Qué es NDVI, cómo se usa en agricultura – con que camaras

En mi viaje personal hacia la agricultura y el análisis de precisión , encontré el NDVI en el contexto del análisis de imágenes. Mi objetivo es analizar un campo de 45 hectáreas de alfalfa orgánica para evaluar el efecto del fertilizante antes y después de la aplicación. Mi pregunta principal es: ¿dónde, qué tipo y cuánto fertilizante debo aplicar y qué efecto tendrá en el cultivo de alfalfa? Tengo una cámara Mavic Pro con una cámara RGB estándar. Cuando pregunté en Twitter cómo proceder, alguien sugirió usar datos multiespectrales para explorar una variedad de índices de vegetación para ayudar, incluido el NDVI. Entonces, profundicé profundamente en la madriguera del conejo para aprender más sobre NDVI.

¿Qué es el Índice de Vegetación de Diferencia Normalizada (NDVI)?
Historia del NDVI
¿Cómo se calcula el NDVI?
NDVI en la agricultura
¿Qué tipo de cámara (drone) para NDVI? RGB e IR actualizado frente a multiespectral
Por qué Las imágenes multiespectrales son importantes en agtech

El índice de vegetación de diferencia normalizada (NDVI) es un método ampliamente adoptado para evaluar la cantidad de vegetación viva en una región específica, especialmente en la agricultura.

¿Qué es el NDVI (Índice de Vegetación de Diferencia Normalizada)?

Las plantas son organismos asombrosos que utilizan la luz solar como energía para fabricar su propio alimento. Lo hacen a través de un proceso llamado fotosíntesis, que ocurre en sus hojas. Curiosamente, las hojas de las plantas no solo absorben la luz solar, sino que también la reflejan. Esto es particularmente cierto para la luz infrarroja cercana, que es invisible para nuestros ojos pero constituye la mitad de la energía de la luz solar.

La razón de este reflejo es que demasiada luz infrarroja cercana puede ser dañina para las plantas. Entonces, han evolucionado para protegerse reflejando este tipo de luz. Como resultado, las plantas verdes vivas se ven oscuras en la luz visible, pero se ven brillantes en el espectro infrarrojo cercano. Esto es diferente de las nubes y la nieve, que tienden a verse brillantes en la luz visible pero oscuras en el espectro infrarrojo cercano.

Los científicos pueden aprovechar este rasgo único para estudiar plantas usando una herramienta llamada NDVI, o Índice de Vegetación de Diferencia Normalizada. NDVI mide la diferencia entre la cantidad de luz roja e infrarroja cercana reflejada por las plantas. Cuantas más hojas tiene una planta, más se ven afectadas estas longitudes de onda de luz, lo que puede brindarnos información importante sobre la salud y la distribución de las plantas.

NDVI es una forma para que los científicos usen imágenes satelitales para estudiar plantas y agricultura. Al comprender cómo interactúan las plantas con la luz solar, podemos aprender más sobre el mundo que nos rodea y cómo cuidar nuestro planeta.

Resumido: NDVI es una medida estandarizada de vegetación saludable. Cuantifica la vegetación midiendo la diferencia entre el infrarrojo cercano (NIR) y la luz roja. La vegetación saludable refleja más NIR y luz verde que otras longitudes de onda, pero absorbe más luz roja y azul. Los valores de NDVI siempre oscilan entre -1 y +1.

Historia del NDVI

En 1957, la Unión Soviética lanzó Sputnik 1, el primer satélite artificial en orbitar la Tierra. Esto condujo al desarrollo de satélites meteorológicos, como los programas Sputnik y Cosmos en la Unión Soviética, y el programa Explorer en los EE. UU. Serie TIROS de los satélites fueron lanzados en 1960, y fueron seguidos por los satélites Nimbus y los instrumentos radiómetros avanzados de muy alta resolución en las plataformas de la Administración Nacional Oceánica y Atmosférica (NOAA). La NASA también desarrolló el Satélite de Tecnología de Recursos Terrestres (ERTS), que se convirtió en el precursor del programa Landsat.

