Mehr

Durchführen von NDVI, wenn nir-Daten als 3 Bänder angegeben werden


Mir wurden zwei Datensätze derselben Fläche zur Verfügung gestellt, einer mit normalen RGB-Bändern und einer mit NIR-Daten. Mein Problem ist, dass ich nicht sicher bin, wie ich dies interpretieren soll, da die NIR-Daten als 3 Bänder angegeben werden.

Ich vermute, dass es in einigen Datenerfassungsbereichen normal ist, NIR-Daten mit einer DSL-Kamera zu sammeln, bei der einige Filter entfernt wurden, und deshalb werden die Daten über 3 Bänder erfasst. (aber ich weiß wirklich nicht viel darüber).

Wie transformiere ich die 3 Bänder der Nir-Daten in die, die ich für meine NDVI-Berechnung benötige?


Manchmal lassen Distributoren das blaue Band weg und stellen nur das nIR-, rote und grüne Band zur Verfügung, damit der Endbenutzer die Daten als zusammengesetztes Falschfarbenbild anzeigen kann. Nehmen wir an, der Verteiler hat das getan. Es gibt mehrere Möglichkeiten, anhand grundlegender Fernerkundungsprinzipien abzuleiten, welche Bänder welche sind, insbesondere bei den roten und nIR-Wellenlängen. Wir wissen zum Beispiel, dass EMR im nIR-Bereich des Spektrums stark von gesunder grüner Vegetation reflektiert und im Wasser stark absorbiert wird. Wir wissen auch, dass EMR im roten Teil des Spektrums im Allgemeinen von gesunder grüner Vegetation absorbiert wird. Dieser Unterschiedseffekt macht den NDVI zu einem so wertvollen Vegetationsindex.

Die folgenden Beispiele zeigen die spektralen Eigenschaften (hier in DN gemessen) von Wasser im ersten Screenshot und gesunde grüne Vegetation im zweiten Screenshot. Basierend auf dieser Analyse können wir feststellen, dass das nIR-Band Schicht 4 und das rote Band Schicht 1 ist.



Zeitliche Beziehungen zwischen Zeitreihen CHIRPS-Niederschlagsschätzung und eMODIS-NDVI-Satellitenbildern in der Region Amhara, Äthiopien

Agenagnew A. Gessesse , Assefa M. Melesse , in Extreme Hydrology and Climate Variability , 2019

8.2.3.2 NDVI-Reflexion und -Anomalie

Der NDVI wird als Differenz zwischen Nahinfrarot (NIR) und Rot (RED) Reflektanz dividiert durch ihre Summe berechnet.

NDVIich stellt den geglätteten NDVI (sNDVI) dar, der bei Zeitschritt . beobachtet wurde ich und ihr Verhältnis ergibt ein Maß für die Photosyntheseaktivität innerhalb von Werten zwischen − 1 und 1. Niedrige NDVI-Werte weisen auf eine durch Feuchtigkeit gestresste Vegetation hin und höhere Werte weisen auf eine höhere Dichte grüner Vegetation hin. Es wird auch zur Dürreüberwachung und Frühwarnung von Hungersnöten verwendet (Wardlow et al., 2007 Javadnia et al., 2009).

Zur Berechnung der NDVI-Anomalie (z-score), die für jede Periode (in unserem Fall: Monat) im Jahr eine Serie von Bildern mit historischen Jahr [langfristigen Durchschnitten (LTAs)] erfordern sollte. Die Anomalie (z-Score) können Indikatoren für den Vegetationszustand berechnet werden als ZNDVI und sein Wert wird häufig für die Überwachung von Vegetationsanomalien verwendet ( Klisch und Atzberger, 2016 ). Es wird auf Pixelebene aus den sNDVI-Daten als berechnet.

wo ZNDVI ist der Standardunterschied (z-Score) von NDVI im Zeitschritt ich, NDVIich = soNDVI ist der beobachtete Zeitschritt ich, NDVI Mittelwert , m = ∑ i NDVI i / m ist der monatliche Mittelwert soNDVI-Werte und σNDVI ist die Standardabweichung von soNDVI-Werte im Monat (ich) beziehungsweise. σNDVI gibt an, dass die vorzeichenbehaftete Anzahl der Standardabweichungen über oder unter dem Mittelwert liegt.


NDVI-Verarbeitung

NDVI, oder Normalized Difference Vegetation Index, kann ein großartiges Werkzeug sein, um die Gesundheit von Pflanzen aus der Ferne zu messen. Maps Made Easy ist darauf ausgelegt, nur kalibrierte NDVI-Bilder zu verarbeiten.

Mit dem richtige Ausrüstungkönnen NDVI-Bilder mit einer Drohne gesammelt und verarbeitet werden, um Kartenüberlagerungen zu erstellen, die eine Fülle potenziell kostensparender Informationen liefern können.

„Die richtige Ausrüstung“ ist hier das Stichwort. Es gibt keinen Mangel an Unternehmen, die bereit sind, Benutzern "Ag" - oder "NDVI" -Kameras zu verkaufen, die nichts anderes als gehackte Kameras sind, bei denen die IR-Sperrfilter entfernt und ein Blaufilter installiert ist. Wir werden hier nicht auf sie verlinken, da sie alle in Bezug auf die Fähigkeiten und Genauigkeit sehr irreführend sind. Präzise NDVI-Datenverarbeitung erfordert die Fähigkeit zur Kalibrierung die Kamera und das Bildmaterial, um sicherzustellen, dass die Verhältnisse von nahem Infrarotlicht und sichtbarem Lichtdurchsatz bekannt sind und entsprechend skaliert werden können. Gehackte Consumer-Kameras können dies nicht und für genaue Ergebnisse muss eine wissenschaftliche Kamera verwendet werden. (Wir lassen spektrale Inhalte hier vorerst absichtlich weg, um diesen Artikel leicht lesbar zu halten.)

