Skip to content
กลับไปยังผลการค้นหา

NDVI

ผู้เสนอ
Rouse, Haas, Schell, and Deering
ปี
1973
ประเภท
Spectral index for vegetation assessment
กลุ่มวิธี
Remote sensing vegetation monitoring

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

ดัชนีพืชพรรณความแตกต่างปกติ (Normalized Difference Vegetation Index: NDVI) เป็นดัชนีเชิงสเปกตรัมที่คำนวณจากภาพถ่ายดาวเทียมหรือภาพถ่ายทางอากาศหลายช่วงคลื่น ซึ่งใช้ในการวัดความเขียวและความสมบูรณ์ของพืชพรรณ Rouse และคณะได้นำเสนอ NDVI ในปี 1973 โดยใช้ข้อมูลจากดาวเทียม Landsat และตั้งแต่นั้นเป็นต้นมา NDVI ก็กลายเป็นมาตรวัดการสำรวจระยะไกลที่ใช้กันอย่างแพร่หลายที่สุดสำหรับการติดตามพืชพรรณ การประเมินภัยแล้ง การพยากรณ์ผลผลิตพืช และการตรวจจับการเปลี่ยนแปลงการใช้ที่ดิน

แนวคิดเบื้องหลังวิธีการ

พืชพรรณสะท้อนแสงที่มองเห็นได้ (สีแดง) เพียงเล็กน้อย แต่สะท้อนแสงใกล้อินฟราเรด (NIR) ในสัดส่วนที่มาก เนื่องจากโครงสร้างและปริมาณคลอโรฟิลล์ในใบ NDVI ใช้ประโยชน์จากความแตกต่างนี้: NDVI = (NIR - Red) / (NIR + Red) โดยที่ NIR และ Red คือค่าการสะท้อนที่วัดได้จากดาวเทียมในช่วงคลื่นนั้น ๆ ค่า NDVI มีช่วงตั้งแต่ -1 ถึง +1: ค่าใกล้ -1 บ่งชี้ถึงน้ำ (ดูดซับ NIR), 0 บ่งชี้ถึงดินเปล่า, และ +0.5 ถึง +0.9 บ่งชี้ถึงพืชพรรณที่หนาแน่นและสมบูรณ์ อนุกรมเวลาของ NDVI เผยให้เห็นวัฏจักรตามฤดูกาล (พืชพรรณเขียวขึ้นในฤดูใบไม้ผลิ และเสื่อมสภาพในฤดูใบไม้ร่วง) และความแปรปรวนระหว่างปีที่เชื่อมโยงกับปริมาณน้ำ

ประวัติศาสตร์

NDVI ได้รับการนำเสนอในปี 1973 โดยใช้ข้อมูลจาก Landsat Multispectral Scanner และกลายเป็นดัชนีพืชพรรณมาตรฐานอย่างรวดเร็วสำหรับการเกษตร ป่าไม้ และการติดตามภัยแล้ง การเปิดตัว Advanced Very High Resolution Radiometer (AVHRR) ในปี 1981 และต่อมา MODIS (1999) ทำให้สามารถติดตาม NDVI ทั่วโลกได้ทุกวัน ดัชนีสุขภาพพืชพรรณ (Vegetation Health Index: VHI) ของ NOAA ซึ่งรวม NDVI และอุณหภูมิพื้นผิวโลก ได้ถูกนำมาใช้ในการเตือนภัยแล้งล่วงหน้า การพัฒนาล่าสุดรวมถึงการรวมข้อมูลความละเอียดสูง (Planet, Maxar) กับข้อมูลความละเอียดต่ำ (MODIS) และการเรียนรู้เชิงลึกสำหรับการตรวจจับฟีโนโลยี

ควรใช้เมื่อใด

ใช้ NDVI เพื่อติดตามสุขภาพพืชพรรณในระดับภูมิภาคถึงระดับโลก ประเมินผลกระทบจากภัยแล้ง พยากรณ์ผลผลิตพืช และตรวจจับการเปลี่ยนแปลงการใช้ที่ดิน NDVI ทำงานได้ดีที่สุดสำหรับการประเมินขนาดใหญ่ (ความละเอียดพิกเซล >10 ม.) และมีประโยชน์น้อยกว่าสำหรับการจัดการในระดับท้องถิ่นที่ต้องการรายละเอียดระดับแปลง รวม NDVI กับดัชนีอื่น ๆ (EVI, SAVI) เพื่อความมั่นคงและรวมข้อมูลปริมาณน้ำฝนและอุณหภูมิเพื่อตีความปัจจัยขับเคลื่อน

