Vairāk

Veicot NDVI, kad nir dati tiek doti kā 3 joslas


Man ir nodrošinātas divas viena apgabala datu kopas, viena ar normālām RGB joslām un otra ar NIR datiem. Mana problēma ir tā, ka, tā kā NIR dati tiek doti kā 3 joslas, es neesmu pārliecināts, kā man tas būtu jāinterpretē.

Es domāju, ka dažos datu iegūšanas apgabalos ir normāli apkopot NIR datus ar DSL kameru, noņemot dažus filtrus, un tāpēc dati tiek uztverti 3 joslās. (bet es tiešām daudz par to nezinu).

Kā es varu pārveidot 3 NIR datu joslas par tām, kas man nepieciešamas NDVI aprēķinam?


Dažreiz izplatītāji nomet zilo joslu un nodrošina tikai nIR, sarkano un zaļo joslu, lai galalietotājs varētu apskatīt datus kā nepatiesu krāsu saliktu attēlu. Pieņemsim, ka izplatītājs to izdarīja. Ir vairāki veidi, kā jūs varat secināt, kuras joslas ir, it īpaši sarkanajā un nIR viļņu garumā, izmantojot pamata attālās uzrādes principus. Piemēram, mēs zinām, ka EMR spektra nIR daļā ļoti labi atspoguļojas no veselīgas zaļas veģetācijas un ļoti uzsūcas ūdenī. Mēs arī zinām, ka EMR spektra sarkanajā daļā parasti absorbē veselīga zaļa veģetācija. Šis atšķirības efekts padara NDVI tik vērtīgu veģetācijas indeksu.

Šie piemēri parāda ūdens spektrālās īpašības (šeit mēra DN) pirmajā ekrānuzņēmumā un veselīgu zaļo veģetāciju otrajā ekrānuzņēmumā. Pamatojoties uz šo analīzi, mēs varam pateikt, ka nIR josla ir 4. slānis un sarkanā josla ir 1. slānis.



Laika rindas starp laika rindu CHIRPS-lietusgāzes novērtējumu un eMODIS-NDVI satelītattēliem Amharas reģionā, Etiopijā

Agenagnew A. Gessesse, Assefa M. Melesse, ārkārtējā hidroloģijā un klimata mainīgumā, 2019

8.2.3.2. NDVI atstarojums un anomālija

NDVI aprēķina kā starpību starp gandrīz infrasarkano (NIR) un sarkanās (RED) atstarojumu, dalot ar to summu.

NDVIi apzīmē izlīdzinātu NDVI (sNDVI), kas novērots laika posmā i un to attiecība dod fotosintētiskās aktivitātes mērījumu robežās no - 1 līdz 1. Zemas NDVI vērtības norāda uz veģetāciju, kas ir uzspiesta ar mitrumu, un augstākas vērtības norāda uz lielāku zaļās veģetācijas blīvumu. To lieto arī sausuma novērošanai un bada agrīnai brīdināšanai (Wardlow et al., 2007 Javadnia et al., 2009).

NDVI anomālijas aprēķināšanai (z-score), kam bija vajadzīga attēlu sērija ar vēsturisko gadu [ilgtermiņa vidējie rādītāji (LTA)] par katru periodu (mūsu gadījumā: mēnesi) gadā. Anomālija (z-score) veģetācijas stāvokļa rādītājus var aprēķināt kā ZNDVI un tā vērtību plaši izmanto veģetācijas anomāliju novērošanai (Klisch and Atzberger, 2016). To aprēķina pikseļu līmenī no sNDVI datiem kā.

kur ZNDVI ir standarta atšķirība (z-score) no NDVI laika posmā i, NDVIi = sNDVI ir novērotais laika solis i, NDVI vidējais, m = ∑ i NDVI i / m ir mēneša vidējais sNDVI vērtības, un σNDVI ir standarta novirze sNDVI vērtības mēnesī (m). σNDVI norāda, ka parakstīto standartnoviržu skaits ir virs vai zem vidējā.


NDVI apstrāde

NDVI jeb Normalized Difference Vegetation Index var būt lielisks līdzeklis, lai attālināti novērtētu augu veselību. Maps Made Easy ir paredzēts tikai kalibrētu NDVI attēlu apstrādei.

Ar pienācīgs aprīkojums, NDVI attēlus var savākt ar dronu un apstrādāt, lai izveidotu karšu pārklājumus, kas var dot daudz potenciāli izmaksu ietaupošas informācijas.

"Pareiza iekārta" šeit ir galvenā frāze. Netrūkst uzņēmumu, kuri ir gatavi pārdot lietotājiem "Ag" vai "NDVI" kameras, kas ir nekas cits kā uzlauztas kameras ar noņemtiem IR bloķēšanas filtriem un zilu filtru. Mēs šeit ar viņiem nesaistīsimies, jo tie visi ir ļoti maldinoši attiecībā uz iespējām un precizitāti. Precīza NDVI datu apstrāde nepieciešama kalibrēšanas spēja kameru un attēlus, lai nodrošinātu, ka tuvās infrasarkanās gaismas un redzamās gaismas caurlaidības koeficienti ir zināmi un tos var atbilstoši mērogot. Uzlauztas patērētāju kameras to nevar izdarīt, un precīzu rezultātu iegūšanai ir jāizmanto zinātniskas kvalitātes kamera. (Mēs šobrīd mērķtiecīgi atstājam no tā spektrālo saturu, lai šis raksts būtu viegli lasāms.)

