NDVI
- Eingeführt von
- Rouse, Haas, Schell, and Deering
- Jahr
- 1973
- Typ
- Spectral index for vegetation assessment
- Familie
- Remote sensing vegetation monitoring
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Der Normalized Difference Vegetation Index (NDVI) ist ein spektraler Index, der aus multispektralen Satelliten- oder Luftbildern berechnet wird und die Grünheit und Vitalität der Vegetation quantifiziert.
Eingeführt von Rouse und Kollegen im Jahr 1973 unter Verwendung von Landsat-Daten, hat sich der NDVI zur am weitesten verbreiteten Fernerkundungsmetrik für Vegetationsmonitoring, Dürrebeurteilung, Prognose der Feldfrüchteproduktivität und Erkennung von Landbedeckungsänderungen entwickelt.
Die Intuition hinter der Methode
Vegetation reflektiert wenig sichtbares (rotes) Licht, aber einen großen Anteil des nahen Infrarotlichts (NIR) aufgrund der Struktur und des Chlorophyllgehalts von Blättern. Der NDVI nutzt diesen Kontrast aus: NDVI = (NIR - Rot) / (NIR + Rot), wobei NIR und Rot die satellitengemessene Reflektanz in diesen Bändern sind. Der NDVI reicht von -1 bis +1: Werte nahe -1 deuten auf Wasser hin (absorbiert NIR), 0 auf kahlen Boden und +0,5 bis +0,9 auf dichte, gesunde Vegetation. Zeitreihen von NDVI zeigen saisonale Zyklen (Vegetationsgrün im Frühling, Verfall im Herbst) und interannuelle Variabilität, die mit der Wasserverfügbarkeit verbunden ist.
Geschichte
Eingeführt 1973 unter Verwendung von Landsat Multispectral Scanner-Daten, wurde NDVI schnell zum Standard-Vegetationsindex für die Land-, Forst- und Dürreüberwachung. Der Start des Advanced Very High Resolution Radiometer (AVHRR) im Jahr 1981 und später MODIS (1999) ermöglichte die globale tägliche NDVI-Überwachung. NOAA's Vegetation Health Index (VHI), der NDVI und Landoberflächentemperatur kombiniert, wurde für die Frühwarnung vor Dürren operativ. Neuere Entwicklungen umfassen die Fusion von hochaufgelösten Daten (Planet, Maxar) mit grobaufgelösten Daten (MODIS) und Deep Learning zur Phänologieerkennung.
Wann wird sie eingesetzt?
Verwenden Sie NDVI zur Überwachung der Vegetationsgesundheit im regionalen bis globalen Maßstab, zur Bewertung von Dürreauswirkungen, zur Prognose von Ernteerträgen und zur Erkennung von Landbedeckungsänderungen. NDVI eignet sich am besten für großflächige Bewertungen (Pixelauflösung >10 m) und ist für das lokale Management, bei dem Felddetailgenauigkeit erforderlich ist, weniger nützlich. Kombinieren Sie NDVI mit anderen Indizes (EVI, SAVI) für Robustheit und mit Niederschlags-/Temperaturdaten zur Interpretation der Treiber.
Grenzen und Hinweise
- Sättigt bei hoher Vegetationsdichte; zwei dichte Wälder mit unterschiedlicher Struktur erscheinen im NDVI ähnlich
- Empfindlich gegenüber atmosphärischen Effekten (Aerosole, Wolken), die Rauschen einführen, es sei denn, sie werden sorgfältig korrigiert
- Kann Vegetationstyp oder -qualität nicht unterscheiden; gesunde Unkräuter erscheinen ähnlich wie gesunde Feldfrüchte
- Die zeitliche Auflösung hängt von der Wolkenbedeckung und der Wiederholungsfrequenz des Satelliten ab; in bewölkten Regionen treten Lücken auf
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Einfach und rechnerisch schnell, erfordert nur zwei Satellitenbänder, die über Sensoren und Archive weit verbreitet sind
- Räumlich kontinuierlich, ermöglicht die Bewertung in Regionen ohne Feldbeobachtungen oder Bodeninfrastruktur
- Starke empirische Beziehung zum Leaf Area Index (LAI), zu Photosyntheseraten und zur Biomasse
- Langes zeitliches Archiv (Landsat seit 1972, MODIS seit 2000), das eine dekadische Trendanalyse ermöglicht
Anwendungen
- Frühwarnung vor Dürren: Überwachung von NDVI-Anomalien zur Ausgabe von Warnungen vor Wasserstress vor Ernteausfällen, zur Steuerung von Notfallmaßnahmen
- Prognose von Ernteerträgen: Korrelation saisonaler NDVI-Trajektorien mit der endgültigen Getreideernte zur Vorhersage der Produktion vor Saisonende
- Entwaldung und Erkennung von Landbedeckungsänderungen: Verfolgung von NDVI-Rückgängen zur Identifizierung von Waldverlusten und zur Charakterisierung von Landnutzungsübergängen
- Bewertung der Gesundheit von Weideland: Verwendung von NDVI-Trends zur Bewertung von Überweidung, Erholung von Dürren und Tragfähigkeit in pastoralen Regionen
So funktioniert es
So funktioniert es
Erworben werden multispektrale Satellitenbilder (Landsat, Sentinel, MODIS, Copernicus) mit mindestens roten und nahen Infrarotbändern. Die Daten werden radiometrisch auf die am Sensor gemessene Reflektanz kalibriert.