Der Grund, warum Drones Made Easy, ein Unternehmen, das von einem Team von Experten für militärische multispektrale Bildgebungssysteme gegründet wurde, derzeit keine billigen NDVI-Lösungen anbietet, liegt darin, dass sie derzeit alle wissenschaftlich nicht genau sind. Wir bieten jetzt ein auf Parrot Sequoia basierendes System an, aber es ist nicht gerade billig. Mit NDVI können Sie günstig oder gut auswählen, da die Dinge im Moment nicht beides sind. Das Drones Made Easy Agronaut-System ist das günstigste verfügbare System mit einer Flugsteuerungs-App, unbegrenzter Verarbeitung und einer echten NDVI-Kamera: Drones Made Easy Agronaut Agricultural Mapping System

NDVI-Kameras sind teuer. Die derzeit günstigste Option für echtes NDVI ist der Sequoia von Parrot at

3500 $. Ebenfalls erhältlich ist der ADC Snap der TetraCam, der kostet

$4500 für RedEdge von MicaSense

6200 US-Dollar Kamera, nur wenige Leute sind bereit, eine solche Investition für etwas zu tätigen, das sie nicht vollständig verstehen, wenn es so aussieht, als könnten Sie einfach eine dieser gehackten Kameras kaufen und ähnliche Ergebnisse erzielen.

Unten sehen Sie ein Beispiel der Sequoia-Kamera, die verwendet wird, um absolute Messungen im Laufe der Zeit durchzuführen. Drei Besuche in derselben Gegend am 1. April, 8. Juli und 12. August zeigen, wie die Vegetation ausgetrocknet ist. Diese Layer wurden alle unter ziemlich unterschiedlichen Lichtbedingungen aufgenommen und Sie können sehen, dass es wirklich gute Arbeit leistet, konstante Werte für unveränderte Bereiche beizubehalten. RGB- und NDVI-Ebenen für jedes Datum werden angezeigt.

Die Daten wurden mit dem Drones Made Easy Agronaut-System aufgenommen, einem DJI Matrice 100 mit einer benutzerdefinierten Elektronik zum Antreiben eines H4-3D-Gimbals zur Stabilisierung der Kamera. Der Custom-Bordcomputer übernimmt auch die Datenaufbereitung für den Upload in Maps Made Easy.

Weitere Beispiele für die vom Agronaut erfassten Daten und deren Verarbeitung finden Sie in unserem Artikel über NDVI Image Stack Processing.

Beachten Sie den gesamten Bereich von Rot bis Dunkelgrün, der für Werte im Bereich von -.3 bis 1 repräsentativ ist. Dies ist ein guter Bereich und Sie können sehen, dass tote/nicht-pflanzliche Objekte, wie Straßen, rot sind. Sicher keine gesunden Pflanzen. Die Pflanzenbereiche der Felder und Bäume sind grün mit Werten von .3 bis .9, die für aktive Photosynthese stehen.

Die Zahlen von -1 bis +1 am unteren Rand der Karte zeigen den Maßstab der Indexwerte, wie er mit der folgenden Formel berechnet wurde:

NDVI = (NIR - VIS) / (NIR + VIS)

Die ND in NDVI ist "Normalized Difference" und bedeutet, dass dies eine selbstkorrigierende Messung der Verhältnisse von nahem Infrarot (NIR) und sichtbarem (VIS) Licht ist. Der gesamte Wertebereich sollte einen guten Teil des Bereichs von -1 bis 1 einnehmen.

Bei gehackten Kameras ist es üblich, dass die Menge an NIR-Licht, die von der Kamera akzeptiert wird, stark von der im sichtbaren Bereich erfassten abweicht, was dazu führt, dass die berechnete Reichweite nur eine Reichweite von 0,2 oder 0,3 der gesamten Reichweite hat . Wenn das ganze Bild grün ist, bedeutet das, dass alles gesund ist? Nee. Dies bedeutet, dass die Kamera (oder die Daten nicht richtig kalibriert wurden und die berechneten Verhältnisse nicht das darstellen, was tatsächlich am Boden passiert.

Hier ist ein Beispiel für eine schlecht kalibrierte NDVI-Kamera:

Beachten Sie, dass der Bereich zwischen 0,8 und 1 liegt. Diese Kamera ließ viel zu viel NIR-Licht ein oder war nicht richtig kalibriert, um die große Diskrepanz zwischen den NIR- und VIS-Lichtpegeln zu berücksichtigen.

Die Zahlen zwischen -1 und 1 bedeuten tatsächlich etwas. Sie können nicht einfach Werte, die im Bereich von 0,2 bis 0,5 berechnet wurden, über den Bereich von -1 bis 1 dehnen und als genaue NDVI-Daten bezeichnen. Es kann gut aussehen und etwas Rot und etwas Grün haben, aber es wird nichts BEDEUTEN. Die dadurch erzeugten Informationen sind keine umsetzbaren Informationen. Wenn ein schlechter NDVI-Mapper einem Landwirt solche Informationen gibt und er danach handelt, wird dies wahrscheinlich seine gesamte Ernte töten. Zum Glück sind Landwirte schlau und wissen es besser. Hier kommt Ground Truthing ins Spiel.

Die Problemumgehung – Manuelles Ground Truthing

Wenn Sie unbedingt eine unkalibrierte Kamera verwenden müssen, können Sie Maps Made Easy trotzdem verwenden, um Ihre Indexbilder zusammenzufügen und zu berechnen.

Unser Tone Mapping (das angepasst werden kann) geht davon aus, dass die NDVI-berechneten Werte von 0 oder weniger tot oder unbelebt sind. Werte von 0,3 oder höher liegen im Allgemeinen im gesunden Bereich. Dies ist die Wissenschaft hinter der Verwendung von NDVI als Indikator für die Pflanzengesundheit.

Benutzerdefinierte Tonzuordnung

Tone Mapping ist der Prozess, bei dem wir eine Farbe auf einen berechneten Wert anwenden. Ein Wert von 0,8 ist schön und gesund, daher geben wir ihm ein dunkles Grün. Ein Wert von -.3 ist tot, also geben wir ihm ein dunkles Rot. Durch die folgenden Schritte ist es möglich,

  • Stellen Sie nach Möglichkeit sicher, dass der Weißabgleich der Kamera fest eingestellt ist.
  • Verwenden Sie nach Möglichkeit eine feste Belichtungszeit.
  • Machen Sie einige Nahaufnahmen von Ground-Truth-Bildern von bekannten gesunden und bekannten toten Bereichen (wie nacktem Schmutz).
  • Berechnen Sie manuell einige Werte für bekannte gute und bekannte schlechte Oberflächen mit einem kostenlosen Tool wie ImageJ, um die RGB-Rohwerte zu erhalten.
  • Bestimmen Sie, was Ihre erfasste Reichweite ist.
  • Passen Sie die Tone-Mapping-Tabelle zum Zeitpunkt des Hochladens an, indem Sie die "NDVI-Einstellungen" anpassen, um Ihren benutzerdefinierten Bereich widerzuspiegeln.