Iemesls, kāpēc uzņēmums Drones Made Easy, ko dibinājusi militāru multispektrālo attēlveidošanas sistēmu ekspertu komanda, pašlaik nepiedāvā lētus NDVI risinājumus, tāpēc, ka tie visi pašlaik nav zinātniski precīzi. Mēs tagad piedāvājam uz Parrot Sequoia balstītu sistēmu, taču tā nav gluži lēta. Izmantojot NDVI, jūs varat izvēlēties lētu vai labu, jo pašlaik viss ir kārtībā, jums nevar būt abas. Drones Made Easy Agronaut sistēma ir lētākā pieejamā sistēma, kas ietver lidojuma vadības lietotni, neierobežotu apstrādi un īstu NDVI kameru: Drones Made Easy Agronaut Agricultural Mapping System

NDVI kameras ir dārgas. Pašlaik vislētākais īstā NDVI variants ir Parrot Sequoia at

3500 USD. Pieejams arī TetraCam ADC Snap, kas maksā

4500 USD MicaSense RedEdge

6200 ASV dolāru fotokamera, maz cilvēku ir gatavi veikt šādus ieguldījumus kaut kam, ko viņi līdz galam nesaprot, kad šķiet, ka jūs varat vienkārši iegādāties kādu no šīm uzlauztajām kamerām un iegūt līdzīgus rezultātus.

Zemāk ir Sequoia kameras paraugs, kas tiek izmantots absolūtu mērījumu veikšanai laika gaitā. Trīs vienas un tās pašas teritorijas apmeklējumi 1. aprīlī, 8. jūlijā un 12. augustā parāda, kā veģetācija ir izžuvusi. Šie slāņi visi tika uzņemti diezgan atšķirīgos gaismas apstākļos, un jūs varat redzēt, ka tas patiešām labi palīdz saglabāt nemainīgas platības nemainīgas vērtības. Tiek parādīti RGB un NDVI slāņi katram datumam.

Dati tika izmantoti, izmantojot Drones Made Easy Agronaut sistēmu, kas ir DJI Matrice 100 ar kādu pielāgotu elektroniku, lai vadītu H4-3D kardānu, lai stabilizētu kameru. Pielāgotais borta dators arī sagatavo datus augšupielādei Maps Made Easy.

Papildu Agronaut iegūto datu un to apstrādes piemērus skatiet mūsu rakstā par NDVI attēlu kaudzes apstrādi.

Ievērojiet visu sarkano līdz tumši zaļo diapazonu, kas atspoguļo vērtības, kas svārstās no -3 līdz 1. Tas ir labs diapazons, un jūs varat redzēt, ka miruši / bez augu objekti, piemēram, ceļš, ir sarkani. Noteikti ne veselīgi augi. Lauku un koku augu platības ir zaļas ar vērtībām no 0,3 līdz 0,9, kas atspoguļo aktīvo fotosintēzi.

Skaitļi, kas svārstās no -1 līdz +1 kartes apakšdaļā, parāda indeksa vērtību skalu, kas aprēķināta, izmantojot šādu formulu:

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

NDVI ND ir "Normalizēta atšķirība" un nozīmē, ka tas ir tuvu infrasarkanās (NIR) un redzamās (VIS) gaismas pašregulējošs mērījums. Visam vērtību diapazonam vajadzētu aizņemt labu vietu diapazonā no -1 līdz 1.

Uzlauztajās kamerās ir ierasts, ka NIR gaismas daudzums, ko kamera pieņem, ir daudz atšķirīgs no tā, kas tiek savākts redzamajā, kā rezultātā aprēķina diapazonu, kura diapazons ir tikai .2 vai .3 no visa diapazona. . Ja viss attēls ir zaļš, vai tas nozīmē, ka viss ir veselīgi? Nē. Tas nozīmē, ka kamera (vai dati nebija pareizi kalibrēti, un aprēķinātās attiecības neatspoguļo to, kas patiesībā notiek uz zemes.

Šeit ir slikti kalibrētas NDVI kameras piemērs:

Ievērojiet, ka diapazons ir no 0,8 līdz 1. Šī kamera pieļāva pārāk daudz NIR gaismas vai arī tā nebija pareizi kalibrēta, lai ņemtu vērā lielo neatbilstību starp NIR un VIS gaismas līmeni.

Skaitļi no -1 līdz 1 faktiski kaut ko nozīmē. Jūs nevarat vienkārši izstiept vērtības, kas tika aprēķinātas no .2 līdz .5 diapazonā no -1 līdz 1, un nosaukt tos par precīziem NDVI datiem. Tas var izskatīties jauki, un tajā ir sarkans un zaļš, bet tas neko nenozīmēs. Informācija, kas izveidota, to darot, nav intelekts, ar kuru var rīkoties. Ja slikts NDVI kartētājs sniegs lauksaimniekam šādu informāciju un viņš rīkosies ar to, tas, iespējams, nogalinās visu viņa ražu. Par laimi lauksaimnieki ir gudri un zina labāk. Šeit nāk uz zemes grābšana.

