Zum Inhalt springen
Zurück zu den Suchergebnissen

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

Schriftgröße

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

1

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.

2

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.

3

Für jedes Pixel werden die Reflektanzen im roten Band (0,6–0,7 µm) und im nahen Infrarotband (0,8–1,0 µm) extrahiert.

4

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.

5

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

  1. 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 öffnen
    Kopiert.
  2. Jackson, R. D. (1983). Spectral indices in n-space. Remote Sensing of Environment, 13(5), 409-421.

    DOI-Referenz öffnen
    Kopiert.