Die rechte Farbkarte basiert auf den von Tetracam verwendeten Standardwerten, die den gesamten Bereich von -1 bis +1 umfassen. Die modifizierte Farbkarte rechts zeigt den komprimierten Wertebereich von 0,25 bis 0,8 als Farben von Rot bis Grün. Diese Änderung muss beim Hochladen vorgenommen werden.

Nach dem benutzerdefinierten Tone Mapping haben die Daten immer noch keine Bedeutung. Die Werte sind weiterhin unkalibriert, aber die Bilder zeigen zumindest die Farben, die Sie zuordnen möchten. Maps Made Easy streckt die berechneten Werte nicht und wird dies auch nicht tun, damit die Daten korrekt "aussehen". Daten sind richtig oder nicht.

Wir haben uns nie gescheut, unsere Meinung zu den schlechten Diensten dieser Anbieter in der Branche zu teilen. Wenn zu viele Leute anfangen, diese schlechten Daten kommerziell zu teilen, wird die Agrarindustrie sehr schnell von der Technologie abgelenkt, obwohl sie tatsächlich ein großartiges Werkzeug sein könnte, solange die Leute es richtig machen.


Normalisierter Differenzfeuchtigkeitsindex

Dieses Bild zeigt einen (links) Landsat 8 Surface Reflectance (SR) und (rechts) den von SR abgeleiteten Landsat Surface Reflectance Normalized Difference Moisture Index (NDMI).

Landsat Surface Reflectance-derived Normalized Difference Moisture Index (NDMI) werden von Landsat 4–5 Thematic Mapper (TM), Landsat 7 Enhanced Thematic Mapper Plus (ETM+) und Landsat 8 Operational Land Imager (OLI)/Thermal Infrared Sensor (TIRS .) erfasst ) Szenen, die erfolgreich zu Landsat Level-2-Oberflächenreflexionsprodukten verarbeitet werden können.

NDMI wird verwendet, um den Wassergehalt der Vegetation zu bestimmen. Es wird auf traditionelle Weise als Verhältnis zwischen den NIR- und SWIR-Werten berechnet.

In Landsat 4-7 ist NDMI = (Band 4 – Band 5) / (Band 4 + Band 5).

In Landsat 8 NDMI = (Band 5 – Band 6) / (Band 5 + Band 6).

NDMI wird als Single-Band-Produkt geliefert, wie in der folgenden Tabelle angegeben.

Landsat Surface Reflectance-derived Normalized Difference Moisture Index (NDMI) Spezifikationen
Attribut Wert
Langer Name Normalisierter Differenzfeuchtigkeitsindex
Kurzer Name LC8NDMI, LE7NDMI, LT5NDMI oder LT4NDMI
Dateiname *_sr_ndmi.tif
Datentyp Vorzeichenbehaftete 16-Bit-Ganzzahl
Einheiten Spektralindex (Bandverhältnis)
Gültiger Bereich -10,000 — 10,000
Füllwert -9999
Sättigungswert 20,000
Skalierungsfaktor *0.0001

Datenzugriff

Besuchen Sie die Landsat Surface Reflectance-Derived Spectral Indices-Webseite für Informationen zu Produktbeschränkungen, Zitaten und Referenzinformationen.


NDVI, die Stiftung für Phänologie der Fernerkundung

Phänologische Fernerkundungsstudien verwenden Daten, die von Satellitensensoren gesammelt wurden, die die Wellenlängen des von grünen Pflanzen absorbierten und reflektierten Lichts messen. Bestimmte Pigmente in Pflanzenblättern absorbieren stark die Wellenlängen des sichtbaren (roten) Lichts. Die Blätter selbst reflektieren stark Wellenlängen des nahen Infrarotlichts, das für das menschliche Auge unsichtbar ist. Wenn sich ein Pflanzendach vom frühen Frühjahrswachstum zur späten Saisonreife und Seneszenz ändert, ändern sich auch diese Reflexionseigenschaften.

Ein Sonnenblumenfeld in der Nähe von Midland, South Dakota.

(Bildnachweis: Stephen P. Shivers, USGS. Gemeinfrei.)

Viele Sensoren an Bord von Satelliten messen rote und nahinfrarote Lichtwellen, die von Landoberflächen reflektiert werden. Mithilfe mathematischer Formeln (Algorithmen) wandeln Wissenschaftler Satellitenrohdaten über diese Lichtwellen in Vegetationsindizes um. Ein Vegetationsindex ist ein Indikator, der die Grünheit – die relative Dichte und Gesundheit der Vegetation – für jedes Bildelement oder Pixel in einem Satellitenbild beschreibt.

Obwohl es mehrere Vegetationsindizes gibt, ist einer der am weitesten verbreiteten der Normalized Difference Vegetation Index (NDVI). Die NDVI-Werte reichen von +1,0 bis -1,0. Bereiche mit unfruchtbarem Fels, Sand oder Schnee weisen normalerweise sehr niedrige NDVI-Werte auf (z. B. 0,1 oder weniger). Eine spärliche Vegetation wie Sträucher und Grasland oder seneszierende Kulturen können zu moderaten NDVI-Werten (ca. 0,2 bis 0,5) führen. Hohe NDVI-Werte (ca. 0,6 bis 0,9) entsprechen einer dichten Vegetation, wie sie in gemäßigten und tropischen Wäldern oder Pflanzen in der höchsten Wachstumsphase vorkommt.

Durch die Umwandlung von Satellitenrohdaten in NDVI-Werte können Forscher Bilder und andere Produkte erstellen, die ein grobes Maß für Vegetationstyp, -menge und -zustand auf Landoberflächen auf der ganzen Welt liefern. NDVI ist besonders nützlich für die Vegetationsüberwachung auf kontinentaler bis globaler Ebene, da es wechselnde Beleuchtungsbedingungen, Oberflächenneigung und Betrachtungswinkel ausgleichen kann. Allerdings neigt NDVI dazu, über dichter Vegetation zu sättigen und reagiert empfindlich auf die darunter liegende Bodenfarbe.

NDVI-Werte können über die Zeit gemittelt werden, um "normale" Wachstumsbedingungen in einer Region für eine bestimmte Jahreszeit zu etablieren. Eine weitere Analyse kann dann die Gesundheit der Vegetation an diesem Ort relativ zur Norm charakterisieren. Bei einer Analyse im Laufe der Zeit kann NDVI aufdecken, wo die Vegetation gedeiht und wo sie unter Stress steht, sowie Veränderungen der Vegetation aufgrund menschlicher Aktivitäten wie Entwaldung, natürliche Störungen wie Waldbrände oder Veränderungen im phänologischen Stadium von Pflanzen.