Risinājums - Manuāla zemes apstrāde

Ja jums noteikti jāizmanto un nekalibrēta kamera, jūs joprojām varat izmantot Maps Made Easy, lai šūtu un aprēķinātu indeksa attēlus.

Mūsu toņu kartēšana (ko var pielāgot) pieņem, ka NDVI aprēķinātās vērtības 0 vai mazāk ir mirušas vai nedzīvas. Vērtības, kas ir 3 vai augstākas, parasti ir veselīgā diapazonā. Šī ir zinātne, kas balstās uz NDVI izmantošanu kā augu veselības rādītāju.

Pielāgota toņu kartēšana

Toņu kartēšana ir process, kurā aprēķina vērtībai tiek piemērota krāsa. Vērtība 0,8 ir jauka un veselīga, tāpēc mēs piešķiram tai tumši zaļu krāsu. Vērtība -3 ir mirusi, tāpēc mēs piešķiram tai tumši sarkanu. Veicot šādas darbības, ir iespējams

  • Ja iespējams, pārliecinieties, ka kameras baltā balanss ir fiksēts.
  • Ja iespējams, izmantojiet fiksētu ekspozīcijas laiku.
  • Uzņemiet dažus tuvu zemes patiesības attēlus par zināmām veselīgām un zināmām mirušām vietām (piemēram, kailiem netīrumiem).
  • Manuāli aprēķiniet dažas vērtības zināmām labām un zināmām sliktām virsmām, izmantojot bezmaksas rīku, piemēram, ImageJ, lai iegūtu neapstrādātas RGB vērtības.
  • Nosakiet, kāds ir jūsu uzņemtais diapazons.
  • Pielāgojiet toņu kartēšanas tabulu augšupielādes laikā, pielāgojot "NDVI iestatījumus", lai tie atspoguļotu jūsu pielāgoto diapazonu.

Krāsu karte labajā pusē ir iegūta no Tetracam izmantotajām standarta vērtībām, kas aptver visu diapazonu no -1 līdz +1. Labotā krāsu karte labajā pusē parādīs saspiesto vērtību diapazonu no .25 līdz .8 kā krāsas, sākot no sarkanas līdz zaļai. Šī modifikācija jāveic augšupielādes laikā.

Pēc pielāgotas toņu kartēšanas dati joprojām neko nenozīmēs. Vērtības joprojām nebūs kalibrētas, bet attēlos būs redzamas vismaz krāsas, kuras vēlaties kartēt. Maps Made Easy neizstiepj un netiks izstiepj aprēķinātās vērtības, lai dati būtu "pareizi". Dati ir pareizi vai nav.

Mēs nekad neesam kautrējušies dalīties savos viedokļos par nepareizu apkalpošanu, ko šie pārdevēji dara šajā nozarē. Ja pārāk daudz cilvēku sāks komerciāli dalīties ar šiem sliktajiem datiem, lauksaimniecības nozare ļoti ātri pievērsīsies tehnoloģijai, lai gan patiesībā tā varētu būt lielisks rīks, ja vien cilvēki to dara pareizi.


Normalizēts mitruma starpības indekss

Šajā attēlā tiek parādīts (pa kreisi) Landsat 8 virsmas atstarojums (SR) un (pa labi) no SR iegūtais Landsat virsmas atstarojuma normalizētā mitruma indekss (NDMI).

Landsat virsmas atstarojuma atvasinātais normalizētā mitruma starpības indekss (NDMI) tiek iegūts no Landsat 4–5 tematiskā kartētāja (TM), Landsat 7 uzlabotā tematiskā kartētāja plus (ETM +) un Landsat 8 operatīvā zemes attēlveidotāja (OLI) / termiskā infrasarkanā sensora (TIRS). ) ainas, kuras var veiksmīgi apstrādāt Landsat 2. līmeņa virsmas atstarošanas produktos.

Veģetācijas ūdens satura noteikšanai izmanto NDMI. To aprēķina kā attiecību starp NIR un SWIR vērtībām tradicionālā veidā.

Landsat 4-7, NDMI = (4. josla - 5. josla) / (4. josla + 5. josla).

Landsat 8 versijā NDMI = (5. josla - 6. josla) / (5. josla + 6. josla).

NDMI tiek piegādāts kā vienas joslas produkts, kas norādīts, kā parādīts zemāk esošajā tabulā.

Landsat virsmas atstarojuma atvasinātās normalizētās mitruma starpības (NDMI) specifikācijas
Atribūts Vērtība
Garais vārds Normalizēts mitruma starpības indekss
Īss vārds LC8NDMI, LE7NDMI, LT5NDMI vai LT4NDMI
Faila nosaukums * _sr_ndmi.tif
Datu tips Parakstīts 16 bitu veselais skaitlis
Vienības Spektrālais indekss (joslu attiecība)
Derīgs diapazons -10,000 — 10,000
Aizpildīšanas vērtība -9999
Piesātināt vērtība 20,000
Mēroga faktors *0.0001

Piekļuve datiem

Apmeklējiet tīmekļa vietni Landsat virsmas atstarojuma atvasināto spektrālo indeksu, lai iegūtu informāciju par produktu ierobežojumiem, atsaucēm un atsauces informāciju.