ข้อจำกัดและข้อควรพิจารณา

  • อิ่มตัวที่ความหนาแน่นของพืชพรรณสูง; ป่าทึบสองแห่งที่มีโครงสร้างต่างกันจะปรากฏคล้ายกันใน NDVI
  • ไวต่อผลกระทบจากบรรยากาศ (ละอองลอย, เมฆ) ที่ทำให้เกิดสัญญาณรบกวน เว้นแต่จะได้รับการแก้ไขอย่างระมัดระวัง
  • ไม่สามารถแยกแยะชนิดหรือคุณภาพของพืชพรรณได้; วัชพืชที่สมบูรณ์จะปรากฏคล้ายกับพืชผลที่สมบูรณ์
  • ความละเอียดเชิงเวลาขึ้นอยู่กับปริมาณเมฆและความถี่ในการกลับมาสำรวจของดาวเทียม; อาจมีช่องว่างในบริเวณที่มีเมฆมาก

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ง่ายและคำนวณได้รวดเร็ว โดยต้องการเพียงสองช่วงคลื่นดาวเทียมที่หาได้ทั่วไปจากเซ็นเซอร์และคลังข้อมูล
  • ต่อเนื่องเชิงพื้นที่ ทำให้สามารถประเมินในภูมิภาคที่ขาดการสังเกตการณ์ภาคสนามหรือโครงสร้างพื้นฐานภาคพื้นดิน
  • มีความสัมพันธ์เชิงประจักษ์ที่แข็งแกร่งกับดัชนีพื้นที่ใบ (LAI) อัตราการสังเคราะห์ด้วยแสง และชีวมวล
  • มีคลังข้อมูลเชิงเวลาที่ยาวนาน (Landsat ตั้งแต่ปี 1972, MODIS ตั้งแต่ปี 2000) ทำให้สามารถวิเคราะห์แนวโน้มในรอบทศวรรษได้

การประยุกต์ใช้

  • การเตือนภัยแล้งล่วงหน้า: การติดตามความผิดปกติของ NDVI เพื่อออกคำเตือนสำหรับภาวะเครียดจากน้ำก่อนที่พืชผลจะเสียหาย ซึ่งช่วยในการตอบสนองฉุกเฉิน
  • การพยากรณ์ผลผลิตพืช: การเชื่อมโยงเส้นทาง NDVI ตามฤดูกาลกับผลผลิตธัญพืชขั้นสุดท้าย เพื่อพยากรณ์ผลผลิตก่อนสิ้นสุดฤดูกาล
  • การตรวจจับการตัดไม้ทำลายป่าและการเปลี่ยนแปลงการใช้ที่ดิน: การติดตามการลดลงของ NDVI เพื่อระบุการสูญเสียป่าไม้และจำแนกการเปลี่ยนแปลงการใช้ที่ดิน
  • การประเมินสุขภาพทุ่งหญ้า: การใช้แนวโน้ม NDVI เพื่อประเมินการเลี้ยงสัตว์มากเกินไป การฟื้นตัวจากภัยแล้ง และขีดความสามารถในการรองรับในพื้นที่เลี้ยงสัตว์

วิธีการทำงาน

วิธีการทำงาน

1

ภาพถ่ายดาวเทียมหลายช่วงคลื่น (Landsat, Sentinel, MODIS, Copernicus) ที่มีอย่างน้อยช่วงคลื่นสีแดงและใกล้อินฟราเรดจะถูกนำมาใช้ ข้อมูลจะได้รับการปรับเทียบทางรังสีวิทยาให้เป็นค่าการสะท้อนที่เซ็นเซอร์ (at-sensor reflectance)

2

มีการประยุกต์ใช้การแก้ไขบรรยากาศเพื่อแปลงค่าการสะท้อนที่เซ็นเซอร์ให้เป็นค่าการสะท้อนพื้นผิว (surface reflectance) โดยคำนึงถึงละอองลอย ไอน้ำ และการกระเจิงของ Rayleigh พิกเซลที่เป็นเมฆและเงาเมฆจะถูกกำจัดออก

3

สำหรับแต่ละพิกเซล จะมีการสกัดค่าการสะท้อนในช่วงคลื่นสีแดง (0.6–0.7 µm) และช่วงคลื่นใกล้อินฟราเรด (0.8–1.0 µm)

