Mikä on NDVI, miten sitä käytetään maataloudessa - millä kameroilla?

Omalla matkallani täsmäviljelyyn ja analytiikkaan törmäsin NDVI:hen kuva-analyysin yhteydessä. Tavoitteenani on analysoida 45 hehtaarin pelto, jolla viljellään luomumailasta, lannoitteen vaikutuksen arvioimiseksi ennen ja jälkeen levityksen. Ensisijainen kysymykseni on: minne, millaista ja kuinka paljon lannoitetta pitäisi levittää ja mikä vaikutus sillä on sinimailassatoon? Omistan Mavic Pro -kameran, jossa on tavallinen RGB-kamera. Kun kysyin Twitterissä, miten edetä, joku ehdotti monispektristen tietojen käyttämistä erilaisten kasvillisuusindeksien, kuten NDVI:n, tutkimiseen. Niinpä syvennyin syvälle kaninkoloon saadakseni lisätietoja NDVI:stä.

Mikä on normalisoitu kasvillisuusindeksi (NDVI)?
NDVI:n historia
Miten NDVI lasketaan?
NDVI maataloudessa
Minkälainen (drone-)kamera NDVI:tä varten? RGB- ja IR-parannettu vs. monispektrikamera?
Miksi Multispektrikuvat ovat tärkeitä maatalousteknologiassa

Normalisoitu kasvillisuusindeksi (Normalized Difference Vegetation Index, NDVI) on laajalti käytetty menetelmä, jolla arvioidaan elävän kasvillisuuden määrää tietyllä alueella, erityisesti maataloudessa.

Mikä on NDVI (normalisoitu kasvillisuusindeksi)?

Kasvit ovat hämmästyttäviä organismeja, jotka käyttävät auringonvaloa energianlähteenä valmistaakseen omaa ruokaansa. Ne tekevät tämän fotosynteesiksi kutsutun prosessin avulla, joka tapahtuu niiden lehdissä. Mielenkiintoista on, että kasvien lehdet paitsi imevät auringonvaloa, myös heijastavat osan siitä takaisin. Tämä pätee erityisesti lähi-infrapunaiseen valoon, joka on silmillemme näkymätöntä mutta muodostaa puolet auringonvalon energiasta.

Syynä tähän heijastukseen on se, että liika lähi-infrapuna-valo voi itse asiassa olla kasvien kannalta haitallista. Siksi ne ovat kehittyneet suojautumaan heijastamalla tämäntyyppistä valoa. Tämän seurauksena elävät vihreät kasvit näyttävät tummilta näkyvässä valossa, mutta kirkkailta lähi-infrapunaspektrissä. Tämä eroaa pilvistä ja lumesta, jotka näyttävät yleensä kirkkailta näkyvässä valossa, mutta tummilta lähi-infrapunaspektrissä.

Tutkijat voivat hyödyntää tätä ainutlaatuista ominaisuutta kasvien tutkimiseen käyttämällä työkalua nimeltä NDVI eli Normalized Difference Vegetation Index. NDVI mittaa kasvien heijastaman punaisen ja lähi-infrapuna-valon määrän välistä eroa. Mitä enemmän kasvilla on lehtiä, sitä enemmän nämä valon aallonpituudet vaikuttavat, mikä voi antaa meille tärkeää tietoa kasvien terveydestä ja levinneisyydestä.

NDVI on tutkijoiden tapa käyttää satelliittikuvia kasvien ja maatalouden tutkimiseen. Ymmärtämällä, miten kasvit ovat vuorovaikutuksessa auringonvalon kanssa, voimme oppia enemmän ympäröivästä maailmasta ja siitä, miten voimme huolehtia planeetastamme.

Tiivistettynä: NDVI on terveen kasvillisuuden standardoitu mittari.. Se määrittää kasvillisuuden määrän mittaamalla lähi-infrapuna- ja punaisen valon eron. Terve kasvillisuus heijastaa enemmän NIR- ja vihreää valoa kuin muita aallonpituuksia, mutta se absorboi enemmän punaista ja sinistä valoa. NDVI-arvot vaihtelevat aina välillä -1 ja +1.

NDVI:n historia

Osoitteessa 1957, Neuvostoliitto käynnisti Sputnik 1, ensimmäinen keinotekoinen satelliitti, joka kiersi maapallon kiertoradalla. Tämä johti meteorologisten satelliittien kehittämiseen, kuten Neuvostoliiton Sputnik- ja Cosmos-ohjelmat sekä Yhdysvaltojen Explorer-ohjelma. TIROS-sarja satelliitteja laukaistiin vuonna 1960, ja niitä seurasivat Nimbus-satelliitit ja NOAA:n (National Oceanic and Atmospheric Administration) Advanced Very High Resolution Radiometer -instrumentit. NASA kehitti myös Earth Resources Technology Satellite (ERTS) -satelliitin, josta tuli Landsat-ohjelman edeltäjä.