NDVI, Attālās uzrādes fenoloģijas fonds

Attālās uzrādes fenoloģijas pētījumos tiek izmantoti satelītu sensoru apkopotie dati, kas mēra zaļo augu absorbēto un atstaroto gaismas viļņu garumus. Daži augu lapu pigmenti spēcīgi absorbē redzamās (sarkanās) gaismas viļņu garumus. Lapas pašas spēcīgi atspoguļo gandrīz infrasarkanās gaismas viļņu garumus, kas cilvēka acīm nav redzami. Augu lapotnei mainoties no agras pavasara augšanas līdz vēlīnai nobriešanai un novecošanai, mainās arī šīs atstarošanas īpašības.

Saulespuķu lauks pie Midlendas, Dienviddakotā.

(Kredīts: Stephen P. Shivers, USGS. Publiskais īpašums.)

Daudzi uz satelītiem nēsātie sensori mēra sarkanās un gandrīz infrasarkanās gaismas viļņus, ko atstaro zemes virsmas. Izmantojot matemātiskās formulas (algoritmus), zinātnieki neapstrādātus satelīta datus par šiem gaismas viļņiem pārveido veģetācijas indeksos. Veģetācijas indekss ir rādītājs, kas raksturo zaļumu - veģetācijas relatīvo blīvumu un veselību - katram satelīta attēla elementam vai pikseļam.

Lai gan ir vairāki veģetācijas indeksi, viens no visplašāk izmantotajiem ir Normalized Difference Vegetation Index (NDVI). NDVI vērtības svārstās no +1,0 līdz -1,0. Neauglīgu iežu, smilšu vai sniega apgabalos parasti ir ļoti zemas NDVI vērtības (piemēram, 0,1 vai mazāk). Maza veģetācija, piemēram, krūmi un zālāji vai novecojošas kultūras, var izraisīt mērenas NDVI vērtības (aptuveni 0,2 līdz 0,5). Augstas NDVI vērtības (aptuveni no 0,6 līdz 0,9) atbilst blīvai veģetācijai, piemēram, mērenajos un tropiskajos mežos vai kultūraugos to maksimālās augšanas stadijā.

Pārveidojot neapstrādātus satelīta datus NDVI vērtībās, pētnieki var izveidot attēlus un citus produktus, kas sniedz aptuvenu veģetācijas veida, daudzuma un stāvokļa līmeni zemes virsmā visā pasaulē. NDVI ir īpaši noderīgs veģetācijas monitorēšanai kontinentālā un globālā mērogā, jo tas var kompensēt mainīgos apgaismojuma apstākļus, virsmas slīpumu un skata leņķi. Tas nozīmē, ka NDVI mēdz piesātināties virs blīvas veģetācijas un ir jutīgs pret augsnes pamatkrāsa.

NDVI vērtības var vidēji noteikt laikā, lai noteiktu "normālus" augšanas apstākļus reģionā noteiktā gada laikā. Turpmāka analīze var raksturot veģetācijas veselību šajā vietā attiecībā pret normu. Laika gaitā analizējot, NDVI var atklāt, kur veģetācija plaukst un kur ir stresa stāvoklī, kā arī veģetācijas izmaiņas cilvēka darbības dēļ, piemēram, mežu izciršana, dabiski traucējumi, piemēram, savvaļas ugunsgrēki, vai izmaiņas augu fenoloģiskajā stadijā.


USGS EROS arhīvs - Veģetācijas monitorings - EROS redzamās infrasarkanās attēlveidošanas radiometra komplekts (eVIIRS)

Zemes resursu novērošanas un zinātnes (EROS) centra redzamās infrasarkanās attēlveidošanas radiometra komplekta (eVIIRS) kolekcija ir balstīta uz AES iegūto Suomi National Polar-orbiting Partnership (S-NPP) redzamo infrasarkano staru attēlveidošanas komplekta (VIIRS) datiem. Nacionālās aeronautikas un kosmosa pārvaldes (NASA) un Nacionālās okeānu un atmosfēras pārvaldes (NOAA) partnerības rezultāts.

eVIIRS (EROS redzamās infrasarkanās attēlveidošanas radiometra komplekts) CONUS apakšparaugs
(Publisks īpašums)

EROS redzamā infrasarkano staru attēlveidošanas radiometra komplekta (eVIIRS) Normalized Difference Vegetation Index (NDVI) kolekcijā tiek izmantota Visible Infrared Imaging Radiometer Suite (VIIRS) kolekcija, kas ir pieejama NASA Sauszemes atmosfērā gandrīz reāllaika spējai EOS (LANCE). produktu un 1. līmeņa un atmosfēras arhīvu un izplatīšanas sistēmu (LAADS) vēsturiskajiem produktiem.

Vidējas izšķirtspējas attālā uzrāde nodrošina operatīvās uzraudzības kopienām iespēju attīstīt vēsturisko tendenču informāciju un izmantot gandrīz reāllaika novirzes no laika vidējiem, lai noteiktu pārmaiņu jomas. Nepieciešami augstas kvalitātes, konsekventi un labi kalibrēti satelīta mērījumi, lai atklātu un uzraudzītu izmaiņas un tendences, īpaši veģetācijas modeļos, kas noder sausumam, ražas ražai, fenoloģijai un uguns potenciālajiem pētījumiem.

