شش شاخص طیفی مافوق NDVI برای تکمیل تجزیه و تحلیل پوشش گیاهی مزرعه شما

آیا می دانید حداقل صد شاخص طیفی دیگر ، به جز NDVI (شاخص نرمال شده تفاوت پوشش گیاهی[۱]) ، که به طور گسترده برای تجزیه و تحلیل پوشش گیاهی استفاده می شود وجود دارد؟

هر شاخص در اصل یک ترکیب خاص (فرمول) از خصوصیات بازتاب اندازه گیری سنسور (محتوای آب ، محتوای کلروفیل ، رنگدانه و غیره) در طول ۲ یا بیشتر از طول موج است که ویژگی های خاص پوشش گیاهی را نشان می دهد.

با پیشرفت سنسورها ، ماهواره های مشاهده شده زمین ، داده های جدیدی را در اختیار کارشناسان سنجش از دور قرار می دهند تا تحقیقات خود را تقویت کرده و تجزیه و تحلیل های موجود را بهبود بخشند.

بیایید نگاهی دقیق تر به شاخص های جدید LandViewer بیاندازیم و یاد بگیریم که چه دیدگاههای مفیدی آنها می توانند به تجزیه و تحلیل منظم مبتنی بر NDVI شما اضافه کنند.

هر شاخص محدودیت های خود را دارد. NDVI به اثرات خاک و جو حساس است ، به همین دلیل توصیه می شود برای تجزیه و تحلیل دقیق تر پوشش گیاهی از شاخص های اضافی استفاده شود.

SAVI

شاخص SAVI چیست؟ شاخص پوشش گیاهی تنظیم خاک برای به حداقل رساندن تأثیر روشنایی خاک طراحی شده است. خالق آن Huete یک عامل تنظیم خاک L را به معادله NDVI اضافه کرد تا بتواند اثرات نویز خاک (رنگ خاک ، رطوبت خاک ، تغییرپذیری خاک در منطقه و غیره) را اصلاح کند که تمایل به تأثیرگذاری بر نتایج دارد.

فرمول شاخص پوشش گیاهی SAVI:

SAVI = ((NIR – Red) / (NIR + Red + L)) x (1 + L)

واقعیت کلیدی : L متغیر است. مقادیر آن بسته به میزان پوشش گیاهی سبز موجود در منطقه ، بین ۱ تا منفی ۱ متغیر است.

برای اجرای آنالیز سنجش از دور مناطقی با پوشش گیاهی سبز بالا ، L روی صفر تنظیم شده است (در این حالت داده های شاخص SAVI با NDVI برابر خواهند بود). در حالی که مناطق با پوشش گیاهی سبز کم نیاز به L = 1 دارند.

زمان استفاده: برای تجزیه و تحلیل محصولات زراعی جوان؛ مناطق خشک با پوشش گیاهی پراکنده (کمتر از ۱۵٪ از مساحت کل) و در معرض سطوح خاک.

 

SAVI از تصویر Sentinel 2 بالای محورهای آبیاری در عربستان سعودی محاسبه کرده است.

 

ARVI

همانطور که از این نام پیداست ، شاخص پوشش گیاهی مقاوم به جوی اولین شاخص پوشش گیاهی است که نسبتاً مستعد به عوامل جوی (مانند آئروسل) است.

فرمول شاخص ARVI اختراع شده توسط Kaufman و Tanré در اصل NDVI اصلاح شده است که برای اثرات پراکندگی جوی در طیف بازتاب قرمز با استفاده از اندازه گیری در طول موج آبی می باشد.

فرمول شاخص پوشش گیاهی ARVI:

ARVI = (NIR – (۲ * Red) + Blue) / (NIR + (2 * Red) + Blue)

 

واقعیت کلیدی: در مقایسه با سایر شاخص ها ، شاخص کشاورزی ARVI نسبت به اثرات توپوگرافی قوی تر است ، که این امر آن را به ابزاری برای نظارت بسیار مؤثر برای مناطق کوهستانی گرمسیری که غالباً آلوده به دوده های ناشی از زراعت شکسته و سوخته هستند ، تبدیل می کند.

 زمان استفاده: برای مناطقی که دارای محتوای بالایی از ذرات معلق در هوا هستند (مانند باران ، مه ، گرد و غبار ، دود ، آلودگی هوا).

 

EVI

EVI چیست؟ شاخص پوشش گیاهی پیشرفته توسط لیو و Huete اختراع شد تا همزمان نتایج NDVI را برای اثرات جوی و سیگنالهای پس زمینه خاک ، به ویژه در مناطق دارای پوشش متراکم تصحیح کند. دامنه مقدار برای EVI  از منفی ۱ تا ۱ است و برای پوشش گیاهی سالم بین ۰٫۲ تا ۰٫۸ متغیر است.

فرمول EVI:

EVI = 2.5 * ((NIR – Red) / ((NIR) + (C1 * Red) – (C2 * Blue) + L))

 

واقعیت کلیدی: EVI شامل ضریب C1 و C2 برای تصحیح پراکندگی ذرات معلق موجود در اتمسفر ، و L برای تنظیم خاک و زمینه متراکم است. ممکن است تحلیلگران مبتدی GIS با مقادیر استفاده شده و نحوه محاسبه شاخص پوشش گیاهی پیشرفته برای داده های مختلف ماهواره اشتباه گرفته شوند. به طور سنتی ، برای سنسور MODIS ناسا (که شاخص EVI برای آن با مقادیر زیر ایجاد شده است) C1 = 6 ، C2 = 7.5 و L = 1. در صورتی که نمی دانید چگونه می توانید از فهرست داده های پیشرفته با استفاده از داده های Sentinel 2 یا Landsat 8 استفاده کنید ، از همان مقادیر استفاده کنید یا به سادگی از نظارت بر محصول استفاده کنید ، که همچنین به شما امکان می دهد نتایج را بارگیری کنید.