4

NDVI ถูกคำนวณเป็น (NIR - Red) / (NIR + Red) สำหรับแต่ละพิกเซล มีการสร้างอนุกรมเวลาของ NDVI เป็นชุดข้อมูลซ้อนกันในช่วงเวลาปกติ (รายวันสำหรับ MODIS, 5–10 วันสำหรับ Landsat/Sentinel) เพื่อติดตามความแปรปรวนตามฤดูกาลและระหว่างปี

5

แผนที่ NDVI เผยให้เห็นรูปแบบเชิงพื้นที่ของปริมาณพืชพรรณ อนุกรมเวลาจะถูกวิเคราะห์เพื่อหาค่าความเขียวสูงสุด ความยาวของฤดูปลูก และความผิดปกติที่เกิดจากภัยแล้ง แนวโน้มจะถูกเชื่อมโยงกับปริมาณน้ำฝน อุณหภูมิ และการเปลี่ยนแปลงการจัดการที่ดิน

ข้อผิดพลาดที่พบบ่อย

  • การตีความความแปรปรวนของ NDVI เชิงพื้นที่ผิดพลาดโดยไม่คำนึงถึงความสว่างของพื้นหลังดิน ซึ่งส่งผลต่อ NDVI ในพื้นที่ที่มีพืชพรรณเบาบาง
  • การเปรียบเทียบ NDVI ระหว่างดาวเทียมหรืออัลกอริทึมการแก้ไขบรรยากาศที่แตกต่างกันโดยไม่มีการปรับให้เข้ากัน
  • การใช้ NDVI มากเกินไปในเขตร้อนที่มีปริมาณละอองลอยในบรรยากาศผันผวนอย่างมาก ทำให้เกิดอคติเชิงระบบ

คำถามที่พบบ่อย

เหตุใดจึงใช้ NDVI แทนที่จะดูเพียงค่าการสะท้อนสีแดง?

ค่าการสะท้อนสีแดงเพียงอย่างเดียวไม่สามารถอธิบายพื้นหลังดินได้ ดินสีเข้มและพืชพรรณเบาบางต่างก็มีค่าการสะท้อนสีแดงต่ำ การทำให้ความแตกต่างระหว่าง NIR และสีแดงเป็นปกติโดยผลรวมของทั้งสอง ทำให้ NDVI แยกสัญญาณพืชพรรณออกจากดิน ดัชนีที่ได้มีความสัมพันธ์อย่างมากกับพื้นที่ใบ การสังเคราะห์ด้วยแสง และชีวมวล

ค่า NDVI ทั่วไปสำหรับประเภทการใช้ที่ดินต่าง ๆ เป็นอย่างไร?

น้ำและหิมะ: < 0.1; ดินเปล่า: 0.1–0.2; หญ้าและพุ่มไม้: 0.2–0.5; พืชผล (ขึ้นอยู่กับระยะการเจริญเติบโต): 0.3–0.8; ป่าทึบ: 0.6–0.9 ค่าจะแตกต่างกันไปตามฤดูกาล (ต่ำในฤดูหนาว สูงสุดในกลางฤดูร้อนในเขตอบอุ่น)

ปริมาณเมฆส่งผลต่อการติดตาม NDVI อย่างไร?

เมฆบดบังทัศนวิสัยของดาวเทียมโดยสิ้นเชิง; พิกเซลที่มีเมฆจะถูกกำจัดออกและต้องมีการประมาณค่าหรือข้ามไป ในเขตร้อนที่มีเมฆปกคลุมต่อเนื่อง ข้อมูล NDVI ที่มีประโยชน์อาจไม่บ่อยนัก (< 50% ของการสังเกตการณ์ที่ชัดเจน) ดัชนีที่ใช้เรดาร์ (ไม่ได้รับผลกระทบจากเมฆ) เช่น ค่าการกระเจิงกลับที่ได้จาก NDVI เป็นทางเลือกในพื้นที่ที่มีเมฆมาก

NDVI สามารถแยกแยะชนิดพืชผลได้หรือไม่?

ไม่โดยตรง NDVI สะท้อนความเขียว ไม่ใช่ชนิดของพืชผล ข้าวสาลีและข้าวบาร์เลย์มีเส้นทาง NDVI ที่คล้ายกัน อย่างไรก็ตาม ช่วงเวลาทางฟีโนโลยี (วันที่ NDVI สูงสุด ความยาวของฤดูปลูก) อาจแตกต่างกันไปในแต่ละพืชผล ทำให้สามารถจำแนกพืชผลได้เมื่อรวมกับข้อมูลสภาพอากาศหรือการสังเกตการณ์ภาคสนาม

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว