أكثر

القيام بـ NDVI عندما يتم إعطاء بيانات نير على شكل 3 نطاقات


لقد تم تزويدي بمجموعتي بيانات من نفس المنطقة ، واحدة مع نطاقات RGB عادية والأخرى مع بيانات NIR. مشكلتي هي أنه نظرًا لأن بيانات NIR يتم تقديمها على شكل 3 نطاقات ، فأنا لست متأكدًا من كيفية تفسير ذلك.

أظن أنه من الطبيعي في بعض مناطق الحصول على البيانات جمع بيانات NIR بكاميرا DSL مع إزالة بعض المرشحات وهذا هو سبب التقاط البيانات عبر 3 نطاقات. (لكنني في الحقيقة لا أعرف الكثير عن هذا).

كيف يمكنني تحويل النطاقات الثلاثة لبيانات نير إلى النطاق الذي أحتاجه لحساب دليل NDVI الخاص بي؟


أحيانًا يسقط الموزعون الشريط الأزرق ويقدمون فقط نطاقات nIR والأحمر والأخضر بحيث يمكن للمستخدم النهائي عرض البيانات كصورة مركبة ملونة زائفة. لنفترض أن الموزع فعل ذلك. هناك عدة طرق يمكنك من خلالها استنتاج أي النطاقات ، خاصةً في الأطوال الموجية الحمراء و nIR ، باستخدام مبادئ الاستشعار عن بعد الأساسية. على سبيل المثال ، نحن نعلم أن الإشعاع الكهرومغناطيسي في جزء الأشعة تحت الحمراء من الطيف ينعكس بشدة على النباتات الخضراء الصحية ويمتص بدرجة عالية في الماء. نعلم أيضًا أن EMR في الجزء الأحمر من الطيف يتم امتصاصه عمومًا بواسطة نباتات خضراء صحية. تأثير الاختلاف هذا هو ما يجعل NDVI مؤشرًا نباتيًا قيمًا.

توضح الأمثلة التالية الخصائص الطيفية (المقاسة بـ DN هنا) للمياه في لقطة الشاشة الأولى والنباتات الخضراء الصحية في لقطة الشاشة الثانية. بناءً على هذا التحليل ، يمكننا أن نقول أن نطاق nIR هو الطبقة 4 والشريط الأحمر هو الطبقة 1.



العلاقات الزمنية بين السلاسل الزمنية لتقدير CHIRPS لهطول الأمطار وصور الأقمار الصناعية eMODIS-NDVI في منطقة أمهرة ، إثيوبيا

Agenagnew A. Gessesse، Assefa M. Melesse، in Extreme Hydrology and Climate Variability، 2019

8.2.3.2 انعكاس وشذوذ دليل NDVI

يُحسب مؤشر NDVI على أنه الفرق بين انعكاس الأشعة تحت الحمراء القريبة (NIR) وانعكاس الأحمر (RED) مقسومًا على مجموعهما.

NDVIأنا يمثل NDVI السلس (sNDVI) الذي لوحظ في الخطوة الزمنية أنا وتنتج نسبتها مقياسًا لنشاط التمثيل الضوئي ضمن القيم بين - 1 و 1. تشير قيم NDVI المنخفضة إلى الغطاء النباتي المجهد بالرطوبة وتشير القيم الأعلى إلى كثافة أعلى للنباتات الخضراء. كما أنها تستخدم لرصد الجفاف والإنذار المبكر بالمجاعة (Wardlow وآخرون ، 2007 Javadnia et al. ، 2009).

لحساب شذوذ NDVI (ض-score) والتي كانت تتطلب سلسلة من الصور مع عام تاريخي [متوسطات طويلة الأجل (LTAs)] لكل فترة (في حالتنا: شهر) في السنة. الشذوذ (ض-نتائج) مؤشرات حالة الغطاء النباتي يمكن حسابها على النحو التالي ضNDVI وتستخدم قيمته على نطاق واسع لرصد الحالات الشاذة للنباتات (Klisch and Atzberger ، 2016). يتم حسابه على مستوى البكسل من بيانات sNDVI كـ.

أين ضNDVI هو الفرق القياسي (ض-score) من NDVI في الخطوة الزمنية أنا، NDVIأنا = سNDVI هي الملاحظة في الخطوة الزمنية أنا، يعني NDVI ، m = ∑ i NDVI i / m هو المتوسط ​​الشهري سقيم NDVI و σNDVI هو الانحراف المعياري لـ سقيم NDVI في الشهر (م) على التوالى. σNDVI يشير إلى أن عدد الانحرافات المعيارية الموقعة أعلى أو أقل من المتوسط.


معالجة NDVI

يمكن أن يكون NDVI ، أو فهرس الغطاء النباتي للاختلاف الطبيعي ، أداة رائعة لقياس صحة النباتات بالوسائل البعيدة. تم تصميم Maps Made Easy لمعالجة صور NDVI المعايرة فقط.

مع ال المعدات المناسبة، يمكن جمع صور NDVI باستخدام طائرة بدون طيار ومعالجتها لإنشاء تراكبات خرائط يمكن أن توفر ثروة من المعلومات التي قد توفر التكاليف.

"المعدات المناسبة" هي العبارة الرئيسية هنا. لا يوجد نقص في الشركات التي ترغب في بيع كاميرات "Ag" أو "NDVI" للمستخدمين التي لا تعدو كونها كاميرات تم اختراقها مع إزالة مرشحات حجب الأشعة تحت الحمراء وتركيب مرشح أزرق. لن نربطهم هنا لأنهم جميعًا مضللون جدًا في القدرات والدقة. معالجة بيانات NDVI الدقيقة يتطلب القدرة على المعايرة الكاميرا والصور للتأكد من أن نسب الضوء القريب من الأشعة تحت الحمراء ومخرجات الضوء المرئي معروفة ويمكن قياسها بشكل مناسب. لا يمكن لكاميرات المستهلك التي تم اختراقها القيام بذلك ويجب استخدام كاميرا بمستوى علمي للحصول على نتائج دقيقة. (نترك المحتوى الطيفي خارج هذا عن قصد في الوقت الحالي لإبقاء هذه المقالة سهلة القراءة.)