El Landsat programa fue lanzado en 1972 con el escáner multiespectral (MSS), que permitió la detección remota de la Tierra. Uno de los primeros estudios que utilizó Landsat se centró en la región de las Grandes Llanuras del centro de los EE. UU. Los investigadores descubrieron que el ángulo cenital solar a lo largo de este fuerte gradiente latitudinal dificultaba la correlación de las características biofísicas de la vegetación de los pastizales a partir de las señales espectrales del satélite. Desarrollaron el índice de vegetación de diferencia normalizada (NDVI) como un medio para ajustar los efectos del ángulo cenital solar. NDVI es ahora el índice más conocido y utilizado para detectar copas de plantas verdes vivas en datos de teledetección multiespectral. También se utiliza para cuantificar la capacidad fotosintética de las copas de las plantas, pero esto puede ser una tarea compleja.

¿Cómo se calcula el NDVI?

NDVI utiliza los canales NIR y rojo en su fórmula. Los satélites como Landsat y Sentinel-2 tienen las bandas necesarias con NIR y rojo. El resultado genera un valor entre -1 y +1. Si tiene una reflectancia baja en el canal rojo y una reflectancia alta en el canal NIR, esto generará un valor NDVI alto y viceversa.

NDVI en la agricultura

NDVI tiene varias aplicaciones en diferentes sectores. Guardabosques usar NDVI para cuantificar el suministro forestal y el índice de área foliar, y NASA afirma que el NDVI es un buen indicador de sequía. Cuando el agua limita el crecimiento de la vegetación, tiene un NDVI relativo y una densidad de vegetación más bajos. Otros sectores que utilizan NDVI incluyen ciencias ambientales, planificación urbana y gestión de recursos naturales.

NDVI es ampliamente utilizado en la agricultura para monitorear la salud de los cultivos y optimizar el riego. Los agricultores utilizan el NDVI para la agricultura de precisión, para medir la biomasa y para identificar los cultivos que necesitan más agua o fertilizantes.

¿Cómo usar NDVI? Imágenes de satélite frente a imágenes de drones

¿Qué imágenes satelitales tienen infrarrojo cercano para NDVI? Como se mencionó anteriormente, los satélites como Sentinel-2, Landsat y SPOT producen imágenes en rojo y en el infrarrojo cercano. Hay fuentes de datos de imágenes satelitales gratuitas en la web, que tienen datos que uno puede descargar y crear mapas NDVI en ArcGIS o QGIS.

La salud de los cultivos es un aspecto crítico de la agricultura de precisión, y Los datos NDVI son una herramienta valiosa para medir él. Hoy en día, el uso de drones agrícolas se ha convertido en una práctica común en el emparejamiento de datos NDVI para comparar mediciones e identificar posibles problemas de salud de los cultivos. Al medir la diferencia entre el infrarrojo cercano y la luz roja, el NDVI puede ayudar a los agricultores a optimizar el riego e identificar cultivos que necesitan más agua o fertilizantes.

Por ejemplo, Halcón de precisión y Sentera proporcionar drones agrícolas que pueden capturar y procesar datos NDVI en un día, lo que es una mejora significativa con respecto a las técnicas tradicionales de NDVI que a menudo requieren largos tiempos de espera. Los investigadores han encontrado que Las imágenes NDVI incluso se pueden obtener usando cámaras RGB digitales estándar con alguno modificaciones, y este enfoque se puede integrar en los sistemas de monitoreo de la salud de los cultivos.

Las aplicaciones móviles han proliferado en los últimos años, utilizando datos NDVI como un medio para monitorear la salud de los cultivos. Doktar’ Orbita es una de esas aplicaciones que proporciona a los agricultores datos NDVI presentados como mapas de salud para identificar cualquier anomalía en sus campos. Estas aplicaciones tienen como objetivo revolucionar las prácticas agrícolas al proporcionar nuevas formas de explorar el campo y digitalizar la agricultura. Las herramientas de monitoreo de campo remotas basadas en la tecnología NDVI pueden ahorrar a los agricultores costos significativos de combustible al reducir la necesidad de visitas de campo frecuentes y pueden ayudar con la gestión eficiente del riego.

¿Qué tipo de cámara (drone) para NDVI? RGB e IR actualizado frente a multiespectral

De acuerdo... entonces noté que este es un campo candente, y la madriguera del conejo se vuelve más y más profunda.

RGB estándar Las cámaras están diseñadas para capturar luz roja, verde y azul, mientras que cámaras modificadas puede capturar una combinación de Infrarrojo cercano, rojo, verde y azul Luz según el modelo. Para generar sanidad vegetal RGB mapas que muestran el “verdor” de cultivos, uno puede usar una cámara RGB estándar con algoritmos específicos en software.