USGS EROS Archiv - Vegetationsüberwachung - EROS Visible Infrared Imaging Radiometer Suite (eVIIRS)

Die Sammlung der Visible Infrared Imaging Radiometer Suite (eVIIRS) des Earth Resources Observation and Science (EROS) Center basiert auf den Daten der Visible Infrared Imaging Radiometer Suite (VIIRS) der Suomi National Polar-orbiting Partnership (S-NPP), die vom KKW erfasst wurden das Ergebnis einer Partnerschaft zwischen der National Aeronautics and Space Administration (NASA) und der National Oceanic and Atmospheric Administration (NOAA).

eVIIRS (EROS Visible Infrared Imaging Radiometer Suite) CONUS Sub-Sample
(öffentliche Domain)

Die EROS Visible Infrared Imaging Radiometer Suite (eVIIRS) Normalized Difference Vegetation Index (NDVI) Collection verwendet die Visible Infrared Imaging Radiometer Suite (VIIRS) Collection, die bei der NASA Land Atmosphere Near-real-time Capability for EOS (LANCE) für die beschleunigte verfügbar ist Produkt und Level-1 und Atmosphere Archive & Distribution System (LAADS) für die historischen Produkte.

Fernerkundung mit mäßiger Auflösung bietet Betriebsüberwachungsgemeinschaften die Möglichkeit, historische Trendinformationen zu entwickeln und Abweichungen von zeitlichen Durchschnittswerten nahezu in Echtzeit zu verwenden, um Änderungsbereiche zu identifizieren. Qualitativ hochwertige, konsistente und gut kalibrierte Satellitenmessungen sind erforderlich, um Veränderungen und Trends zu erkennen und zu überwachen, insbesondere in Vegetationsmustern, die für Dürre-, Ernteertrags-, Phänologie- und Feuerpotenzialstudien nützlich sind.

Die eVIIRS-Erhebung basiert auf den vom KKW erfassten S-KKW VIIRS-Daten. Obwohl VIIRS NDVI-Daten als Composites im LP DAAC als 500-m- und 1-km-8-Tage-Produkte verfügbar sind, erfüllt das eVIIRS-Produkt den Bedarf an einem 375-m-Datensatz in den 7-, 14-, sowie 10 -Tage dekadalen Datensätze, die dem EROS Moderate Resolution Imaging Spectroradiometer (eMODIS) entsprechen.

Die historische eVIIRS-Produktsuite umfasst 7- und 14-Tage-Composites für die angrenzenden USA (CONUS) und Alaska sowie einen monatlichen 10-Tage-Dekadenplan für die NDVI-Frühwarnsysteme (FEWS) einschließlich Mittelamerika/Karibik und Mexiko , Afrika, Zentralasien, Südamerika, Australien und Neuseeland. Für die 7-Tage-Produkte (CONUS) läuft täglich eine beschleunigte (nahezu Echtzeit) Produktion. Jeder Datensatz liefert Erfassungs-, Qualitäts- und NDVI-Informationen mit einer räumlichen Auflösung von 375 m. Da jedes der Composites aus einer unterschiedlichen Anzahl von Bildern erstellt wird, enthalten eVIIRS-Composites Erfassungsdateien, um zu identifizieren, welche der Eingaben verwendet wurden, um das endgültige Composite zu füllen. Die Metadaten, die die Datendateien begleiten, fassen geografische Grenzen, Projektionsparameter und Produktkontaktinformationen zusammen.

eVIIRS produziert derzeit NDVI- und Oberflächenreflexions-Verbundwerkstoffe über CONUS, Alaska und Mittelamerika/Karibik und Mexiko, während Afrika, Zentralasien, Südamerika, Australien und Neuseeland nur NDVI-Verbundwerkstoffe enthalten.

Zusammengesetzter Bauprozess

Der erste Schritt im eVIIRS-Verbundbauprozess besteht darin, die verschiedenen Geotiff-Bänder zu erstellen, die für die Erstellung eines NDVI-Verbundmaterials für jeden Tag und jede Uhrzeit in der Zusammensetzungsperiode erforderlich sind. Der Compositing-Zeitraum kann beispielsweise 7 oder 10 Tage betragen.

Eines der erstellten GeoTIFF-Bänder ist das NDVI-Band. NDVI wird aus der bekannten Gleichung erstellt

wobei Rot das VIIRS-Band I1 und NIR das Band I2 ist. Diese Banden stammen von den 375-m-Oberflächenreflexionsbanden des VNP09-Granulats.

Die minimal zulässigen NDVI-Werte sind -0,1999, und alle NDVI-Werte (die normalerweise zwischen -1,0 und 1,0 liegen) werden auf 10.000 skaliert. Somit liegen die NDVI-Ausgangswerte dieser Anwendung zwischen -2000 und 10.000 (mit Ausnahme der negativen Oberflächenreflexionswerte), um den LP DAAC MOD09-Produkten zu entsprechen.

Wenn einer der roten oder NIR-Pixelwerte eine Hintergrundfüllung ist, wird der Ausgabe-NDVI-Wert auf UNDEF (-2000) gesetzt. Der gleiche Wert gilt, wenn die roten und NIR-Pixel den gleichen Wert haben. Wenn eines der roten oder NIR-Pixel negativ ist, wird der Ausgabe-NDVI-Wert auf NEG_SR (-3000) gesetzt.

Andere Bänder, die für den Compositing-Prozess erstellt wurden, sind die Bänder 1, 2 und 4 für den Satelliten-Zenitwinkel und die Oberflächenreflexionsqualität.

Zusammengesetzte Berechnung

Die Software zur Erstellung von 7-, 14- und 10-tägigen dekadal NDVI-Verbundwerkstoffen wurde vom USGS EROS Software-Entwicklungsteam entwickelt. Die Software verarbeitet VIIRS 375-m-Schwadgranulate, um 375-m- und/oder 1-km-Verbundprodukte herzustellen.

Die Software rastert die erforderlichen Schwadkörnchen (VNP09 und NPP_IMFTS_L1) für den angegebenen begrenzten Bereich (unter Verwendung der oberen linken und unteren rechten Eckkoordinaten). Für jedes Gittergranulat wird eine NDVI-Bande unter Verwendung der roten (Band I1) und NIR (Band I2) Bänder erzeugt.