السبب في أن Drones Made Easy ، وهي شركة أسسها فريق من خبراء أنظمة التصوير العسكري متعدد الأطياف ، لا تقدم حاليًا أي حلول NDVI رخيصة لأنها جميعًا غير دقيقة علميًا حاليًا. نحن نقدم الآن نظامًا قائمًا على Parrot Sequoia ولكنه ليس رخيصًا تمامًا. مع NDVI ، يمكنك اختيار السعر الرخيص أو اختيار الأشياء الجيدة ، حيث لا يمكنك الحصول على كليهما الآن. يعد نظام Drones Made Easy Agronaut أرخص نظام متاح ليشمل تطبيقًا للتحكم في الطيران ومعالجة غير محدودة وكاميرا NDVI حقيقية: نظام رسم الخرائط الزراعية بدون طيار

كاميرات NDVI باهظة الثمن. حاليًا ، الخيار الأقل تكلفة لـ NDVI الحقيقي هو Sequoia by Parrot at

3500 دولار. تتوفر أيضًا تكلفة ADC Snap من TetraCam

4500 دولار إلى RedEdge من MicaSense

كاميرا 6200 دولار ، قلة من الناس على استعداد للقيام بمثل هذا الاستثمار لشيء لا يفهمونه تمامًا عندما يبدو أنه يمكنك فقط شراء واحدة من هذه الكاميرات المخترقة والحصول على نتائج مماثلة.

فيما يلي عينة من كاميرا Sequoia المستخدمة لإجراء قياسات مطلقة بمرور الوقت. تظهر ثلاث زيارات لنفس المنطقة في 1 أبريل و 8 يوليو و 12 أغسطس كيف جفت النباتات. تم التقاط جميع هذه الطبقات في ظل ظروف إضاءة مختلفة تمامًا ويمكنك أن ترى أنها تقوم بعمل جيد حقًا في الحفاظ على القيم الثابتة للمناطق غير المتغيرة. يتم عرض طبقات RGB و NDVI لكل تاريخ.

تم أخذ البيانات باستخدام نظام Drones Made Easy Agronaut وهو DJI Matrice 100 مع بعض الإلكترونيات المخصصة لقيادة H4-3D gimbal لتثبيت الكاميرا. يقوم الكمبيوتر المخصص الموجود على اللوحة أيضًا بإعداد البيانات للتحميل إلى Maps Made Easy.

لمزيد من الأمثلة على البيانات التي يتم أخذها بواسطة Agronaut وكيفية معالجتها ، راجع مقالتنا حول معالجة مكدس الصور NDVI.

لاحظ النطاق الكامل من الأحمر إلى الأخضر الداكن الذي يمثل القيم التي تتراوح من -3 إلى 1. هذا نطاق جيد ويمكنك أن ترى أن الكائنات الميتة / غير النباتية ، مثل الطريق ، حمراء. بالتأكيد ليست نباتات صحية. المناطق النباتية للحقول والأشجار خضراء بقيم من .3 إلى .9 تمثل التمثيل الضوئي النشط.

تظهر الأرقام التي تتراوح من -1 إلى +1 في الجزء السفلي من الخريطة مقياس قيم الفهرس كما تم حسابه باستخدام الصيغة التالية:

NDVI = (NIR - VIS) / (NIR + VIS)

إن ND في NDVI هو "فرق طبيعي" ويعني أن هذا قياس ذاتي التصحيح لنسب الأشعة تحت الحمراء القريبة (NIR) والضوء المرئي (VIS). يجب أن يشغل النطاق الكامل للقيم قدرًا جيدًا من مساحة النطاق من -1 إلى 1.

في الكاميرات المخترقة ، من الشائع أن يكون مقدار ضوء NIR الذي تقبله الكاميرا مختلفًا تمامًا عن ذلك الذي يتم جمعه في المرئي مما ينتج عنه النطاق الذي يتم حسابه بنطاق 0.2 أو 0.3 من النطاق الكامل فقط . إذا كانت الصورة كاملة باللون الأخضر ، فهل هذا يعني أن كل شيء سليم؟ لا. هذا يعني أن الكاميرا (أو البيانات لم تتم معايرتها بشكل صحيح والنسب التي تم حسابها لا تمثل ما يحدث بالفعل على الأرض.

فيما يلي مثال على كاميرا NDVI تمت معايرتها بشكل سيئ:

لاحظ أن النطاق يتراوح بين 0.8 و 1. كانت هذه الكاميرا تسمح بالكثير من ضوء NIR أو لم تتم معايرتها بشكل صحيح لمراعاة التباين الكبير بين مستويات ضوء NIR و VIS.

الأرقام بين -1 و 1 تعني شيئًا ما. لا يمكنك فقط تمديد القيم التي تم حسابها على أنها تتراوح من .2 إلى .5 عبر النطاق -1 إلى 1 وتسميتها بيانات NDVI الدقيقة. قد يبدو جميلًا وبه بعض الأحمر وبعض الأخضر ، لكنها لن تعني أي شيء. المعلومات التي تم إنشاؤها عن طريق القيام بذلك ليست معلومات استخباراتية قابلة للتنفيذ. إذا قدم رسام خرائط NDVI السيئ للمزارع مثل هذه المعلومات وعمل عليها ، فمن المحتمل أن يقتل محصوله بالكامل. لحسن الحظ ، المزارعون أذكياء ويعرفون بشكل أفضل. هذا هو المكان الذي يأتي فيه Ground Truthing.

الحل البديل - الحقيقة الأرضية اليدوية

إذا كان يجب عليك استخدام الكاميرا وعدم معايرتها تمامًا ، فلا يزال بإمكانك استخدام Maps Made Easy لتجميع وحساب صور الفهرس الخاصة بك.

يفترض تخطيط النغمة الخاص بنا (الذي يمكن تعديله) أن القيم المحسوبة في NDVI والتي تبلغ 0 أو أقل ميتة أو غير حية. القيم التي تبلغ 0.3 أو أعلى تقع بشكل عام في النطاق الصحي. هذا هو العلم وراء استخدام NDVI كمؤشر على صحة النبات.

تعيين نغمة مخصصة

تعيين النغمة هو العملية التي نطبق فيها لونًا على قيمة حسابية. قيمة .8 لطيفة وصحية لذلك نعطيها اللون الأخضر الداكن. القيمة -3 ميتة لذا نعطيها اللون الأحمر الداكن. من خلال الخطوات التالية من الممكن

  • تأكد من أن توازن اللون الأبيض في الكاميرا ثابت إذا أمكنك ذلك.
  • استخدم وقت عرض ثابت ، إذا أمكنك ذلك.
  • التقط بعض صور الحقيقة عن قرب للمناطق الميتة المعروفة والمعروفة (مثل الأوساخ العارية).
  • احسب يدويًا بعض القيم للأسطح السيئة والمعروفة المعروفة باستخدام أداة مجانية مثل ImageJ للحصول على قيم RGB الأولية.
  • حدد النطاق الذي تم التقاطه.
  • اضبط جدول تعيين النغمات في وقت التحميل عن طريق ضبط "إعدادات NDVI" لتعكس نطاقك المخصص.

