Нормализованный разностный вегетационный индекс (NDVI)
- Автор метода
- Rouse, Haas, Schell, and Deering
- Год
- 1973
- Тип
- Spectral index for vegetation assessment
- Семейство
- Remote sensing vegetation monitoring
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Нормализованный разностный вегетационный индекс (NDVI) — это спектральный индекс, вычисляемый по спутниковым или аэрофотоснимкам в мультиспектральном диапазоне, который количественно определяет зелёность и жизнеспособность растительности.
Введённый Rouse и его коллегами в 1973 году с использованием данных Landsat, NDVI стал наиболее широко используемым показателем дистанционного зондирования для мониторинга растительности, оценки засухи, прогнозирования урожайности сельскохозяйственных культур и обнаружения изменений в землепользовании.
Интуиция метода
Растительность отражает мало видимого (красного) света, но отражает большую долю ближнего инфракрасного (NIR) света благодаря структуре листьев и содержанию хлорофилла. NDVI использует этот контраст: NDVI = (NIR - Red) / (NIR + Red), где NIR и Red — это измеренные спутником отражения в соответствующих диапазонах. NDVI изменяется от -1 до +1: значения около -1 указывают на воду (поглощает NIR), 0 — на голую почву, а +0,5 до +0,9 — на густую здоровую растительность. Временные ряды NDVI выявляют сезонные циклы (зеленение весной, увядание осенью) и межгодовую изменчивость, связанную с доступностью воды.
История
Введённый в 1973 году с использованием данных мультиспектрального сканера Landsat, NDVI быстро стал стандартным индексом растительности для мониторинга сельского хозяйства, лесного хозяйства и засухи. Запуск усовершенствованного радиометра с высоким разрешением (AVHRR) в 1981 году и позже MODIS (1999) позволил осуществлять глобальный ежедневный мониторинг NDVI. Индекс здоровья растительности (VHI) NOAA, объединяющий NDVI и температуру поверхности суши, стал оперативным инструментом для раннего предупреждения о засухе. Последние разработки включают слияние данных высокого разрешения (Planet, Maxar) с данными низкого разрешения (MODIS) и глубокое обучение для определения фенологии.
Когда применять
Используйте NDVI для мониторинга состояния растительности в региональном и глобальном масштабах, оценки воздействия засухи, прогнозирования урожайности и обнаружения изменений в землепользовании. NDVI лучше всего подходит для крупномасштабных оценок (разрешение пикселя >10 м) и менее полезен для локального управления, где требуется детализация на уровне поля. Комбинируйте NDVI с другими индексами (EVI, SAVI) для повышения надёжности и с данными об осадках/температуре для интерпретации факторов.
Ограничения и замечания
- Насыщение при высокой плотности растительности; два густых леса с разной структурой выглядят одинаково по NDVI.
- Чувствительность к атмосферным воздействиям (аэрозоли, облака), которые вносят шум, если не применяются тщательные коррекции.
- Невозможность отличить тип или качество растительности; здоровая сорная трава выглядит так же, как здоровая культура.
- Временное разрешение зависит от облачного покрова и частоты повторных пролётов спутника; в облачных регионах возникают пропуски данных.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Простота и высокая вычислительная скорость, требуются только два спутниковых диапазона, широко доступные на различных датчиках и в архивах.
- Пространственная непрерывность, позволяющая проводить оценку в регионах, где отсутствуют наземные наблюдения или инфраструктура.
- Сильная эмпирическая связь с индексом листовой поверхности (LAI), скоростью фотосинтеза и биомассой.
- Длительный временной архив (Landsat с 1972 года, MODIS с 2000 года), позволяющий проводить анализ тенденций за десятилетия.
Применение
- Раннее предупреждение о засухе: мониторинг аномалий NDVI для выдачи оповещений о водном стрессе до гибели урожая, что помогает в реагировании на чрезвычайные ситуации.
- Прогнозирование урожайности: корреляция сезонных траекторий NDVI с конечным сбором зерна для прогнозирования производства до конца сезона.