Sobald jedes Körnchen auf die gegebenen Koordinatenausdehnungen gerastert und das NDVI erstellt wurde, wird ein verbessertes Maximum-Value-Composite (MVC) erzeugt. Bei einem reinen MVC-Algorithmus würde jedes Pixel im Verbund (für jedes Band) unter Verwendung des Pixelwerts des Granulats mit dem höchsten NDVI für das aktuelle Pixel gefüllt. Der MVC wurde im aktuellen eVIIRS-Algorithmus verbessert, indem Bandqualität, Wolkenmaske, negative Oberflächenreflexion und Betrachtungswinkel in den Algorithmus für die eVIIRS-Verarbeitung integriert wurden.

  1. Die Bandqualitätsinformationen im Oberflächenreflexionsprodukt werden verwendet, um zu bestimmen, ob ein bestimmtes Pixel von „schlechter Qualität“ ist. Pixel von schlechter Qualität werden im endgültigen zusammengesetzten Produkt nicht verwendet.
  2. Der NDVI-Algorithmus markiert negative Oberflächenreflexionswerte, sodass sie nicht im Ausgabe-Composite verwendet werden, wenn positive Werte verfügbar sind. Wenn entweder die Oberflächenreflexionswerte des roten oder des NIR-Bands negativ sind, wird der NDVI-Ausgangswert mit einem Wert von -3000 gekennzeichnet. (HINWEIS: Undefinierte oder Hintergrundfüllungs-NDVI-Werte sind -2000 und dies ist die untere Grenze der „gültigen“ NDVI-Werte.) Der zusammengesetzte Algorithmus ignoriert dann Körnchen mit NDVI-Werten von -3000, um negative Oberflächenreflexionswerte in der Ausgabe auszulassen zusammengesetzt.
  3. Die Wolkenmaske wird verwendet, um das Vorhandensein von Wolkenpixeln in dem zusammengesetzten Produkt zu minimieren. Wenn das Qualitätsflag wahrscheinlich klar und/oder sicher klar ist, dann kann das Pixel verwendet werden, um das aktuelle zusammengesetzte Pixel zu füllen.
  4. Der Betrachtungswinkel (Abstand vom Nadir) bestimmt, welches der beiden höchsten NDVI-Pixel im Composite verwendet wird. Von den nicht bewölkten Pixeln in idealer Qualität werden die beiden höchsten NDVI-Werte aus der Granulatliste bestimmt. Von diesen beiden Körnchen wird der Pixelwert, der dem Tiefpunkt am nächsten liegt, verwendet, um den Verbund zu füllen.

Die Produkte werden für S-KKW VIIRS über alle Gebiete einschließlich CONUS und Alaska generiert und auf ein regionalspezifisches Kartierungsraster projiziert und in einem komprimierten (gezippten) GeoTIFF-Format geliefert.

Zwei räumliche Auflösungen (375 m und 1.000 m) stehen einzeln zum Download zur Verfügung. Diese Daten sind sowohl in EarthExplorer als auch in der Machine-to-Machine-API verfügbar. Das Downloadprodukt ist eine ZIP-Datei mit 6 Dateien, darunter drei TIF-, eine JPEG- und zwei TXT-Dateien.

Es folgt eine Beispielliste von Dateien aus einer CONUS 1-km-NDVI-Composite-.zip-Datei mit dem Namen „US_eVSH_NDVI.2020.350-356.1KM.COMPRES.006.2020359170316.zip“:

US_eVSH_NDVI.2020.350-356.1KM.VI_ACQI.006.2020362063105.tif Akquisition geotiff
US_eVSH_NDVI.2020.350-356.1KM.VI_ACQT.006.2020362063105.txt Akquisitionstextdatei
US_eVSH_NDVI.2020.350-356.1KM.VI_META.006.2020362063314.met Metadaten-Textdatei
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.jpg JPEG durchsuchen
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.tif NDVI geotiff
US_eVSH_NDVI.2020.350-356.1KM.VI_QUAL.006.2020362063105.tif Qualitätsgeotiff

Erfassungsband (ACQI)

Ein Erfassungsband liefert dem Benutzer ein GeoTIFF-Bild, das dem NDVI-Bild überlagert werden kann, damit der Benutzer dann jedes Körnchen identifizieren kann, das den Wert für jedes NDVI-Pixel liefert. Der DOY und die Akquisitionsnummer werden verwendet, um die Akquisition zu spezifizieren. Die Erfassungsnummer repräsentiert in diesem Fall nicht den Zeitpunkt der Erfassung, sondern die Reihenfolge der Erfassung. Die Ausgabewerte werden als vorzeichenlose 16-Bit-Ganzzahl unter Verwendung der Gleichung dargestellt

Somit wäre die erste Erfassung für DOY 117 117001. Die elfte Erfassung für DOY 117 wäre 117011. Um dem Benutzer die Bestimmung zu erleichtern, welcher ganzzahlige Erfassungswert welcher Körnung zugeordnet ist, wird eine Textdatei für die Ausgabeerfassungstabelle geschrieben, die übereinstimmt die Erfassungswerte zu den Granulatnamen.

Akquisitionstextdatei (ACQT)

Eine Akquisitionstextdatei stellt dem Benutzer eine Textdatei zur Verfügung, die das Akquisitionsbild begleitet, die die zusammengesetzten Details der Daten enthält, die zum Erstellen des Produkts verwendet wurden. Diese Liste der Erfassungsbandwerte wird im zusammengesetzten Erfassungsbandprodukt und der entsprechende Erfassungsdateiname für diesen Erfassungswert verwendet.

160005 MA2RG_2020_160_2120_250m_NDVI.hdf
160004 MA2RG_2020_160_1940_250m_NDVI.hdf
160003 MA2RG_2020_160_1935_250m_NDVI.hdf
160002 MA2RG_2020_160_1800_250m_NDVI.hdf
160001 MA2RG_2020_160_1755_250m_NDVI.hdf
159007 MA2RG_2020_159_2035_250m_NDVI.hdf
159006 MA2RG_2020_159_2030_250m_NDVI.hdf
159005 MA2RG_2020_159_1900_250m_NDVI.hdf

Metadaten (META)

Die Metadatendatei enthält die Details zum zusammengesetzten Bild, einschließlich Aufnahmezeitraum, Veröffentlichungsdatum, Pixel- und Zeilenanzahl, Kartenprojektionsinformationen, Datum, Pixelauflösung, Satellit und Plattform, digitaler Datentyp, Füllwerte, Skalierungsfaktoren und Mittelpunkt und Eckkoordinaten.