يتم رسم خريطة الألوان الموجودة على اليمين من القيم القياسية التي يستخدمها Tetracam والتي تمتد إلى النطاق الكامل من -1 إلى +1. ستعرض خريطة الألوان المعدلة الموجودة على اليمين نطاق القيمة المضغوطة من 0.25 إلى .8 كألوان تتراوح من الأحمر إلى الأخضر. يجب إجراء هذا التعديل في وقت التحميل.

بعد تعيين النغمة المخصصة ، ستظل البيانات لا تعني شيئًا. ستظل القيم غير مُعايرة ولكن الصور ستُظهر على الأقل الألوان التي تريد تعيينها. لا يقوم تطبيق Maps Made Easy ولن يقوم بتمديد القيم المحسوبة من أجل جعل البيانات "تبدو" صحيحة. البيانات صحيحة أو ليست كذلك.

لم نخجل أبدًا من مشاركة آرائنا حول الخدمة الخاطئة التي يقوم بها هؤلاء البائعون في هذه الصناعة. إذا بدأ عدد كبير جدًا من الأشخاص في مشاركة هذه البيانات السيئة تجاريًا ، فسيتم إيقاف الصناعة الزراعية سريعًا عن التكنولوجيا في حين أنها في الواقع يمكن أن تكون أداة رائعة طالما أن الناس يقومون بذلك بشكل صحيح.


مؤشر رطوبة الفرق الطبيعي

تعرض هذه الصورة (يسارًا) انعكاس سطح لاندسات 8 (SR) و (يمين) مؤشر رطوبة الفروق المعياري للانعكاس السطحي المشتق من لاندسات (NDMI).

تم الحصول على مؤشر رطوبة الفروق المعياري (NDMI) المشتق من انعكاس سطح الأرض من Landsat 4-5 Thematic Mapper (TM) و Landsat 7 Enhanced Thematic Mapper Plus (ETM +) و Landsat 8 لتصوير الأرض التشغيلي (OLI) / مستشعر الأشعة تحت الحمراء الحرارية (TIRS) ) مشاهد يمكن معالجتها بنجاح إلى منتجات انعكاس السطح المستوي 2 من لاندسات.

يستخدم NDMI لتحديد محتوى الماء في الغطاء النباتي. يتم حسابه كنسبة بين قيم NIR و SWIR بالطريقة التقليدية.

في Landsat 4-7 ، NDMI = (النطاق 4 - النطاق 5) / (النطاق 4 + النطاق 5).

في Landsat 8 ، NDMI = (النطاق 5 - النطاق 6) / (النطاق 5 + النطاق 6).

يتم تسليم NDMI كمنتج أحادي النطاق محدد كما هو موضح في الجدول أدناه.

مواصفات مؤشر رطوبة الفروق المعياري (NDMI) المشتق من انعكاس سطح الأرض
ينسب قيمة
اسم طويل مؤشر رطوبة الفرق الطبيعي
اسم قصير LC8NDMI ، LE7NDMI ، LT5NDMI ، أو LT4NDMI
اسم الملف * _sr_ndmi.tif
نوع البيانات توقيع عدد صحيح 16 بت
الوحدات مؤشر الطيف (نسبة النطاق)
مجال صحيح -10,000 — 10,000
قيمة التعبئة -9999
قيمة التشبع 20,000
عامل المقياس *0.0001

الدخول الى البيانات

قم بزيارة صفحة الويب مؤشرات الطيفية المشتقة من انعكاسات سطح الأرض للحصول على معلومات حول موانع المنتج والاستشهاد والمعلومات المرجعية.


NDVI ، مؤسسة علم فينولوجيا الاستشعار عن بعد

تستخدم دراسات فينولوجيا الاستشعار عن بعد البيانات التي تم جمعها بواسطة أجهزة استشعار الأقمار الصناعية التي تقيس الأطوال الموجية للضوء الذي تمتصه وتعكسه النباتات الخضراء. تمتص أصباغ معينة في أوراق النبات بقوة أطوال موجية من الضوء المرئي (الأحمر). تعكس الأوراق نفسها بقوة الأطوال الموجية لضوء الأشعة تحت الحمراء القريبة ، وهو أمر غير مرئي للعين البشرية. مع تغير مظلة النبات من نمو الربيع المبكر إلى النضج والشيخوخة في أواخر الموسم ، تتغير خصائص الانعكاس هذه أيضًا.

حقل من عباد الشمس بالقرب من ميدلاند بولاية ساوث داكوتا.

(الائتمان: ستيفن بي شيفرز ، هيئة المسح الجيولوجي الأمريكية. المجال العام.)

العديد من أجهزة الاستشعار المحمولة على متن الأقمار الصناعية تقيس موجات الضوء الأحمر والأشعة تحت الحمراء القريبة من سطح الأرض. باستخدام الصيغ الرياضية (الخوارزميات) ، يحول العلماء بيانات الأقمار الصناعية الأولية حول موجات الضوء هذه إلى مؤشرات الغطاء النباتي. مؤشر الغطاء النباتي هو مؤشر يصف الخضرة - الكثافة النسبية للنباتات وصحتها - لكل عنصر من عناصر الصورة أو البكسل في صورة القمر الصناعي.

على الرغم من وجود العديد من مؤشرات الغطاء النباتي ، فإن أحد أكثر مؤشرات الغطاء النباتي استخدامًا هو مؤشر الغطاء النباتي (NDVI). تتراوح قيم NDVI من +1.0 إلى -1.0. عادةً ما تظهر مناطق الصخور القاحلة أو الرمال أو الثلج قيم NDVI منخفضة جدًا (على سبيل المثال ، 0.1 أو أقل). قد ينتج عن الغطاء النباتي المتناثر مثل الشجيرات والأراضي العشبية أو المحاصيل الشيخوخة قيم معتدلة في مؤشر NDVI (حوالي 0.2 إلى 0.5). تتوافق قيم NDVI العالية (تقريبًا 0.6 إلى 0.9) مع الغطاء النباتي الكثيف مثل تلك الموجودة في الغابات المعتدلة والاستوائية أو المحاصيل في مرحلة ذروة نموها.

من خلال تحويل بيانات الأقمار الصناعية الأولية إلى قيم NDVI ، يمكن للباحثين إنشاء صور ومنتجات أخرى تعطي مقياسًا تقريبيًا لنوع الغطاء النباتي وكميته وحالة أسطح الأرض حول العالم. يعتبر NDVI مفيدًا بشكل خاص لرصد الغطاء النباتي على نطاق قاري إلى عالمي لأنه يمكن أن يعوض عن ظروف الإضاءة المتغيرة ومنحدر السطح وزاوية الرؤية. ومع ذلك ، يميل NDVI إلى التشبع فوق الغطاء النباتي الكثيف وهو حساس للون التربة الكامنة.

