Skip to content
Назад к результатам поиска

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

Размер шрифта

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

1

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.

2

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.

3

Для каждого пикселя извлекаются значения отражательной способности в красном диапазоне (0,6–0,7 мкм) и ближнем инфракрасном диапазоне (0,8–1,0 мкм).

4

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.

5

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

  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.

    Открыть ссылку на публикацию
    Скопировано.
  2. Jackson, R. D. (1983). Spectral indices in n-space. Remote Sensing of Environment, 13(5), 409-421.

    Открыть ссылку DOI
    Скопировано.