EVIIRS kolekcijas pamatā ir AES iegūtie S-AES VIIRS dati. Lai gan VIIRS NDVI dati ir pieejami kā kompozīti LP DAAC kā 500 m un 1 km 8 dienu produkti, eVIIRS produkts pievērš uzmanību vajadzībai pēc 375 m datu kopas 7, 14, kā arī 10 dienu dekādes datu kopas, kas atbilst EROS mērenas izšķirtspējas attēlveidošanas spektroradiometram (eMODIS).

Vēsturiskajā eVIIRS produktu komplektā ietilpst 7 un 14 dienu kompozīti, kas paredzēti ASV (CONUS) un Aļaskai, kā arī ikmēneša 10 dienu dekādes grafiks NDVI Bada agrīnās brīdināšanas sistēmu (FEWS) reģionos, tostarp Centrālamerikā / Karību jūras reģionā un Meksikā. , Āfrika, Centrālāzija, Dienvidamerika, Austrālija un Jaunzēlande. Katru dienu 7 dienu (CONUS) produkti tiek paātrināti (gandrīz reāllaikā) ražoti. Katra datu kopa nodrošina iegūšanas, kvalitātes un NDVI informāciju ar 375 m telpisko izšķirtspēju. Tā kā katrs no kompozītiem ir izveidots no dažāda attēla skaita, eVIIRS kompozītmateriālos ir iekļauti iegūšanas faili, lai identificētu, kuri no ievadiem tika izmantoti, lai aizpildītu galīgo kompozītu. Datu failiem pievienotajos metadatos ir apkopotas ģeogrāfiskās robežas, projekcijas parametri un produkta kontaktinformācija.

eVIIRS pašlaik ražo NDVI un virsmas atstarošanas kompozītmateriālus CONUS, Aļaskā, Centrālamerikā / Karību jūras reģionā un Meksikā, turpretī Āfrikā, Centrālāzijā, Dienvidamerikā, Austrālijā un Jaunzēlandē ir tikai NDVI kompozīti.

Kompozītmateriālu būvniecības process

Pirmais solis eVIIRS saliktā būvniecības procesā ir izveidot dažādas ģeotifa joslas, kas nepieciešamas NDVI kompozīta uzbūvēšanai katrai no sastādīšanas perioda dienām un laikiem. Piemēram, sastādīšanas periods var būt 7 vai 10 dienas.

Viena no izveidotajām GeoTIFF joslām ir NDVI josla. NDVI tiek izveidots no zināmā vienādojuma

kur sarkana ir VIIRS josla I1 un NIR ir josla I2. Šīs joslas nāk no VNP09 granulu 375 m virsmas atstarošanas joslām.

Minimālās pieļaujamās NDVI vērtības ir -0.1999, un visas NDVI vērtības (kas parasti ir no -1,0 līdz 1,0) tiek mērogotas ar 10 000. Tādējādi izejas NDVI vērtības no šīs lietojumprogrammas nokrīt no -2000 līdz 10 000 (izņemot negatīvās virsmas atstarošanas vērtības), lai tās atbilstu LP DAAC MOD09 produktiem.

Ja kāda no sarkanajām vai NIR pikseļu vērtībām ir fona aizpildīšana, tad izejas NDVI vērtība tiek iestatīta uz UNDEF (-2000). Tā pati vērtība tiek piemērota, ja sarkanie un NIR pikseļi ir vienādi. Ja kāds no sarkanajiem vai NIR pikseļiem ir negatīvs, tad izejas NDVI vērtība tiek iestatīta uz NEG_SR (-3000).

Citas joslas, kas izveidotas sastādīšanas procesam, ir 1., 2. un 4. satelīta Zenīta leņķa un virsmas atstarošanas kvalitātes joslas.

Saliktais aprēķins

Programmatūru, ko izmantoja 7, 14 un 10 dienu dekādes NDVI kompozītu veidošanai, izstrādāja programmatūras izstrādes komanda USGS EROS. Programmatūra apstrādā VIIRS 375 m vāla granulas, lai iegūtu 375 m un / vai 1 km saliktus produktus.

Programmatūra režģo nepieciešamās vāla granulas (VNP09 un NPP_IMFTS_L1) norādītajam norobežotajam reģionam (izmantojot augšējā kreisā un apakšējā labā stūra koordinātas). Katrai režģotajai granulai tiek izveidota NDVI josla, izmantojot sarkanās (josla I1) un NIR (josla I2) joslas.

Kad katra granula ir režģēta atbilstoši norādītajam koordinātu apjomam un ir izveidota NDVI, tiek ģenerēts uzlabotas maksimālās vērtības salikums (MVC). Izmantojot taisnu MVC algoritmu, katrs salikto pikseļu skaits (katrai joslai) tiktu aizpildīts, izmantojot pašreizējās pikseļa lielākās NDVI granulas pikseļa vērtību. MVC ir uzlabots pašreizējā eVIIRS algoritmā, eVIIRS apstrādes algoritmā iekļaujot joslas kvalitāti, mākoņa masku, negatīvo virsmas atstarojumu un skata leņķi.