Eine atmosphärische Korrektur wird angewendet, um die am Sensor gemessene Reflektanz in die Oberflächenreflektanz umzuwandeln, wobei Aerosole, Wasserdampf und Rayleigh-Streuung berücksichtigt werden. Wolken- und Wolkenschattenpixel werden maskiert.
Für jedes Pixel werden die Reflektanzen im roten Band (0,6–0,7 µm) und im nahen Infrarotband (0,8–1,0 µm) extrahiert.
Der NDVI wird für jedes Pixel als (NIR - Rot) / (NIR + Rot) berechnet. Zeitreihenstapel von NDVI werden in regelmäßigen Abständen (täglich für MODIS, 5–10 Tage für Landsat/Sentinel) generiert, um saisonale und interannuelle Schwankungen zu verfolgen.
NDVI-Karten zeigen räumliche Muster der Vegetationsabundanz. Zeitreihen werden auf Spitzengrünheit, Länge der Vegetationsperiode und dürrebedingte Anomalien analysiert. Trends werden mit Niederschlägen, Temperaturen und Änderungen des Landmanagements korreliert.
Häufige Fallstricke
- Fehlinterpretation räumlicher NDVI-Variationen ohne Berücksichtigung der Helligkeit des Bodenhintergrunds, die NDVI in spärlich bewachsenen Gebieten beeinflusst
- Vergleich von NDVI über verschiedene Satelliten oder atmosphärische Korrekturalgorithmen hinweg ohne Harmonisierung
- Übermäßige Anwendung von NDVI auf tropische Regionen, in denen die atmosphärische Aerosolkonzentration stark variiert und systematische Verzerrungen einführt
Häufig gestellte Fragen
Warum NDVI anstelle von nur roter Reflektanz verwenden?
Die rote Reflektanz allein berücksichtigt nicht den Bodenhintergrund. Ein dunkler Boden und eine spärliche Pflanzendecke haben beide eine geringe rote Reflektanz. Durch die Normalisierung der Differenz zwischen NIR und Rot durch ihre Summe isoliert der NDVI das Vegetationssignal vom Boden. Der resultierende Index korreliert stark mit Blattfläche, Photosynthese und Biomasse.
Was sind typische NDVI-Werte für verschiedene Landbedeckungen?
Wasser und Schnee: < 0,1; kahler Boden: 0,1–0,2; Gras und Buschland: 0,2–0,5; Feldfrüchte (je nach Wachstumsstadium): 0,3–0,8; dichter Wald: 0,6–0,9. Die Werte variieren saisonal (niedrig im Winter, Spitzenwert im Hochsommer in gemäßigten Regionen).
Wie beeinflusst Wolkenbedeckung die NDVI-Überwachung?
Wolken blockieren die Satellitensicht vollständig; bewölkte Pixel werden maskiert und müssen interpoliert oder übersprungen werden. In tropischen Regionen mit anhaltender Wolkenbedeckung können nützliche NDVI-Daten selten sein (< 50 % der Beobachtungen sind klar). Radarbasierte Indizes (nicht von Wolken beeinflusst) wie NDVI-abgeleitete Rückstreuung bieten Alternativen in bewölkten Gebieten.
Kann NDVI zwischen Feldfrüchten unterscheiden?
Nicht direkt. NDVI spiegelt die Grünheit wider, nicht die Feldfruchtidentität. Weizen und Gerste haben ähnliche NDVI-Trajektorien. Das phänologische Timing (Datum des Spitzen-NDVI, Länge der Vegetationsperiode) kann sich jedoch zwischen den Feldfrüchten unterscheiden, was eine Klassifizierung der Feldfrüchte in Kombination mit Wetterdaten oder Feldbeobachtungen ermöglicht.
Verwandte Methoden
Quellen
Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring vegetation systems in the Great Plains with ERTS. Third Earth Resources Technology Satellite Symposium Proceedings, 1, 309-317.
Publikationsreferenz öffnenKopiert.Jackson, R. D. (1983). Spectral indices in n-space. Remote Sensing of Environment, 13(5), 409-421.
DOI-Referenz öffnenKopiert.