JPEG durchsuchen

Ein Bild zum Durchsuchen in voller Auflösung wird im JPEG-Format bereitgestellt und mit dem Produkt gezippt und verwendet, um das Bild auf EarthExplorer anzuzeigen. Die Farbzuordnung wird verwendet, um ein Farbbild für das Browse-Bild zu erstellen und ist nicht dasselbe wie die 16-Bit-Single-Band-Daten, die im NDVI GeoTIFF geliefert werden.

NDVI / Oberflächenreflexion GeoTIFF

Das NDVI GeoTIFF ist das Produkt, das in dem im obigen Abschnitt beschriebenen Compositing-Prozess erstellt wurde. Alle anderen Dateien, einschließlich Qualitätsband, Erfassungsband sowie Textdateien und Browse sind Begleitdateien für dieses NDVI-Produkt.

Das Composite Surface Reflectance wird auch für CONUS, Alaska und Mittelamerika/Karibik und Mexiko erstellt und ist als separate Download-Option im EarthExplorer verfügbar.

Qualitätsband (QA)

Ein Qualitätssicherungsband (QA) besteht aus 8 Bit und wird von der zusammengesetzten Software erzeugt, um die Qualität jedes zusammengesetzten Pixels zu identifizieren. Die meisten Pixel werden mit einem Pixel guter Bandqualität gefüllt. Wenn jedoch keines der Körnchen für ein bestimmtes Pixel eine gute Bandqualität aufweist oder alle Pixel wolkig sind, wird das aktuelle Pixel mit Daten vom bestmöglichen Pixel gefüllt, wobei die Vorzugsreihenfolge gültig ist NDVI über Füllung, gute Qualität über schlecht, Schneepixel über bewölktem Pixel. Die folgenden Werte werden im QA-Band verwendet:

0 = gute Qualität
1 = bewölktes Pixel
2 = schlechte Bandqualität
4 = Schnee
10 = füllen

Das Oberflächenreflexionsqualitätsband 1 besteht aus den folgenden Bitwerten. Bitnummer 0 ist das Bit in der Binärzahl, das den niedrigsten Zahlenwert oder das niedrigstwertige Bit (LSB) hat.

Qualitätsband der Oberflächenreflexion 1
Bit-Nr. Parametername Bitkombination Definition
0-1 Qualität der Wolkenmaske 00 Arm
01 Niedrig
10 Mittel
11 Hoch
2-3 Cloud-Erkennung und -Vertrauen 00 Selbstbewusst klar
01 Wahrscheinlich klar
10 Wahrscheinlich bewölkt
11 Zuversichtlich bewölkt
4 Tag Nacht 0 Tag
1 Nacht
5 Niedrige Sonne Maske 0 Hoch
1 Niedrig
6-7 Sonnenglanz 00 Keiner
01 Geometriebasiert
10 Windgeschwindigkeitsbasiert
11 Basierend auf Geometrie und Windgeschwindigkeit

Das Oberflächenreflexionsqualitätsband 2 besteht aus den folgenden Bitwerten.

Qualitätsband der Oberflächenreflexion 2
Bit-Nr. Parametername Bitkombination Definition
0-2 Land/Wasser-Hintergrund 000 Land und Wüste
001 Land ohne Wüste
010 Binnengewässer
011 Meerwasser
100 ---
101 Küsten
110 ---
3 Schattenmaske 0 Kein Wolkenschatten
1 Schatten

Das Oberflächenreflexionsqualitätsband 4 besteht aus den folgenden Bitwerten. Bits 1 und 2 aus Qualitätsband 4 werden verwendet, um zu bestimmen, ob die Bits aus einem gegebenen gerasterten I1 (rot) oder I2 (nahes Infrarot) Band beim Erstellen des NDVI-Bandes verwendet werden sollen. Direktionale Oberflächenreflexion (SDR), optische Aerosoldicke (AOT), Ante Meridiem (AM), abscheidbares Wasser (PW)

Qualitätsband der Oberflächenreflexion 4
Bit-Nr. Parametername Bitkombination Definition
0 BAD M11 SDR-Daten 0 Nein
1 Ja
1 Schlechte I1 SDR-Daten 0 Nein
1 Ja
2 Schlechte I2 SDR-Daten 0 Nein
1 Ja
3 Schlechte I3-SDR-Daten 0 Nein
1 Ja
4 Gesamtqualität von AOT 0 Gut
1 Schlecht
5 Fehlende AOT-Eingabedaten 0 Nein
1 Ja
6 Ungültige Land AM-Eingabedaten 0 Gültig
1 Ungültige AM-Eingabe über Land oder über dem Ozean
7 Fehlende PW-Eingangsdaten 0 Nein
1 Ja

Abdeckungskarten

Abdeckungskarten, die die Verfügbarkeit von eVIIRS NDVI-Produkten anzeigen, stehen zum Download bereit.

Zusätzliche Information

Zugangsdaten

eVIIRS NDVI-Produkte, die sich im USGS-Archiv befinden, können mit EarthExplorer . durchsucht werden. Auf EarthExplorer sind eVIIRS NDVI-Produkte in der Kategorie Vegetationsüberwachung zu finden.


Durchführung von NDVI, wenn nir-Daten als 3 Bänder angegeben werden - Geographic Information Systems

An erster Stelle steht die Berechnung des Normalized Difference Vegetation Index (NDVI), der on-the-fly verfügbar ist. Darüber hinaus wird NDVI weltweit häufig verwendet, um Dürren zu überwachen, die landwirtschaftliche Produktion vorherzusagen, bei der Vorhersage von Feuerzonen und Wüstenoffensiven Karten zu helfen. Landwirtschafts-Apps wie Crop Monitoring integrieren NDVI, um die Pflanzensuche zu erleichtern und die Düngung und Bewässerung, neben anderen Feldbehandlungsaktivitäten, in bestimmten Wachstumsstadien präzise zu gestalten. NDVI ist für die globale Vegetationsüberwachung vorzuziehen, da es hilft, Änderungen der Lichtverhältnisse, der Oberflächenneigung, der Exposition und anderer externer Faktoren auszugleichen.