زمان استفاده: برای تجزیه و تحلیل مناطق زمین با مقادیر زیادی کلروفیل (مانند جنگلهای بارانی) و ترجیحا با حداقل اثرات توپوگرافی (نه مناطق کوهستانی).

GCL

در سنجش از دور ، از شاخص کلروفیل سبز برای تخمین محتوای کلروفیل برگ در گونه های مختلف گیاهان استفاده می شود. محتوای کلروفیل بیانگر وضعیت فیزیولوژیکی پوشش گیاهی است. در گیاهان تنش زا کاهش می یابد و بنابراین می تواند به عنوان اندازه گیری سلامت گیاهان مورد استفاده قرار گیرد.

فرمول شاخص GCI:

GCI = (NIR) / (Green) – ۱

 

واقعیت کلیدی: با استفاده از سنسورهای ماهواره ای که دارای طول موج NIR و طول موج سبز هستند ، می توان پیش بینی بهتر میزان کلروفیل با شاخص پوشش گیاهی GCI را بدست آورد.

زمان استفاده: برای نظارت بر تأثیر فصلی ، فشارهای محیطی ، سموم دفع آفات(آفت کش ها) بر سلامت گیاهان.

SIPI

شاخص رنگدانه غیرحساس ساختاربرای تجزیه و تحلیل پوشش گیاهی با ساختار پوشش متغیر، مناسب است. این نسبت کاروتنوئیدها به کلروفیل را تخمین می زند: سیگنالهای افزایش یافته از پوشش گیاهی تنش زده

فرمول شاخص SIPI:

SIPI = (NIR – Blue) / (NIR – Red)

 

واقعیت کلیدی: مقادیر بالای SIPI (افزایش کاروتنوئیدها و کاهش کلروفیل) اغلب نشانگر بیماری های گیاهی است که با از بین رفتن کلروفیل در گیاهان همراه است.

زمان استفاده: برای نظارت بر سلامت گیاهان در مناطقی که دارای تغییرپذیری زیادی در ساختار پوشش یا شاخص سطح برگ هستند ، برای تشخیص زودرس بیماریهای گیاهی یا سایر علل تنشی.

NBR

شاخص NBR چیست؟ طبق تعریف ، این Normalized Burn Ratio است که برای مشخص کردن مناطق سوخته در پی آتش سوزی استفاده می شود. معادله شاخص پوشش گیاهی NBR شامل اندازه گیری هایی در هر دو طول موج NIR و SWIR است: پوشش گیاهی سالم بازتاب بالایی را در طیف NIR نشان می دهد ، در حالی که مناطق اخیراً سوخته از پوشش گیاهی در طیف SWIR بازتاب زیادی دارند. شاخص آتش سوزی NBR در سالهای گذشته به ویژه مؤثر بوده است زیرا شرایط شدید آب و هوایی (مانند خشکسالی ال نیینو) باعث افزایش چشمگیر آتش سوزی ها و نابودی زیست توده جنگلی می شود.

برای انجام محاسبه شاخص پوشش گیاهی NBR ، به یک تصویر شطرنجی حاوی مادون قرمز و باندهای مادون قرمز موج کوتاه  نیاز دارید، که ممکن است این یک تصویر ماهواره ای باشد که توسط لندست ۷ ، لندست ۸ ، مودیس و غیره جمع آوری شده است. دامنه مقادیر بین ۱ تا -۱ است.

فرمول شاخص طیفی NBR:

NBR = (NIR – SWIR) / (NIR + SWIR)

 

واقعیت اصلی: ارزیابی میزان و شدت آتش سوزی با نسبت نسبی متفاوت NBR (Delta Normalized Burn Ratio) یک روش معمول است که بالاترین پاسخ را به تغییرات چشم انداز ناشی از آتش سوزی نشان داده است. این تفاوت بین NBR محاسبه شده از تصویری از منطقه قبل از آتش سوزی و NBR محاسبه شده از تصویری که بلافاصله پس از سوختگی گرفته شده ، می باشد. علاوه بر این ، شاخص NBR Thermal 1 وجود دارد ، که شامل باند Thermal برای تقویت NBR و ارائه تمایز دقیق تر بین زمین سوخته و بدون سوختگی است.

زمان استفاده: استفاده ی معمولی از شاخص NBR برای کشاورزی و جنگلداری ، تشخیص آتش سوزی فعال ، تجزیه و تحلیل شدت سوختگی ، و نظارت بر بقای پوشش گیاهی پس از سوختگی است.

پی نوشت:

[۱] . روش پردازش تصویری که در تعیین وجود یا عدم وجود پوشش گیاهی کمک می کند این شاخص از طریق تقسیم تفاوت مقادیر بین باندهای مادون قرمز نزدیک و مادون قرمز بر مجموع دو باند محاسبه می شود.

منبع:

۶ Spectral Indexes on Top of NDVI To Make Your Vegetation Analysis Complete

 

مقاله ی “تجزیه و تحلیل ماهواره ای پوشش گیاهی مزرعه به کمک شش شاخص طیفی مافوق NDVI” وب سایت تخصصی کشاورزی هوشمند و مدرن