты при применении к измерениям, полученным с помощью разных инструментов.
  • Проблема изменяемой площади (MAUP): NDVI повсеместно используется в качестве индекса растительности. Поскольку картографирование и мониторинг растительности осуществляется через ‘большое количество данныхСистемы обработки изображений. Эти системы могут использовать алгоритмы на основе пикселей или объектов для оценки состояния растительности, эвапотранспирация, и другие функции экосистемы. Когда категория растительности состоит из нескольких пикселей, вычисление `` среднего '' может быть средним значением NDVI для каждого пикселя (на основе пикселей) или средним значением Red и средним значением NIR для всех пикселей, в которых среднее значение NDVI является их отношением (на основе объекта). NDVI может страдать от неразрешимых проблем, связанных с MAUP. Однако недавнее исследование показало, что на пиксели чистой растительности в городской среде MAUP не оказывает значительного влияния.[12]

В научной литературе был предложен ряд производных и альтернатив NDVI для устранения этих ограничений, включая индекс перпендикулярной растительности,[13] то Индекс растительности с поправкой на почву,[14] Индекс атмосферостойкости растительности[15] и Индекс глобального мониторинга окружающей среды.[16] В каждом из них была предпринята попытка включить внутреннюю поправку на один или несколько возмущающих факторов. Однако только в середине 1990-х годов было предложено новое поколение алгоритмов для непосредственной оценки представляющих интерес биогеофизических переменных (например, доли поглощенной фотосинтетически активной радиации или ФАПАР), используя преимущества улучшенных характеристик и характеристик современных датчиков (в частности, их многоспектральных и многоугольных возможностей), чтобы учесть все возмущающие факторы. Несмотря на множество возможных возмущающих факторов на NDVI, он остается ценным инструментом количественного мониторинга растительности, когда фотосинтетическая способность поверхности земли требует изучения в соответствующем пространственном масштабе для различных явлений.

Применение в сельском хозяйстве

В точное земледелие, Данные NDVI позволяют оценить состояние сельскохозяйственных культур. Сегодня это часто связано с сельскохозяйственные дроны, которые используются в паре с NDVI для сравнения данных и выявления проблем со здоровьем сельскохозяйственных культур. Один из примеров - дроны для сельского хозяйства от PrecisionHawk и Sentera, которые позволяют земледельцам собирать и обрабатывать данные NDVI в течение одного дня, что отличается от традиционного использования NDVI и их длительного времени задержки.[17] Многие из проведенных в настоящее время исследований доказали, что изображения NDVI могут быть получены даже с использованием обычных цифровых RGB-камер с помощью некоторых модификаций, чтобы получить результаты, аналогичные результатам, получаемым с многоспектральных камер, и могут быть эффективно реализованы в системах мониторинга здоровья сельскохозяйственных культур. .

Смотрите также

Примечания

  1. ^ «Измерение растительности (NDVI & EVI)». 2000-08-30.
  2. ^ Данные загружены из Австралийское метеорологическое бюро 13 июня 2018 г., нанесено на карту Р. 14 июня 2018 г.
  3. ^ Роуз, Дж. У., Хаас, Р. Х., Шил, Дж. А., и Диринг, Д. У. (1974) «Мониторинг систем растительности на Великих равнинах с помощью ERTS». Труды 3-го симпозиума по спутнику технологии земных ресурсов (ERTS), т. 1, стр. 48-62. https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19740022592.pdf
  4. ^ Криглер, Ф.Дж., Малила, В.А., Налепка, Р.Ф., и Ричардсон, В. (1969) «Предварительная обработка преобразований и их влияние на мультиспектральное распознавание». Материалы шестого международного симпозиума по дистанционному зондированию окружающей среды, п. 97-131.
  5. ^ Гейтс, Дэвид М. (1980) Биофизическая экология, Springer-Verlag, New York, 611 p.
  6. ^ «Измерение растительности». Земная обсерватория НАСА. 2000-08-30.
  7. ^ Криппен, Р. (1990) «Расчет индекса вегетации быстрее», Дистанционное зондирование окружающей среды, 34, 71-73.
  8. ^ Селлерс, П. Дж. (1985) «Отражательная способность, фотосинтез и транспирация растительного покрова», Международный журнал дистанционного зондирования, 6, 1335-1372.
  9. ^ Минени, Р. Б., Ф. Г. Холл, П. Дж. Селлерс и А. Л. Маршак (1995). «Интерпретация спектральных индексов растительности», IEEE Transactions по наукам о Земле и дистанционному зондированию, 33, 481-486.
  10. ^ Кубаски, Кауан Матеус. «Городской климат: температура поверхности и NDVI анализ влияний в Понта-Гросса-PR» (PDF) (на португальском). UEPG (Проректор по научной и аспирантуре-ПРОПЕСП). Архивировано из оригинал (PDF) 9 июля 2019 г.. Получено 10 сентября, 2018.
  11. ^ Холбен Б. Н. (1986) «Характеристики составных изображений с максимальным значением на основе временных данных AVHRR», Международный журнал дистанционного зондирования, 7(11), 1417-1434.
  12. ^ Нури, Хамида; Андерсон, Шаролин; Саттон, Пол; Бичем, Саймон; Наглер, Памела; Jarchow, Christopher J .; Робертс, Дар А. (апрель 2017 г.). «NDVI, масштабная инвариантность и проблема изменяемой площади: оценка растительности в парке Аделаиды». Наука об окружающей среде в целом. 584-585: 11–18. Bibcode:2017ScTEn.584 ... 11N. Дои:10.1016 / j.scitotenv.2017.01.130. PMID 28131936.
  13. ^ Ричардсон, А. Дж. И К. Л. Виганд (1977) «Отличие растительности от фоновой информации о почве», Фотограмметрическая инженерия и дистанционное зондирование, 43, 1541-1552.
  14. ^ Хуэте, А. Р. (1988) «Индекс растительности с поправкой на почву (SAVI)», Дистанционное зондирование окружающей среды, 25, 53-70.
  15. ^ Кауфман, Ю. Дж. И Д. Танре (1992) «Индекс атмосферостойкости растительности (ОРВИ) для EOS-MODIS», в «Proc. IEEE Int. Geosci. и Remote Sensing Symp. 92 г., IEEE, Нью-Йорк, 261–270.
  16. ^ Pinty, B .; Verstraete, М. М. (1992). «GEMI: нелинейный индекс для мониторинга глобальной растительности со спутников». Vegetatio. Springer Nature. 101 (1): 15–20. Дои:10.1007 / bf00031911. ISSN 0042-3106.CS1 maint: ref = harv (связь)
  17. ^ Лисенг, Рон. «Sentera связывает процессор с датчиком для живого NDVI». Западный продюсер.
  18. ^ Нури, Хамида; Андерсон, Шаролин; Саттон, Пол; Бичем, Саймон; Наглер, Памела; Jarchow, Christopher J .; Робертс, Дар А. (15 апреля 2017 г.). «NDVI, масштабная инвариантность и проблема изменяемой площади: оценка растительности в парке Аделаиды». Наука об окружающей среде в целом. 584–585: 11–18. Bibcode:2017ScTEn.584 ... 11N. Дои:10.1016 / j.scitotenv.2017.01.130. PMID 28131936.

Рекомендации

  • Диринг, Д. 1978. Характеристики отражательной способности пастбищ, измеренные датчиками самолетов и космических кораблей. Кандидат наук. Дисс. Техасский университет A&M, Колледж-Стейшн, 338 стр.
  • Диринг Д. У., Дж. У. Роуз-младший, Р.Х. Хаас и Дж. А. Шелл. 1975. Измерение «кормопроизводства» пастбищ по данным Landsat MSS, стр. 1169–1178. В Proc. Десятый Int. Symp. по дистанционному зондированию окружающей среды. Univ. Мичиган, Анн-Арбор.
  • Роуз, Дж. У., мл., Р. Х. Хаас, Дж. А. Шелл, Д.В. Диринг. 1973. Мониторинг весеннего наступления и ретроградации (эффект зеленой волны) естественной растительности. Прог. Rep. RSC 1978-1, Центр дистанционного зондирования, Техасский университет A&M, College Station, 93p. (NTIS № E73-106393)
  • Роуз, Дж. У., Р. Х. Хаас, Дж. А. Шелл и Д. В. Диринг (1973). «Мониторинг систем растительности на Великих равнинах с помощью ERTS», Третий симпозиум ERTS, НАСА SP-351 I, 309-317.
  • Tucker, C.J. (1979) 'Линейные комбинации красного и фотографического инфракрасного излучения для мониторинга растительности', Дистанционное зондирование окружающей среды, 8(2),127-150.

внешняя ссылка