- Обнаружение обезлесения и изменений в землепользовании: отслеживание снижения NDVI для выявления потери лесов и характеристики переходов в землепользовании.
- Оценка состояния пастбищ: использование тенденций NDVI для оценки перевыпаса, восстановления после засухи и несущей способности пастбищных угодий.
Как это работает
Как это работает
Используются мультиспектральные спутниковые снимки (Landsat, Sentinel, MODIS, Copernicus) как минимум с красным и ближним инфракрасным диапазонами. Данные подвергаются радиометрической калибровке для получения отражательной способности на уровне датчика.
Применяется атмосферная коррекция для преобразования отражательной способности на уровне датчика в отражательную способность поверхности, учитывая аэрозоли, водяной пар и рэлеевское рассеяние. Пиксели, соответствующие облакам и их теням, маскируются.
Для каждого пикселя извлекаются значения отражательной способности в красном диапазоне (0,6–0,7 мкм) и ближнем инфракрасном диапазоне (0,8–1,0 мкм).
NDVI вычисляется как (NIR - Red) / (NIR + Red) для каждого пикселя. Создаются временные ряды NDVI с регулярными интервалами (ежедневно для MODIS, 5–10 дней для Landsat/Sentinel) для отслеживания сезонных и межгодовых изменений.
Карты NDVI отображают пространственные закономерности обилия растительности. Временные ряды анализируются на пиковую зелёность, продолжительность вегетационного периода и аномалии, вызванные засухой. Тенденции коррелируются с осадками, температурой и изменениями в землепользовании.
Частые ошибки
- Неправильная интерпретация пространственных вариаций NDVI без учёта яркости почвенного фона, которая влияет на NDVI в районах с редкой растительностью.
- Сравнение NDVI, полученных с разных спутников или с использованием разных алгоритмов атмосферной коррекции, без гармонизации.
- Чрезмерное применение NDVI в тропических регионах, где содержание аэрозолей в атмосфере сильно варьируется, что вносит систематическую погрешность.
Часто задаваемые вопросы
Почему следует использовать NDVI вместо простого анализа отражательной способности в красном диапазоне?
Отражательная способность в красном диапазоне сама по себе не учитывает почвенный фон. Тёмная почва и редкий растительный покров имеют низкую отражательную способность в красном диапазоне. Нормализуя разницу между NIR и красным диапазоном на их сумму, NDVI выделяет сигнал растительности из сигнала почвы. Полученный индекс сильно коррелирует с площадью листьев, фотосинтезом и биомассой.
Каковы типичные значения NDVI для различных типов землепользования?
Вода и снег: < 0,1; голая почва: 0,1–0,2; трава и кустарники: 0,2–0,5; сельскохозяйственные культуры (в зависимости от стадии роста): 0,3–0,8; густой лес: 0,6–0,9. Значения меняются сезонно (низкие зимой, пик в середине лета в умеренных регионах).
Как облачный покров влияет на мониторинг NDVI?
Облака полностью блокируют вид со спутника; пиксели, соответствующие облакам, маскируются и должны быть интерполированы или пропущены. В тропических регионах с постоянным облачным покровом полезные данные NDVI могут поступать редко (< 50% наблюдений ясные). Индексы на основе радаров (не подверженные влиянию облаков), такие как обратное рассеяние, выведенное из NDVI, предоставляют альтернативы в облачных районах.
Может ли NDVI различать типы сельскохозяйственных культур?
Не напрямую. NDVI отражает зелёность, а не тип культуры. Пшеница и ячмень имеют схожие траектории NDVI. Однако фенологические сроки (дата пика NDVI, продолжительность вегетационного периода) могут различаться у разных культур, что позволяет классифицировать культуры при сочетании с данными о погоде или наземными наблюдениями.
Похожие методы
Источники
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.
Открыть ссылку на публикациюСкопировано.Jackson, R. D. (1983). Spectral indices in n-space. Remote Sensing of Environment, 13(5), 409-421.
Открыть ссылку DOIСкопировано.