يمكن حساب متوسط ​​قيم NDVI بمرور الوقت لتأسيس ظروف نمو "طبيعية" في منطقة ما في وقت معين من العام. يمكن لمزيد من التحليل بعد ذلك أن يميز صحة الغطاء النباتي في ذلك المكان بالنسبة للقاعدة. عند تحليله عبر الزمن ، يمكن لـ NDVI أن يكشف عن مكان ازدهار الغطاء النباتي وأين يتعرض للإجهاد ، بالإضافة إلى التغيرات في الغطاء النباتي بسبب الأنشطة البشرية مثل إزالة الغابات والاضطرابات الطبيعية مثل الحرائق البرية أو التغيرات في المرحلة الفينولوجية للنباتات.


أرشيف USGS EROS - مراقبة الغطاء النباتي - مجموعة مقياس إشعاع التصوير المرئي بالأشعة تحت الحمراء (eVIIRS) من EROS

تعتمد مجموعة مجموعة مقياس إشعاع التصوير المرئي بالأشعة تحت الحمراء (eVIIRS) لمركز رصد موارد الأرض والعلوم (EROS) على بيانات Suomi National Polar-Orbiting Partnership (S-NPP) المرئية لمجموعة مقياس الإشعاع للتصوير بالأشعة تحت الحمراء (VIIRS) التي حصل عليها NPP ، وهو نتيجة شراكة بين الإدارة الوطنية للملاحة الجوية والفضاء (ناسا) والإدارة الوطنية للمحيطات والغلاف الجوي (NOAA).

eVIIRS (مجموعة مقياس إشعاع التصوير المرئي بالأشعة تحت الحمراء من EROS) عينة فرعية CONUS
(المجال العام)

تستخدم مجموعة EROS Visible Infrared Imaging Radiometer Suite (eVIIRS) مجموعة فهرس الغطاء النباتي للاختلاف المعياري (NDVI) مجموعة مجموعة مقياس الإشعاع المرئي للتصوير بالأشعة تحت الحمراء (VIIRS) المتوفرة في قدرة الغلاف الجوي الأرضي في ناسا في الوقت الفعلي القريب لـ EOS (LANCE) للإسراع المنتج والمستوى 1 ونظام توزيع وأرشيف الغلاف الجوي (LAADS) للمنتجات التاريخية.

يوفر الاستشعار عن بعد ذو الدقة المعتدلة وسيلة لمجتمعات المراقبة التشغيلية لتطوير معلومات الاتجاهات التاريخية واستخدام الانحرافات في الوقت الفعلي تقريبًا عن المتوسطات الزمنية لتحديد مجالات التغيير. هناك حاجة إلى قياسات ساتلية عالية الجودة ومتسقة ومعايرة جيدًا لاكتشاف ورصد التغيرات والاتجاهات ، لا سيما في أنماط الغطاء النباتي المفيدة في دراسات الجفاف وغلة المحاصيل وعلم الفينولوجيا وإمكانية اندلاع الحرائق.

تعتمد مجموعة eVIIRS على بيانات S-NPP VIIRS التي حصلت عليها NPP. على الرغم من أن بيانات VIIRS NDVI متوفرة كمركبات في LP DAAC كمنتجات بطول 500 م و 1 كم 8 أيام ، فإن منتج eVIIRS يلبي الحاجة إلى مجموعة بيانات 375 م في 7 و 14 و 10 مجموعات بيانات dekadal-day لتتناسب مع مقياس طيف التصوير الإشعاعي المتوسط ​​الدقة (eMODIS) من EROS.

تشتمل مجموعة منتجات eVIIRS التاريخية على مواد مركبة من 7 إلى 14 يومًا للولايات المتحدة (CONUS) وألاسكا وعلى جدول dekadal الشهري لمدة 10 أيام لمناطق NDVI الخاصة بأنظمة الإنذار المبكر بالمجاعة (FEWS) بما في ذلك أمريكا الوسطى / الكاريبي والمكسيك وأفريقيا وآسيا الوسطى وأمريكا الجنوبية وأستراليا ونيوزيلندا. يعمل الإنتاج المعجل (شبه الحقيقي) يوميًا لمنتجات 7 أيام (CONUS). توفر كل مجموعة بيانات الحصول على المعلومات والجودة ومعلومات NDVI بدقة مكانية تبلغ 375 مترًا. نظرًا لأن كل من المواد المركبة يتم إنشاؤها من عدد متفاوت من الصور ، فإن مركبات eVIIRS تتضمن ملفات اكتساب لتحديد أي من المدخلات تم استخدامه لملء المركب النهائي. تلخص البيانات الوصفية المصاحبة لملفات البيانات الحدود الجغرافية ومعلمات الإسقاط ومعلومات الاتصال بالمنتج.

تنتج eVIIRS حاليًا NDVI ومركبات الانعكاس السطحي على CONUS و Alaska وأمريكا الوسطى / الكاريبي والمكسيك ، بينما تحتوي إفريقيا وآسيا الوسطى وأمريكا الجنوبية وأستراليا ونيوزيلندا على مركبات NDVI فقط.

عملية البناء المركب

تتمثل الخطوة الأولى في عملية البناء المركب لـ eVIIRS في إنشاء نطاقات Geotiff المختلفة المطلوبة لبناء مركب NDVI لكل يوم من الأيام والأوقات في فترة التركيب. على سبيل المثال ، قد تكون فترة التركيب 7 أو 10 أيام.

أحد نطاقات GeoTIFF التي تم إنشاؤها هو نطاق NDVI. يتم إنشاء NDVI من المعادلة المعروفة

حيث يمثل اللون الأحمر نطاق VIIRS I1 و NIR يمثل النطاق I2. تأتي هذه الأشرطة من نطاقات انعكاس السطح التي يبلغ ارتفاعها 375 مترًا لحبيبات VNP09.

الحد الأدنى لقيم NDVI المسموح بها هي -0.1999 ، ويتم قياس جميع قيم NDVI (التي تقع عادةً بين -1.0 و 1.0) بمقدار 10000. وبالتالي ، فإن قيم NDVI الناتجة من هذا التطبيق تقع بين -2000 و 10000 (باستثناء قيم انعكاس السطح السلبية) لتتناسب مع منتجات LP DAAC MOD09.

إذا كانت أي من قيم البكسل الحمراء أو NIR هي تعبئة الخلفية ، فسيتم تعيين قيمة NDVI الناتجة على UNDEF (-2000). تنطبق نفس القيمة إذا كانت وحدات البكسل الحمراء و NIR بنفس القيمة. إذا كانت أيًا من وحدات البكسل الحمراء أو NIR سالبة ، فسيتم ضبط قيمة NDVI الناتجة على NEG_SR (-3000).