  1. Informāciju par joslas kvalitāti virsmas atstarošanas produktā izmanto, lai noteiktu, vai noteikts pikseļu kvalitāte ir “slikta”. Saliktajā galaproduktā netiek izmantoti sliktas kvalitātes pikseļi.
  2. NDVI algoritms atzīmē negatīvās virsmas atstarošanas vērtības tā, lai tās netiktu izmantotas izejas salikumā, ja ir pieejamas pozitīvas vērtības. Ja sarkanās vai NIR joslas virsmas atstarošanas vērtības ir negatīvas, tad izejas NDVI vērtība ir atzīmēta ar vērtību -3000. (PIEZĪME. Nefinētas vai fona aizpildījuma NDVI vērtības ir -2000, un tas tiek norādīts kā “derīgo” NDVI vērtību apakšējā robeža.) Pēc tam saliktais algoritms neņem vērā granulas ar NDVI vērtībām -3000, lai izvadē izlaistu negatīvās virsmas atstarošanas vērtības salikts.
  3. Mākoņa maska ​​tiek izmantota, lai samazinātu mākoņa pikseļu klātbūtni saliktajā produktā. Ja kvalitātes atzīme, iespējams, ir skaidra un / vai pārliecinoši skaidra, pikseļu var izmantot, lai aizpildītu pašreizējo salikto pikseļu.
  4. Skata leņķis (attālums no zemākās vērtības) nosaka, kurš no diviem augstākajiem NDVI pikseļiem tiek izmantots salikumā. No bezmākoņainiem, ideālas kvalitātes pikseļiem divas augstākās NDVI vērtības tiek noteiktas no granulu saraksta. No šīm divām granulām pikseļu vērtību, kas ir vistuvāk zemākajai vērtībai, izmanto salikuma aizpildīšanai.

Produkti tiek ģenerēti S-AES VIIRS visās jomās, ieskaitot CONUS un Aļasku, un tiek projicēti uz reģionāli specifisku kartēšanas režģi un tiek piegādāti saspiestā (zipveida) GeoTIFF formātā.

Divas telpiskās izšķirtspējas (375 m un 1 000 m) ir pieejamas lejupielādei atsevišķi. Šie dati ir pieejami EarthExplorer, kā arī Machine-to-Machine API. Lejupielādētais produkts ir .zip fails, kurā ir 6 faili, tostarp trīs .tif, viens jpeg un divi .txt faili.

Tālāk ir redzams failu saraksts no CONUS 1 km NDVI saliktā .zip faila ar nosaukumu “US_eVSH_NDVI.2020.350-356.1KM.COMPRES.006.2020359170316.zip”:

US_eVSH_NDVI.2020.350-356.1KM.VI_ACQI.006.2020362063105.tif Iegūšanas ģeotifs
US_eVSH_NDVI.2020.350-356.1KM.VI_ACQT.006.2020362063105.txt Iegūšanas teksta fails
US_eVSH_NDVI.2020.350-356.1KM.VI_META.006.2020362063314.met Metadatu teksta fails
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.jpg Pārlūkot JPEG
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.tif NDVI ģeotifs
US_eVSH_NDVI.2020.350-356.1KM.VI_QUAL.006.2020362063105.tif Kvalitātes ģeotifs

Iegūšanas josla (ACQI)

Iegūšanas josla nodrošina lietotājam GeoTIFF attēlu, kuru var pārklāt ar NDVI attēlu, lai pēc tam lietotājs varētu identificēt katru granulu, kas nodrošināja katra NDVI pikseļa vērtību. DOY un iegādes numurs tiks izmantots, lai norādītu iegādi. Iegādes numurs šajā gadījumā norāda nevis iegādes laiku, bet tveršanas secību. Izmantojot vienādojumu, izvades vērtības tiek attēlotas kā neparakstīts 16 bitu vesels skaitlis

Tādējādi DOY 117 pirmais ieguvums būtu 117001. Vienpadsmitais DOY 117 ieguvums būtu 117011. Lai lietotājam būtu vieglāk noteikt, kura iegūšanas veselā vērtība atbilst kādai granulai, izejas iegūšanas tabulas teksta fails tiek rakstīts, lai tas atbilstu iegūšanas vērtības granulu nosaukumos.

Iegūšanas teksta fails (ACQT)

Ieguves teksta fails nodrošina lietotājam teksta failu, kas pievienots attēlam Iegūšana, kurā sniegta detalizēta informācija par datiem, kas izmantoti produkta izveidošanai. Šis iegūšanas joslas vērtību saraksts tiek izmantots saliktajā iegādes joslas produktā un atbilstošajā iegādes faila nosaukumā šai iegādes vērtībai.

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

Metadati (META)

Metadatu fails sniedz detalizētu informāciju par salikto attēlu, tostarp iegūšanas periodu, publicēšanas datumus, pikseļu un rindu skaitu, kartes projekcijas informāciju, bāzes punktu, pikseļu izšķirtspēju, satelītu un platformu, digitālo datu veidu, aizpildījuma vērtības, mērogošanas faktorus un centru un stūra koordinātas.

Pārlūkot JPEG

Pilnas izšķirtspējas pārlūkošanas attēls tiek nodrošināts JPEG formātā, tiek saspiests kopā ar produktu un tiek izmantots attēla parādīšanai vietnē EarthExplorer. Krāsu kartēšana tiek izmantota, lai izveidotu krāsu attēlu pārlūkošanas attēlam, un tā nav tāda pati kā 16 bitu vienas joslas dati, kas piegādāti NDVI GeoTIFF.

NDVI / Virsmas atstarošanas GeoTIFF

NDVI GeoTIFF ir produkts, kas izveidots komponēšanas procesā, kas detalizēti aprakstīts iepriekš. Visi pārējie faili, tostarp kvalitātes josla, iegūšanas josla, kā arī teksta faili un pārlūkošana ir šī NDVI produkta pavadošie faili.

Surface Reflectance kompozīts ir izveidots arī CONUS, Aļaskā, Centrālamerikā / Karību jūras reģionā un Meksikā, un tas ir pieejams kā atsevišķa lejupielādes opcija programmā EarthExplorer.

Kvalitātes josla (QA)

Kvalitātes nodrošināšanas (QA) josla ir 8 biti, un to izveido salikta programmatūra, lai noteiktu katra saliktā pikseļa kvalitāti. Lielākā daļa pikseļu tiks aizpildīti ar labas joslas kvalitātes pikseļiem. Tomēr, ja nevienai no konkrētā pikseļa granulām nav laba joslas kvalitāte vai visi pikseļi ir duļķaini, tad pašreizējais pikseļš tiek aizpildīts ar datiem no vislabākā iespējamā pikseļa, ja preferenču secība ir derīga NDVI, salīdzinot ar aizpildījumu, laba kvalitāte slikti, sniega pikseļi virs mākoņainā pikseļa. QA joslā tiek izmantotas šādas vērtības:

0 = laba kvalitāte
1 = duļķains pikseļi
2 = slikta joslas kvalitāte
4 = sniegs
10 = aizpildīt

Virsmas atstarošanas kvalitātes joslu 1 veido šādas bitu vērtības. Bitu skaitlis 0 ir binārā skaitļa bits, kuram ir viszemākā skaitliskā vērtība vai vismazāk nozīmīgais bits (LSB).

Virsmas atstarošanas kvalitātes josla
Bits Nr. Parametra nosaukums Bitu kombinācija Definīcija
0-1 Mākoņu maskas kvalitāte 00 Nabadzīgs
01 Zems
10 Vidējs
11 Augsts
2-3 Mākoņu noteikšana un uzticēšanās 00 Pārliecināts Skaidrs
01 Laikam skaidrs
10 Laikam apmācies
11 Pārsvarā mākoņains
4 Diena nakts 0 Diena
1 Nakts
5 Zema saules maska 0 Augsts
1 Zems
6-7 Saule mirdzums 00 Nav
01 Ģeometrijas pamatā
10 Pamatojoties uz vēja ātrumu
11 Ģeometrija un vēja ātrums

Virsmas atstarošanas kvalitātes joslu 2 veido šādas bitu vērtības.

Virsmas atstarošanas kvalitātes josla 2
Bits Nr. Parametra nosaukums Bitu kombinācija Definīcija
0-2 Zemes / ūdens fons 000 Zeme un tuksnesis
001 Zeme bez tuksneša
010 Iekšējais ūdens
011 Jūras ūdens
100 ---
101 Piekrastes
110 ---
3 Ēnu maska 0 Nav mākoņu ēnas
1 Ēna

Virsmas atstarošanas kvalitātes joslu 4 veido šādas bitu vērtības. 1. un 2. bits no 4. kvalitātes joslas tiek izmantoti, lai noteiktu, vai NDVI joslas izveidē jāizmanto biti no konkrētās režģētās I1 (sarkanās) vai I2 (tuvu infrasarkanās) joslas. Virsmas virziena atstarojums (SDR), aerosola optiskais biezums (AOT), Ante Meridiem (AM), nokrišņu daudzums ūdenī (PW)

Virsmas atstarošanas kvalitātes josla 4
Bits Nr. Parametra nosaukums Bitu kombinācija Definīcija
0 BAD M11 SDR dati 0
1
1 Slikti I1 SDR dati 0
1
2 Slikti I2 SDR dati 0
1
3 Slikti I3 SDR dati 0
1
4 AOT vispārējā kvalitāte 0 Labi
1 Slikti
5 Trūkst AOT ievades datu 0
1
6 Nederīgi zemes AM ievades dati 0 Derīgs
1 Nederīga AM ievade virs zemes vai virs okeāna
7 Trūkst PW ievades datu 0
1

Pārklājuma kartes

Pārlūkprogrammas Maps, kas norāda uz eVIIRS NDVI produktu pieejamību, ir pieejamas lejupielādei.

Papildus informācija

Piekļūt datiem

eVIIRS NDVI produktus, kas atrodas USGS arhīvā, var meklēt, izmantojot EarthExplorer. Vietnē EarthExplorer eVIIRS NDVI produktus var atrast kategorijā Veģetācijas uzraudzība.


Veicot NDVI, kad nir dati tiek doti kā 3 joslas - ģeogrāfiskās informācijas sistēmas

Vispirms tiek aprēķināts Normalized Difference Vegetation Index (NDVI), kas pieejams lidojuma laikā. Turklāt NDVI bieži izmanto visā pasaulē, lai uzraudzītu sausumu, prognozētu lauksaimniecības produkciju, palīdzētu prognozēt ugunsgrēka zonas un tuksneša aizskarošās kartes. Lauksaimniecības lietotnēs, piemēram, kultūraugu uzraudzībā, tiek integrēts NDVI, lai atvieglotu kultūraugu izpēti un precizētu mēslošanas līdzekļu lietošanu un apūdeņošanu, kā arī citas lauka apstrādes darbības konkrētos augšanas posmos. NDVI ir vēlams globālai veģetācijas uzraudzībai, jo tas palīdz kompensēt apgaismojuma apstākļu, virsmas slīpuma, ekspozīcijas un citu ārējo faktoru izmaiņas.