NDVI wird nach folgender Formel berechnet:

NIR – Reflexion im nahen Infrarotspektrum
ROT – Reflexion im roten Bereich des Spektrums

Nach dieser Formel ist die Vegetationsdichte (NDVI) an einem bestimmten Punkt des Bildes gleich der Differenz der Intensitäten des reflektierten Lichts im Rot- und Infrarotbereich geteilt durch die Summe dieser Intensitäten.

Dieser Index definiert Werte von -1,0 bis 1,0, die im Wesentlichen Grüns darstellen, wobei negative Werte hauptsächlich aus Wolken, Wasser und Schnee gebildet werden und Werte nahe Null hauptsächlich aus Felsen und nacktem Boden gebildet werden. Sehr kleine Werte (0,1 oder weniger) der NDVI-Funktion entsprechen leeren Bereichen von Felsen, Sand oder Schnee. Moderate Werte (von 0,2 bis 0,3) stehen für Sträucher und Wiesen, während große Werte (von 0,6 bis 0,8) für gemäßigte und tropische Wälder stehen. Das Crop Monitoring nutzt diese Skala erfolgreich, um Landwirten zu zeigen, welche Teile ihrer Felder zu einem bestimmten Zeitpunkt dichte, moderate oder spärliche Vegetation aufweisen.

Einfach ausgedrückt ist NDVI ein Maß für den Zustand der Pflanzengesundheit, das darauf basiert, wie die Pflanze Licht bei bestimmten Frequenzen reflektiert (einige Wellen werden absorbiert und andere reflektiert).

Chlorophyll (ein Gesundheitsindikator) absorbiert stark sichtbares Licht und die Zellstruktur der Blätter reflektiert nahes Infrarotlicht stark. Wenn die Pflanze dehydriert, krank wird, von Krankheiten befallen wird usw., verschlechtert sich die Schwammschicht und die Pflanze absorbiert mehr von dem nahen Infrarotlicht, als dass es reflektiert wird. Daher liefert die Beobachtung, wie sich NIR im Vergleich zu rotem Licht ändert, einen genauen Hinweis auf das Vorhandensein von Chlorophyll, das mit der Pflanzengesundheit korreliert.

Crop Monitoring ist ein perfektes Werkzeug, um den Gesundheitszustand der Pflanzen auf dem Feld mit Hilfe des NDVI-Werts, der während des Fluges gemessen wird, zu verfolgen. Sie müssen lediglich Ihre Felder zum System hinzufügen, die NDVI-Einstellungen anpassen und die Benachrichtigungen empfangen.

Feldanalysetool mit Zugriff auf hochauflösende Satellitenbilder zur Identifizierung entfernter Problembereiche!

Die Pflanzenüberwachung verfolgt die Änderungen des NDVI für einzelne Felder während der gesamten Saison. Dadurch können Sie sich auf die Produktivität des historischen Felds für bis zu 5 vergangene Jahre beziehen. Sie können sowohl die Fruchtfolgemuster als auch die aktuellen Vegetationsraten überwachen. Mit Hilfe der benutzerfreundlichen Diagramme visualisiert die App verschiedene Arten von Daten, darunter Vegetationsindizes, Temperatur, Niederschlagsrate, Wachstumsstadien, historisches Wetter und andere. Eine weitere wichtige Funktion, basierend auf der Berechnung der NDVI-Raten, ermöglicht Ihnen die Zoneneinteilung, Zonen mit hoher Produktivität zu identifizieren und Schwachstellen im Feld zu entdecken, die eine besondere Behandlung erfordern. Jede Zone benötigt in jeder Wachstumsphase eine andere Menge an Dünger und Bewässerung (letztere wird auch anhand der Niederschlagsraten entschieden), die beide in der App sehr genau manuell angepasst werden können. Die auf NDVI basierende Präzisionslandwirtschaft endet jedoch nicht hier! Crop Monitoring aktualisiert das Scouting, indem es NDVI verwendet, um Problembereiche im Feld zu finden und Scouts direkt an den genauen Standort zu senden, wodurch Zeit und Ressourcen gespart werden. Die Benutzer werden auch jedes Mal benachrichtigt, wenn eine abnormale Änderung des NDVI-Werts festgestellt wurde, sodass Landwirte, Händler und Versicherer rechtzeitig fundierte landwirtschaftliche Entscheidungen treffen können.


1. Einleitung

Wasser macht etwa 71 % der Erdoberfläche aus und ist auch für die Existenz und den Fortbestand lebender Organismen auf der Erdoberfläche unerlässlich 1 . Das Süßwasser macht nur 2,5% des Wassers der Erde aus. Etwa 0,3 % des Süßwassers befinden sich in Flüssen, Seen und der Atmosphäre 2 . In general, the understanding of the water quality plays a critical role prior to utilize for various purposes including drinking 3 . In this paper, we opted to understand the surface water quality for the Bow River, which is a major river in the Canadian province of Alberta having a total length of 587 km, and a main source of drinking water for many communities of the province 4 .

The surface water quality of the Bow River is measured every month at three fixed sampling sites (i.e. Carseland, Cluny, and Ronalane) for different water quality variables using the traditional methods. In general, these methods provide accurate measurement. However, these may not be feasible means to sample the entire river due to the huge involvement of labor and cost. Currently, the measured data of water quality variables at the sampling sites of the Bow River are grouped into five classes (i.e. excellent, good, fair, marginal and poor) using the framework of Canadian Water Quality Index (CWQI: see details in Section 2.5) 5 . These classes are obtained on the basis of fixed-point locations, which do not represent the spatial dynamics of the entire river.

In another study, we classified the surface water quality of major rivers of Alberta on the basis of clusters. We observed higher (deteriorated water quality) clusters (i.e. 4 and 5) for the rivers during the growing season (April 1–September 30) as compared to lower clusters (i.e. 1, 2, and 3) in winter months (Oct 1–March 31). During the growing season, the snowmelt wash various materials from the land surface into the rivers due to anthropogenic activities related to different types of land use/cover. Turbidity was found to be a dominant parameter associated with the deterioration in water quality during the growing season 6 . On this basis, we considered turbidity separately besides CWQI in this study. For the Bow River, the turbidity is measured at fixed sampling location, which does not represent the mean turbidity for the whole water body 7 .