النطاقات الأخرى التي تم إنشاؤها لعملية التركيب هي زوايا القمر الصناعي ونطاقات جودة انعكاس السطح 1 و 2 و 4.

الحساب المركب

تم تطوير البرنامج المستخدم لإنشاء مركبات dekadal NDVI لمدة 7 و 14 و 10 أيام بواسطة فريق تطوير برامج USGS EROS. يقوم البرنامج بمعالجة حبيبات VIIRS 375-m لإنتاج 375 م و / أو 1 كم من المنتجات المركبة.

يقوم البرنامج بتوصيل حبيبات الرقعة المطلوبة (VNP09 و NPP_IMFTS_L1) للمنطقة المحددة المحددة (باستخدام إحداثيات الزاوية اليمنى العلوية والسفلية). لكل حبيبة شبكية ، يتم إنشاء نطاق NDVI باستخدام النطاقات الحمراء (النطاق I1) و NIR (النطاق I2).

بمجرد أن يتم ربط كل حبيبة بنطاقات الإحداثيات المحددة وبناء مؤشر NDVI ، يتم إنشاء مركب ذو قيمة قصوى محسّن (MVC). باستخدام خوارزمية MVC مباشرة ، سيتم ملء كل بكسل في المركب (لكل نطاق) باستخدام قيمة البكسل للحبيبة مع أعلى مؤشر NDVI للبكسل الحالي. تم تحسين MVC في خوارزمية eVIIRS الحالية من خلال دمج جودة النطاق والقناع السحابي وانعكاس السطح السلبي وزاوية الرؤية في خوارزمية معالجة eVIIRS.

  1. تُستخدم معلومات جودة النطاق في منتج انعكاس السطح لتحديد ما إذا كانت وحدة بكسل معينة "ذات جودة رديئة". لا يتم استخدام وحدات البكسل ذات الجودة الرديئة في المنتج المركب النهائي.
  2. تشير خوارزمية NDVI إلى قيم الانعكاس السطحي السلبية بحيث لا يتم استخدامها في مركب الإخراج ، إذا توفرت القيم الموجبة. إذا كانت قيم انعكاس سطح النطاق الأحمر أو NIR سالبة ، فسيتم وضع علامة على قيمة NDVI الناتجة بقيمة -3000. (ملاحظة: قيم NDVI لملء الخلفية أو غير المحددة هي -2000 ويتم تحديد ذلك على أنه الحد الأدنى لقيم NDVI "الصالحة".) ثم تتجاهل الخوارزمية المركبة الحبيبات ذات قيم NDVI البالغة -3000 لتجاهل قيم انعكاس السطح السلبية في المخرجات مركب.
  3. يتم استخدام قناع السحابة لتقليل وجود وحدات البكسل السحابية في المنتج المركب. إذا كانت علامة الجودة واضحة و / أو واضحة تمامًا ، فيمكن استخدام البكسل لملء البكسل المركب الحالي.
  4. تحدد زاوية العرض (المسافة من نظير النظير) أي من أعلى بيكسل NDVI يتم استخدامه في المركب. من بين وحدات البكسل غير السحابية ذات الجودة المثالية ، يتم تحديد أعلى قيمتين في NDVI من قائمة الحبيبات. من هاتين الحبيبتين ، يتم استخدام قيمة البكسل الأقرب إلى النظير لملء المركب.

يتم إنشاء المنتجات من أجل S-NPP VIIRS في جميع المناطق بما في ذلك CONUS و Alaska ويتم عرضها على شبكة خرائط إقليمية محددة ويتم تسليمها بتنسيق GeoTIFF مضغوط (مضغوط).

هناك نوعان من الدقة المكانية (375 م و 1000 م) متاحان للتنزيل بشكل فردي. تتوفر هذه البيانات في EarthExplorer وكذلك واجهة برمجة التطبيقات من آلة إلى آلة. منتج التنزيل هو ملف .zip يحتوي على 6 ملفات ، بما في ذلك ثلاثة ملفات .tif وملف jpeg وملفان .txt.

فيما يلي قائمة عينة من الملفات من ملف CONUS.

US_eVSH_NDVI.2020.350-356.1KM.VI_ACQI.006.2020362063105.tif
US_eVSH_NDVI.2020.350-356.1KM.VI_ACQT.006.2020362063105.txt ملف نصي اكتساب
US_eVSH_NDVI.2020.350-356.1KM.VI_META.006.2020362063314.met ملف نصي للبيانات الوصفية
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.jpg تصفح JPEG
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.tif NDVI geotiff
US_eVSH_NDVI.2020.350-356.1KM.VI_QUAL.006.2020362063105.tif الجودة الجغرافية

نطاق الاكتساب (ACQI)

يوفر نطاق الاكتساب للمستخدم صورة GeoTIFF التي يمكن تراكبها على صورة NDVI بحيث يمكن للمستخدم بعد ذلك تحديد كل حبيبة توفر القيمة لكل بكسل NDVI. سيتم استخدام DOY ورقم الاستحواذ لتحديد عملية الاستحواذ. رقم الاستحواذ في هذه الحالة لا يمثل وقت الاستحواذ ، ولكن ترتيب الالتقاط. يتم تمثيل قيم المخرجات كعدد صحيح 16 بت بدون إشارة باستخدام المعادلة

وبالتالي ، سيكون الاستحواذ الأول لـ DOY 117 هو 117001. سيكون الاستحواذ الحادي عشر لـ DOY 117 هو 117011. لتسهيل تحديد المستخدم لتحديد قيمة عدد صحيح للاكتساب إلى أي حبيبة ، تمت كتابة ملف نصي لجدول اكتساب الإخراج لمطابقة قيم اكتساب الأسماء الحبيبية.

ملف التزويد النصي (ACQT)

يوفر ملف نصي الاكتساب للمستخدم ملفًا نصيًا لمرافقة صورة التزويد ، والتي تعطي التفاصيل المركبة للبيانات المستخدمة لإنشاء المنتج. تُستخدم قائمة قيم نطاق الاكتساب هذه في منتج نطاق الاستحواذ المركب واسم ملف الاكتساب المقابل لقيمة الاكتساب هذه.

160005 MA2RG_2020_160_2120_250m_NDVI.hdf
160004 MA2RG_2020_160_1940_250m_NDVI.hdf
160003 MA2RG_2020_160_1935_250m_NDVI.hdf
160002 MA2RG_2020_160_1800_250m_NDVI.hdf
160001 MA2RG_2020_160_1755_250m_NDVI.hdf
159007 MA2RG_2020_159_2035_250m_NDVI.hdf
159006 MA2RG_2020_159_2030_250m_NDVI.hdf
159005 MA2RG_2020_159_1900_250m_NDVI.hdf

البيانات الوصفية (META)

يوفر ملف البيانات الوصفية تفاصيل حول الصورة المركبة ، بما في ذلك الفترة الزمنية للاكتساب ، وتواريخ النشر ، وعدد وحدات البكسل والصفوف ، ومعلومات عرض الخريطة ، والمرجع ، ودقة البكسل ، والقمر الصناعي والنظام الأساسي ، ونوع البيانات الرقمية ، وقيم التعبئة ، وعوامل القياس ، والمركز و إحداثيات الزاوية.