NDVI aprēķina pēc formulas:

NIR & # 8211 atspoguļojums tuvā infrasarkanajā spektrā
RED & # 8211 atstarojums spektra sarkanajā diapazonā

Saskaņā ar šo formulu veģetācijas blīvums (NDVI) noteiktā attēla punktā ir vienāds ar atstarotās gaismas intensitātes starpību sarkanajā un infrasarkanajā diapazonā, dalot ar šo intensitātes summu.

Šis indekss nosaka vērtības no -1,0 līdz 1,0, galvenokārt atspoguļojot zaļumus, kur negatīvās vērtības galvenokārt veido mākoņi, ūdens un sniegs, un vērtības, kas tuvu nullei, galvenokārt veido akmeņi un tukša augsne. Ļoti mazas NDVI funkcijas vērtības (0,1 vai mazāk) atbilst tukšām iežu, smilšu vai sniega vietām. Mērenas vērtības (no 0,2 līdz 0,3) apzīmē krūmus un pļavas, savukārt lielās vērtības (no 0,6 līdz 0,8) norāda uz mēreniem un tropiskiem mežiem. Augu monitorings veiksmīgi izmanto šo mērogu, lai parādītu lauksaimniekiem, kuru lauku daļās jebkurā brīdī ir blīva, mērena vai reta veģetācija.

Vienkāršāk sakot, NDVI ir augu veselības stāvokļa mērs, pamatojoties uz to, kā augs atstaro gaismu noteiktās frekvencēs (daži viļņi tiek absorbēti, bet citi tiek atspoguļoti).

Hlorofils (veselības indikators) spēcīgi absorbē redzamo gaismu, un lapu šūnu struktūra spēcīgi atspoguļo tuvu infrasarkano gaismu. Kad augs kļūst dehidrēts, slims, slimo ar slimībām utt., Sūkļains slānis pasliktinās, un augs vairāk absorbē tuvu infrasarkano staru gaismu, nevis atstaro to. Tādējādi, novērojot, kā NIR mainās, salīdzinot ar sarkano gaismu, tiek precīzi norādīts hlorofila klātbūtne, kas korelē ar augu veselību.

Augu monitorings ir lielisks līdzeklis, lai izsekotu lauka kultūru veselībai, izmantojot NDVI, kas izmērīts lidojumā. Viss, kas jums jādara, ir pievienot laukus sistēmai, pielāgot NDVI iestatījumus un sākt saņemt paziņojumus.

Lauku analīzes rīks ar piekļuvi augstas izšķirtspējas satelītattēliem, lai identificētu attālinātas problēmu zonas!

Augu pārraudzība izseko NDVI izmaiņām atsevišķiem laukiem visas sezonas garumā. Tas ļauj atsaukties uz vēsturiskā lauka produktivitāti līdz 5 pēdējiem gadiem. Jūs varat pārraudzīt gan augseku, gan pašreizējos veģetācijas rādītājus. Izmantojot lietotājam draudzīgas diagrammas, lietotne cita starpā vizualizē dažāda veida datus, tostarp veģetācijas indeksus, temperatūru, nokrišņu daudzumu, augšanas posmus, vēsturiskos laika apstākļus. Vēl viena svarīga iezīme, pamatojoties uz NDVI likmju aprēķināšanu, zonēšana ļauj noteikt augstas produktivitātes zonas, kā arī atklāt vājās vietas šajā jomā, kurām nepieciešama īpaša apstrāde. Katrai zonai katrā augšanas posmā ir nepieciešams atšķirīgs mēslojuma daudzums un apūdeņošana (par pēdējo arī lemj, pamatojoties uz nokrišņu līmeni), kurus abus lietotnē var manuāli pielāgot ar lielu precizitāti. Precīzā lauksaimniecība, kuras pamatā ir NDVI, tomēr nebeidzas! Crop Monitoring atjaunina izlūkošanu, izmantojot NDVI, lai atrastu lauka problemātiskās vietas un nosūtītu skautus tieši uz precīzu atrašanās vietu, tādējādi ietaupot laiku un resursus. Lietotāji tiek informēti arī katru reizi, kad tiek konstatētas NDVI vērtības nenormālas izmaiņas, ļaujot lauksaimniekiem, tirgotājiem un apdrošinātājiem savlaicīgi pieņemt labi informētus lauksaimniecības lēmumus.


1. Ievads

Ūdens aptver aptuveni 71% no zemes virsmas, un tas ir obligāti nepieciešams arī dzīvā organisma pastāvēšanai un ilgtspējībai uz zemes virsmas 1. Saldūdens ir tikai 2,5% no zemes ūdens. Aptuveni 0,3% saldūdens atrodas upēs, ezeros un atmosfērā 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.

IndexFormulaAtsauces
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:

kur Ri is the reflectance at i Rj is the reflectance at j i is the wavelength at the start of the slope segment j is the wavelength at the end of the slope segment.


Skatīties video: NDVI - Normalized Difference Vegetation Index (Oktobris 2021).