In order to address the spatial variability in water quality real time data, remote sensing-based methods were found to be alternative and efficient ones 8-10 . The remote sensing methods are suitable to analyze: (i) spatial variability over a large geographic area, (ii) temporal trends over certain periods of interests, and (iii) the conditions of the water bodies in remote areas. In remote sensing, optical remote sensors are used for monitoring the water quality-related variables. The most commonly used sensors include the use of Landsat-7 ETM 11, 12 , Landsat-5 TM 13, 14 , MODIS 15 , NOAA AVHRR 16 , and SPOT HVR 17 among others. In most of the instances, the spectral bands used in these studies included blue (B), green (G), red (R), and near infrared (NIR) 11-17 . The observed planetary reflectance from these bands was used to study water quality variables including suspended sediment, turbidity, Secchi disk depth, and chlorophyll-a 12, 13, 18, 19 .

In another study, we classified and analyzed the surface water quality for twelve major rivers of Alberta. We developed a surface water quality classification system using principal component analysis, total exceedance model and clustering technique. From principal component analysis, we identified seven major principal components, which were the indicators of watershed geology, mineralization, and anthropogenic activities related to land use/cover. The principal components were used to identify the dominant parameters. The normalized data of dominant parameters were used to develop a total exceedance model. The exceedance values were used to determine the patterns for the development of five clusters. The water quality deteriorates as the cluster number increased from cluster 1 to cluster 5. The clusters showed reasonably strong agreements (i.e. 80–90%) against the classes of CWQI. The dominant clusters during the growing and winter seasons were used for the spatial and temporal patterns of the surface water quality of rivers 6 .

In the present study, we have tested remote sensing-based methods for acquiring CWQI and turbidity classes for assessing both spatial and temporal dynamics of the Bow River. The specific objectives of this paper are to: (i) develop and evaluate remote sensing based models to acquire CWQI classes using the planetary reflectance of Landsat-5 TM and ground measured data, (ii) develop and evaluate remote sensing based models to retrieve turbidity using the planetary reflectance of Landsat-5 TM and in situ data, (iii) apply the selected models to classify the source waters of the Bow River into CWQI and turbidity classes for spatial and temporal analysis, and (iv) study the impact of natural sub-regions on Bow River water quality.


Landsat Enhanced Vegetation Index

This image displays a (left) Landsat 8 Surface Reflectance (SR) and (right) the SR-derived Enhanced Vegetation Index (EVI).

Landsat Surface Reflectance-derived Enhanced Vegetation Index (EVI) are available for Landsat 4–5 Thematic Mapper (TM), Landsat 7 Enhanced Thematic Mapper Plus (ETM+), and Landsat 8 Operational Land Imager (OLI)/Thermal Infrared Sensor (TIRS) scenes that can be successfully processed to Landsat Level-2 Surface Reflectance products.

EVI is similar to Normalized Difference Vegetation Index (NDVI) and can be used to quantify vegetation greenness. However, EVI corrects for some atmospheric conditions and canopy background noise and is more sensitive in areas with dense vegetation. It incorporates an “L” value to adjust for canopy background, “C” values as coefficients for atmospheric resistance, and values from the blue band (B). These enhancements allow for index calculation as a ratio between the R and NIR values, while reducing the background noise, atmospheric noise, and saturation in most cases.

EVI = G * ((NIR - R) / (NIR + C1 * R – C2 * B + L))

In Landsat 4-7, EVI = 2.5 * ((Band 4 – Band 3) / (Band 4 + 6 * Band 3 – 7.5 * Band 1 + 1)).

In Landsat 8, EVI = 2.5 * ((Band 5 – Band 4) / (Band 5 + 6 * Band 4 – 7.5 * Band 2 + 1)).

EVI is delivered as a single band product, specified as shown in the table below.


Evaluating the performance of vegetation indices for detecting oil pollution effects on vegetation using hyperspectral (Hyperion EO-1) and multispectral (Sentinel-2A) data in the Niger Delta

Nkeiruka N. Onyia , . Juan Carlos Berrío , in Hyperspectral Remote Sensing , 2020

19.2.8 Vegetation indices

VIs to detect canopy chlorophyll content and stress pigments were derived from the three datasets, namely HS, MS, and FS. The indices calculated include:

Normalized difference vegetation index (NDVI), which is a broadband greenness index computed from the Sentinel-2A image.

Red-edge normalized difference vegetation index (RENDVI), which is a narrowband equivalent of the NDVI. This index was computed using the Hyperion and FS datasets.

Red-edge position index (REP), which was manually computed as the maximum first derivative of reflectance at Hyperion wavelengths between 671 and 782 nm (Clark et al., 2010). It is a chlorophyll related index with reduced sensitivity to variations in leaf/canopy chlorophyll content as well as environmental conditions ( Gholizadeh et al., 2016 ).

Anthocyanin reflectance index 2 (ARI2), which was used to estimate the concentration of anthocyanins in the leaf canopy. This index is often used to detect plant stress.

Structural insensitive pigment index (SIPI), which maximizes sensitivity to carotenoids while minimizing sensitivity to variation in canopy structure ( Peñuelas et al., 1993 ). The index is commonly used for plant physiological stress detection.

ARI2 and SIPI are used to detect stressed and unhealthy vegetation due to their ability to respond to changes in plant physiological status. Past studies have shown that the reflectance at the absorption maxima of these pigments decreases in stressed vegetation ( Merzylak et al., 2008 ). These indices were automatically computed in ENVI 5.4 except the REP, which was calculated in Excel for HS and FS, and in SNAP for MS. The VIs, formulae, and references used in this study are shown in Table 19–3 .

Table 19–3 . Vegetation indices analyzed in this study with the formulae and references.

IndexFormulaVerweise
Normalized difference vegetation index n − r n + r Pearson and Miller (1972)
Red-edge normalized difference vegetation index R 750 − R 705 R 705 + R 750 Gitelson and Merzlyak (1996)
Red-edge position index ( 705 + 35 ) [ ( ( R 783 − R 665 ) / 2 ) − R 705 R 740 − R 705 ] Gholizadeh et al. (2016)
REP for hyperspectral and fused images Eqs. (19.2) and (19.3) Savitzky (1964)
Anthocyanin reflectance index 2 R 800 ( 1 R 550 − 1 R 700 ) Gitelson et al. (2001)
Structure insensitive pigment index R 800 − R 445 R 800 − R 680 Peñuelas et al. (1995)

The computation of REP from the wavelengths of the HS and FS images was manually performed in Excel using the formula proposed by Savitzky (1964) as shown here:

wo Ri is the reflectance at Jai Rj is the reflectance at Jaj Jai is the wavelength at the start of the slope segment Jaj is the wavelength at the end of the slope segment.


Schau das Video: NDVI - Normalized Difference Vegetation Index (Oktober 2021).