تصفح JPEG

يتم توفير صورة استعراض كاملة الدقة بتنسيق JPEG ويتم ضغطها مع المنتج واستخدامها لعرض الصورة على EarthExplorer. يتم استخدام تعيين الألوان لإنشاء صورة ملونة لصورة الاستعراض وليست مماثلة لبيانات النطاق الأحادي 16 بت المقدمة في NDVI GeoTIFF.

NDVI / GeoTIFF الانعكاس السطحي

NDVI GeoTIFF هو المنتج الذي تم إنشاؤه في عملية التركيب المفصلة في القسم أعلاه. جميع الملفات الأخرى بما في ذلك نطاق الجودة ، وشريط الاستحواذ ، وكذلك الملفات النصية والتصفح هي ملفات مصاحبة لمنتج NDVI هذا.

تم إنشاء مركب انعكاس السطح أيضًا لـ CONUS و Alaska وأمريكا الوسطى / الكاريبي والمكسيك وهو متاح كخيار تنزيل منفصل في EarthExplorer.

نطاق الجودة (QA)

نطاق ضمان الجودة (QA) هو 8 بت ويتم إنتاجه بواسطة البرنامج المركب لتحديد جودة كل بكسل مركب. سيتم ملء معظم وحدات البكسل ببكسل بجودة نطاق جيدة. ومع ذلك ، إذا لم تكن أي من الحبيبات الخاصة ببكسل معين ذات جودة نطاق جيدة أو كانت جميع وحدات البكسل غائمة ، فسيتم ملء البكسل الحالي ببيانات من أفضل بكسل ممكن حيث يكون ترتيب التفضيل صالحًا لـ NDVI على التعبئة ، ونوعية جيدة أكثر بكسل ثلجي سيئ فوق بكسل غائم. يتم استخدام القيم التالية في نطاق QA:

0 = جودة جيدة
1 = بكسل غائم
2 = جودة الفرقة سيئة
4 = ثلج
10 = املأ

يتكون النطاق 1 لجودة انعكاس السطح من قيم البت التالية. رقم البت 0 هو البت في الرقم الثنائي الذي يمثل أقل قيمة عددية أو أقل قيمة بت (LSB).

نطاق جودة انعكاس السطح 1
رقم القطعة اسم المعلمة مزيج البت تعريف
0-1 جودة قناع السحابة 00 مسكين
01 قليل
10 متوسط
11 عالي
2-3 اكتشاف السحابة والثقة 00 ثقة واضحة
01 ربما واضح
10 ربما غائم
11 ثقة غائمة
4 ليلا نهارا 0 يوم
1 ليلة
5 ماسك لو صن 0 عالي
1 قليل
6-7 صن غلينت 00 لا أحد
01 أساس الهندسة
10 على أساس سرعة الرياح
11 الهندسة وسرعة الرياح

يتكون النطاق 2 من جودة انعكاس السطح من قيم البت التالية.

نطاق جودة انعكاس السطح 2
رقم القطعة اسم المعلمة مزيج البت تعريف
0-2 خلفية الأرض / المياه 000 الأرض والصحراء
001 أرض لا صحراء
010 المياه الداخلية
011 مياه البحر
100 ---
101 ساحلي
110 ---
3 قناع الظل 0 لا سحابة الظل
1 ظل

يتكون النطاق 4 من جودة انعكاس السطح من قيم البت التالية. تُستخدم البتتان 1 و 2 من نطاق الجودة 4 لتحديد ما إذا كان ينبغي استخدام البتات من نطاق شبكة I1 (أحمر) أو I2 (قريب من الأشعة تحت الحمراء) في إنشاء نطاق NDVI. انعكاس اتجاه السطح (SDR) ، سماكة الهباء البصري (AOT) ، Ante Meridiem (AM) ، مياه نفاذة (PW)

نطاق جودة انعكاس السطح 4
رقم القطعة اسم المعلمة مزيج البت تعريف
0 بيانات SDR BAD M11 0 لا
1 نعم
1 بيانات I1 SDR سيئة 0 لا
1 نعم
2 بيانات I2 SDR سيئة 0 لا
1 نعم
3 بيانات I3 SDR سيئة 0 لا
1 نعم
4 الجودة الشاملة لـ AOT 0 حسن
1 سيئ
5 بيانات إدخال AOT مفقودة 0 لا
1 نعم
6 بيانات إدخال AM غير صالحة للأرض 0 صالح
1 إدخال AM غير صالح فوق الأرض أو فوق المحيط
7 بيانات إدخال PW مفقودة 0 لا
1 نعم

خرائط التغطية

خرائط التغطية التي تشير إلى توفر منتجات eVIIRS NDVI متاحة للتنزيل.

معلومة اضافية

بيانات الدخول

يمكن البحث في منتجات eVIIRS NDVI الموجودة في أرشيف USGS باستخدام EarthExplorer. في EarthExplorer ، يمكن العثور على منتجات eVIIRS NDVI ضمن فئة مراقبة الغطاء النباتي.


القيام بـ NDVI عندما يتم إعطاء بيانات nir على شكل 3 نطاقات - أنظمة المعلومات الجغرافية

يأتي حساب فهرس الغطاء النباتي للاختلاف المعياري (NDVI) ، والمتوفر أثناء التنقل ، أولاً. بالإضافة إلى ذلك ، غالبًا ما يستخدم NDVI في جميع أنحاء العالم لرصد الجفاف والتنبؤ بالإنتاج الزراعي والمساعدة في التنبؤ بمناطق الحرائق والخرائط الهجومية الصحراوية. تدمج تطبيقات الزراعة ، مثل مراقبة المحاصيل ، NDVI لتسهيل استكشاف المحاصيل وإعطاء الدقة في استخدام الأسمدة والري ، من بين أنشطة المعالجة الميدانية الأخرى ، في مراحل نمو محددة. يُفضل NDVI لرصد الغطاء النباتي العالمي لأنه يساعد في التعويض عن التغيرات في ظروف الإضاءة ، وانحدار السطح ، والتعرض ، والعوامل الخارجية الأخرى.

يتم حساب NDVI وفقًا للصيغة:

انعكاس NIR & # 8211 في طيف الأشعة تحت الحمراء القريبة
انعكاس RED & # 8211 في النطاق الأحمر للطيف

وفقًا لهذه الصيغة ، فإن كثافة الغطاء النباتي (NDVI) عند نقطة معينة من الصورة تساوي الفرق في شدة الضوء المنعكس في النطاق الأحمر والأشعة تحت الحمراء مقسومًا على مجموع هذه الشدة.

يحدد هذا الفهرس القيم من -1.0 إلى 1.0 ، وهو يمثل أساسًا الخضر ، حيث تتشكل القيم السالبة بشكل أساسي من السحب والمياه والثلج ، وتتشكل القيم القريبة من الصفر بشكل أساسي من الصخور والتربة العارية. تتوافق القيم الصغيرة جدًا (0.1 أو أقل) لوظيفة NDVI مع المساحات الفارغة من الصخور أو الرمال أو الثلج. تمثل القيم المتوسطة (من 0.2 إلى 0.3) الشجيرات والمروج ، بينما تشير القيم الكبيرة (من 0.6 إلى 0.8) إلى الغابات المعتدلة والاستوائية. تستخدم مراقبة المحاصيل هذا المقياس بنجاح لتوضيح للمزارعين أجزاء من حقولهم بها نباتات كثيفة أو معتدلة أو متفرقة في أي لحظة.

ببساطة ، NDVI هو مقياس لحالة صحة النبات بناءً على كيفية عكس النبات للضوء عند ترددات معينة (يتم امتصاص بعض الموجات وينعكس البعض الآخر).

يمتص الكلوروفيل (مؤشر صحي) الضوء المرئي بقوة ، ويعكس التركيب الخلوي للأوراق بقوة ضوء الأشعة تحت الحمراء القريبة. عندما يصاب النبات بالجفاف ، والمرض ، والمرض ، وما إلى ذلك ، تتدهور الطبقة الإسفنجية ، ويمتص النبات المزيد من ضوء الأشعة تحت الحمراء القريبة ، بدلاً من عكسه. وبالتالي ، فإن مراقبة كيفية تغير NIR مقارنة بالضوء الأحمر يوفر مؤشرًا دقيقًا لوجود الكلوروفيل ، الذي يرتبط بصحة النبات.

تعد مراقبة المحاصيل أداة مثالية لتتبع صحة المحاصيل في الحقل بمساعدة مؤشر NDVI الذي يتم قياسه أثناء الطيران. كل ما عليك فعله هو إضافة الحقول الخاصة بك إلى النظام ، وتخصيص إعدادات NDVI والبدء في تلقي الإخطارات.

أداة تحليلات الحقول مع إمكانية الوصول إلى صور الأقمار الصناعية عالية الدقة لتحديد مناطق المشاكل البعيدة!

تتبع مراقبة المحاصيل التغييرات في NDVI للحقول الفردية طوال الموسم. يمكّنك هذا من الرجوع إلى إنتاجية المجال التاريخي لما يصل إلى 5 سنوات ماضية. يمكنك مراقبة كل من أنماط دوران المحاصيل ومعدلات الغطاء النباتي الحالية. بمساعدة المخططات سهلة الاستخدام ، يتصور التطبيق أنواعًا مختلفة من البيانات ، بما في ذلك مؤشرات الغطاء النباتي ودرجة الحرارة ومعدل هطول الأمطار ومراحل النمو والطقس التاريخي وغير ذلك. ميزة أخرى مهمة ، بناءً على حساب معدلات NDVI ، يتيح لك تقسيم المناطق تحديد مناطق الإنتاجية العالية ، فضلاً عن اكتشاف نقاط الضعف في المجال التي تتطلب معاملة خاصة. تحتاج كل منطقة ، في كل مرحلة من مراحل النمو ، إلى كمية مختلفة من السماد ومعالجة الري (يتم تحديد الأخير أيضًا بناءً على معدلات هطول الأمطار) ، وكلاهما يمكن تعديلهما يدويًا في التطبيق بدرجة كبيرة من الدقة. ومع ذلك ، لا تنتهي الزراعة الدقيقة ، القائمة على مؤشر NDVI ، عند هذا الحد! تقوم مراقبة المحاصيل بتحديث الاستكشاف باستخدام NDVI للعثور على مناطق المشاكل في الحقل وإرسال الكشافة مباشرة إلى الموقع المحدد ، وبالتالي توفير الوقت والموارد. يتم إخطار المستخدمين أيضًا في كل مرة يتم فيها اكتشاف تغيير غير طبيعي في قيمة NDVI ، مما يسمح للمزارعين والتجار وشركات التأمين باتخاذ قرارات زراعية مستنيرة في الوقت المناسب.


1 المقدمة

يمتد الماء ما يقرب من 71٪ من سطح الأرض ، كما أنه ضروري لوجود واستدامة الكائن الحي على سطح الأرض 1. تشكل المياه العذبة 2.5٪ فقط من مياه الأرض. يوجد حوالي 0.3٪ من المياه العذبة في الأنهار والبحيرات والجو 2. In general, the understanding of the water quality plays a critical role prior to utilize for various purposes including drinking 3 . In this paper, we opted to understand the surface water quality for the Bow River, which is a major river in the Canadian province of Alberta having a total length of 587 km, and a main source of drinking water for many communities of the province 4 .

The surface water quality of the Bow River is measured every month at three fixed sampling sites (i.e. Carseland, Cluny, and Ronalane) for different water quality variables using the traditional methods. In general, these methods provide accurate measurement. However, these may not be feasible means to sample the entire river due to the huge involvement of labor and cost. Currently, the measured data of water quality variables at the sampling sites of the Bow River are grouped into five classes (i.e. excellent, good, fair, marginal and poor) using the framework of Canadian Water Quality Index (CWQI: see details in Section 2.5) 5 . These classes are obtained on the basis of fixed-point locations, which do not represent the spatial dynamics of the entire river.

In another study, we classified the surface water quality of major rivers of Alberta on the basis of clusters. We observed higher (deteriorated water quality) clusters (i.e. 4 and 5) for the rivers during the growing season (April 1–September 30) as compared to lower clusters (i.e. 1, 2, and 3) in winter months (Oct 1–March 31). During the growing season, the snowmelt wash various materials from the land surface into the rivers due to anthropogenic activities related to different types of land use/cover. Turbidity was found to be a dominant parameter associated with the deterioration in water quality during the growing season 6 . On this basis, we considered turbidity separately besides CWQI in this study. For the Bow River, the turbidity is measured at fixed sampling location, which does not represent the mean turbidity for the whole water body 7 .

In order to address the spatial variability in water quality real time data, remote sensing-based methods were found to be alternative and efficient ones 8-10 . The remote sensing methods are suitable to analyze: (i) spatial variability over a large geographic area, (ii) temporal trends over certain periods of interests, and (iii) the conditions of the water bodies in remote areas. In remote sensing, optical remote sensors are used for monitoring the water quality-related variables. The most commonly used sensors include the use of Landsat-7 ETM 11, 12 , Landsat-5 TM 13, 14 , MODIS 15 , NOAA AVHRR 16 , and SPOT HVR 17 among others. In most of the instances, the spectral bands used in these studies included blue (B), green (G), red (R), and near infrared (NIR) 11-17 . The observed planetary reflectance from these bands was used to study water quality variables including suspended sediment, turbidity, Secchi disk depth, and chlorophyll-a 12, 13, 18, 19 .

In another study, we classified and analyzed the surface water quality for twelve major rivers of Alberta. We developed a surface water quality classification system using principal component analysis, total exceedance model and clustering technique. From principal component analysis, we identified seven major principal components, which were the indicators of watershed geology, mineralization, and anthropogenic activities related to land use/cover. The principal components were used to identify the dominant parameters. The normalized data of dominant parameters were used to develop a total exceedance model. The exceedance values were used to determine the patterns for the development of five clusters. The water quality deteriorates as the cluster number increased from cluster 1 to cluster 5. The clusters showed reasonably strong agreements (i.e. 80–90%) against the classes of CWQI. The dominant clusters during the growing and winter seasons were used for the spatial and temporal patterns of the surface water quality of rivers 6 .

In the present study, we have tested remote sensing-based methods for acquiring CWQI and turbidity classes for assessing both spatial and temporal dynamics of the Bow River. The specific objectives of this paper are to: (i) develop and evaluate remote sensing based models to acquire CWQI classes using the planetary reflectance of Landsat-5 TM and ground measured data, (ii) develop and evaluate remote sensing based models to retrieve turbidity using the planetary reflectance of Landsat-5 TM and in situ data, (iii) apply the selected models to classify the source waters of the Bow River into CWQI and turbidity classes for spatial and temporal analysis, and (iv) study the impact of natural sub-regions on Bow River water quality.


Landsat Enhanced Vegetation Index

This image displays a (left) Landsat 8 Surface Reflectance (SR) and (right) the SR-derived Enhanced Vegetation Index (EVI).

Landsat Surface Reflectance-derived Enhanced Vegetation Index (EVI) are available for Landsat 4–5 Thematic Mapper (TM), Landsat 7 Enhanced Thematic Mapper Plus (ETM+), and Landsat 8 Operational Land Imager (OLI)/Thermal Infrared Sensor (TIRS) scenes that can be successfully processed to Landsat Level-2 Surface Reflectance products.

EVI is similar to Normalized Difference Vegetation Index (NDVI) and can be used to quantify vegetation greenness. However, EVI corrects for some atmospheric conditions and canopy background noise and is more sensitive in areas with dense vegetation. It incorporates an “L” value to adjust for canopy background, “C” values as coefficients for atmospheric resistance, and values from the blue band (B). These enhancements allow for index calculation as a ratio between the R and NIR values, while reducing the background noise, atmospheric noise, and saturation in most cases.

EVI = G * ((NIR - R) / (NIR + C1 * R – C2 * B + L))

In Landsat 4-7, EVI = 2.5 * ((Band 4 – Band 3) / (Band 4 + 6 * Band 3 – 7.5 * Band 1 + 1)).

In Landsat 8, EVI = 2.5 * ((Band 5 – Band 4) / (Band 5 + 6 * Band 4 – 7.5 * Band 2 + 1)).

EVI is delivered as a single band product, specified as shown in the table below.


Evaluating the performance of vegetation indices for detecting oil pollution effects on vegetation using hyperspectral (Hyperion EO-1) and multispectral (Sentinel-2A) data in the Niger Delta

Nkeiruka N. Onyia , . Juan Carlos Berrío , in Hyperspectral Remote Sensing , 2020

19.2.8 Vegetation indices

VIs to detect canopy chlorophyll content and stress pigments were derived from the three datasets, namely HS, MS, and FS. The indices calculated include:

Normalized difference vegetation index (NDVI), which is a broadband greenness index computed from the Sentinel-2A image.

Red-edge normalized difference vegetation index (RENDVI), which is a narrowband equivalent of the NDVI. This index was computed using the Hyperion and FS datasets.

Red-edge position index (REP), which was manually computed as the maximum first derivative of reflectance at Hyperion wavelengths between 671 and 782 nm (Clark et al., 2010). It is a chlorophyll related index with reduced sensitivity to variations in leaf/canopy chlorophyll content as well as environmental conditions ( Gholizadeh et al., 2016 ).

Anthocyanin reflectance index 2 (ARI2), which was used to estimate the concentration of anthocyanins in the leaf canopy. This index is often used to detect plant stress.

Structural insensitive pigment index (SIPI), which maximizes sensitivity to carotenoids while minimizing sensitivity to variation in canopy structure ( Peñuelas et al., 1993 ). The index is commonly used for plant physiological stress detection.

ARI2 and SIPI are used to detect stressed and unhealthy vegetation due to their ability to respond to changes in plant physiological status. Past studies have shown that the reflectance at the absorption maxima of these pigments decreases in stressed vegetation ( Merzylak et al., 2008 ). These indices were automatically computed in ENVI 5.4 except the REP, which was calculated in Excel for HS and FS, and in SNAP for MS. The VIs, formulae, and references used in this study are shown in Table 19–3 .

Table 19–3 . Vegetation indices analyzed in this study with the formulae and references.

IndexFormulaمراجع
Normalized difference vegetation index n − r n + r Pearson and Miller (1972)
Red-edge normalized difference vegetation index R 750 − R 705 R 705 + R 750 Gitelson and Merzlyak (1996)
Red-edge position index ( 705 + 35 ) [ ( ( R 783 − R 665 ) / 2 ) − R 705 R 740 − R 705 ] Gholizadeh et al. (2016)
REP for hyperspectral and fused images Eqs. (19.2) and (19.3) Savitzky (1964)
Anthocyanin reflectance index 2 R 800 ( 1 R 550 − 1 R 700 ) Gitelson et al. (2001)
Structure insensitive pigment index R 800 − R 445 R 800 − R 680 Peñuelas et al. (1995)

The computation of REP from the wavelengths of the HS and FS images was manually performed in Excel using the formula proposed by Savitzky (1964) as shown here:

where صأنا is the reflectance at صأنا صj is the reflectance at صj صأنا is the wavelength at the start of the slope segment صj is the wavelength at the end of the slope segment.


شاهد الفيديو: Real Men. Real Hair. Taking it Off! How to Use Nads For Men Hair Removal Cream (شهر اكتوبر 2021).