Algunas empresas están vendiendo “falso” agricultura o NDVI cámaras, que son cámaras normales a las que se les quitó el filtro de infrarrojos y se instaló un filtro azul. Sin embargo, estas cámaras no son precisas para mediciones radiométricas como NDVI porque hay demasiada superposición entre los canales de color y no tienen un sensor para tener en cuenta las diferencias de iluminación entre visitas. Como resultado, estas cámaras solo pueden mostrar diferencias relativas en un área determinada, pero no pueden medir con precisión el NDVI.

Una cámara NDVI real y calibrada tendrá en cuenta las diferencias de iluminación y proporcionará resultados consistentes entre múltiples visitas al mismo sitio. Así que tenga cuidado al comprar un “cámara NDVI” que captura la luz infrarroja cercana, para actualizar drones (ya para $400) para capturar imágenes de infrarrojo cercano (NIR) con el fin de llevar a cabo análisis de salud de la vegetación mediante calculo NDVI. Pero tenga en cuenta: Esto es no es una cámara NDVI real, y esto puede ser engañoso. A Sentera La cámara ya es una mejor opción porque están diseñadas específicamente y se pueden calibrar, pero aún no alcanzan a ser un sistema NDVI completo. Cámaras multiespectrales, actual cámaras NDVI son caro, mucho más costoso que las “cámaras RGB/IR mejoradas”. Parrot’s Sequoia en $3500. Snap TetraCam ADC $4500, RedEdge de MicaSense y #8217; $6000+.

Las imágenes multiespectrales son importantes en la agricultura porque pueden proporcionar información más detallada y precisa sobre los cultivos y el suelo que las cámaras RGB tradicionales.

Por qué multiespectral Las imágenes son importantes en agtech

Imágenes multiespectrales captura datos de imagen dentro rangos de longitud de onda específicos a través del espectro electromagnético, utilizando filtros o instrumentos que son sensibles a longitudes de onda específicas. Se extiende más allá del rango de luz visible para incluir infrarrojo y ultravioleta luz, permitiendo la extracción de información adicional más allá de lo que el ojo humano puede detectar con sus receptores visibles para rojo, verde y azul. Originalmente desarrollado para la identificación y el reconocimiento de objetivos militares, las imágenes multiespectrales se han utilizado en imágenes basadas en el espacio para mapear detalles de los límites costeros, la vegetación y los accidentes geográficos de la Tierra. También ha encontrado aplicaciones en el análisis de documentos y pinturas.

Aquí hay algunas razones por las que las imágenes multiespectrales son más adecuadas para aplicaciones agrícolas:

1. Mayor resolución espectral: Las cámaras multiespectrales capturan imágenes en múltiples bandas estrechas del espectro electromagnético, lo que permite un análisis más detallado de las longitudes de onda específicas de la luz que las plantas absorben o reflejan. Esto puede ayudar a identificar problemas como deficiencias de nutrientes o enfermedades antes de que sean visibles a simple vista.
2. Índices de vegetación mejorados: Al comparar los valores de reflectancia de diferentes longitudes de onda de luz, las cámaras multiespectrales pueden crear índices de vegetación más sofisticados que las cámaras RGB tradicionales. Estos índices se pueden utilizar para medir la salud de las plantas, el crecimiento y los niveles de estrés con mayor precisión.
3. Diferenciación de tipos de suelo.: Las imágenes multiespectrales también pueden diferenciar los tipos de suelo de manera más efectiva, lo cual es importante para la agricultura de precisión. Esto puede ayudar a los agricultores a tomar decisiones más informadas sobre prácticas de riego, fertilización y manejo de cultivos.
4. Detección de estrés hídrico: Las cámaras multiespectrales también pueden detectar el estrés hídrico en los cultivos midiendo la cantidad de radiación infrarroja que emiten. Esto puede ayudar a los agricultores a determinar cuándo y cuánto regar.

multiespectral imágenes típicamente mide la luz en un pequeño número de bandas espectrales, que van de 3 a 15.

hiperespectral imágenes es una forma especializada de imagen espectral, donde cientos de bandas espectrales contiguas están disponibles para el análisis. Al capturar datos de imágenes en numerosas bandas espectrales, las imágenes hiperespectrales permiten una identificación y un análisis de materiales más precisos que las imágenes multiespectrales.

Creo que necesito detener esta inmersión aquí mismo. Espero que hayas aprendido tanto como yo.