The Landsat ohjelma käynnistettiin vuonna 1972 MultiSpectral Scanner (MSS), joka mahdollisti maapallon kaukokartoituksen. Eräässä varhaisessa Landsatia käyttäneessä tutkimuksessa keskityttiin Yhdysvaltojen keskiosassa sijaitsevaan Great Plains -alueeseen. Tutkijat havaitsivat, että auringon zeniittikulma tässä voimakkaassa leveysgradientissa vaikeutti laidunmaiden kasvillisuuden biofysikaalisten ominaisuuksien korrelointia satelliitin spektrisignaalien perusteella. He kehittivät normalisoidun kasvillisuusindeksin (NDVI) keinoksi korjata auringon zeniittikulman vaikutuksia. NDVI on nykyään tunnetuin ja käytetyin indeksi elävien vihreiden kasvien katosten havaitsemiseen. monispektrisissä kaukokartoitusaineistoissa. Sitä käytetään myös kasvien latvusten fotosynteettisen kapasiteetin määrittelemiseen, mutta tämä voi olla monimutkainen tehtävä.

Miten NDVI lasketaan?

NDVI käyttää kaavassaan NIR- ja punaisia kanavia.. Landsatin ja Sentinel-2:n kaltaisilla satelliiteilla on tarvittavat NIR- ja punaiset kaistat. Tuloksena saadaan arvo välillä -1 ja +1. Jos punaisen kanavan heijastavuus on alhainen ja NIR-kanavan heijastavuus korkea, NDVI-arvo on korkea ja päinvastoin.

NDVI maataloudessa

NDVI on useita sovelluksia eri aloilla. Foresters käyttää NDVI:tä metsien tarjonnan ja lehtipinta-alaindeksin määrittelemiseen, ja NASA toteaa, että NDVI on hyvä kuivuuden indikaattori. Kun vesi rajoittaa kasvillisuuden kasvua, suhteellinen NDVI ja kasvillisuuden tiheys ovat alhaisemmat. Muita NDVI:tä käyttäviä aloja ovat muun muassa ympäristötieteet, kaupunkisuunnittelu ja luonnonvarojen hallinta.

NDVI on laajalti käytetty maataloudessa seurata sadon terveyttä ja optimoida kastelu. Maanviljelijät käyttävät NDVI:tä täsmäviljelyyn, biomassan mittaamiseen ja sellaisten viljelykasvien tunnistamiseen, jotka tarvitsevat enemmän vettä tai lannoitteita.

Miten NDVI:tä käytetään? Satelliittikuvat vs. drone-kuvat

Missä satelliittikuvissa on lähi-infrapuna NDVI:tä varten? Kuten aiemmin mainittiin, satelliitit, kuten Sentinel-2, Landsat ja SPOT, tuottavat punaisia ja lähi-infrapunakuvia. Internetissä on ilmaisia satelliittikuvatietolähteitä, joista voi ladata tietoja ja luoda NDVI-karttoja. ArcGIS tai QGIS.

Viljelykasvien terveys on tärkeä osa täsmäviljelyä, ja NDVI-tiedot ovat arvokas väline mitattaessa se. Nykyään maatalousalan dronejen käytöstä on tullut yleinen käytäntö NDVI-tietojen yhdistämisessä mittausten vertailemiseksi ja mahdollisten viljelykasvien terveyteen liittyvien ongelmien tunnistamiseksi. Mittaamalla lähi-infrapuna- ja punaisen valon välistä eroa NDVI voi auttaa viljelijöitä optimoimaan kastelun ja tunnistamaan viljelykasvit, jotka tarvitsevat enemmän vettä tai lannoitteita.

Esimerkiksi, PrecisionHawk ja Sentera tarjoavat maatalouslennokkeja, jotka voivat kerätä ja käsitellä NDVI-tietoja yhden päivän kuluessa, mikä on merkittävä parannus verrattuna perinteisiin NDVI-tekniikoihin, jotka vaativat usein pitkiä odotusaikoja. Tutkijat ovat havainneet, että NDVI-kuvia voidaan saada jopa tavallisilla digitaalisilla RGB-kameroilla. kanssa joitakin muutokset, ja tämä lähestymistapa voidaan integroida viljelykasvien terveyden seurantajärjestelmiin.

Mobiilisovellukset ovat lisääntyneet viime vuosina, NDVI-tietojen hyödyntäminen keinona seurata viljelykasvien terveyttä. Doktar' Orbit on yksi tällainen sovellus, joka tarjoaa maanviljelijöille NDVI-tietoja terveyskarttoina, jotta he voivat tunnistaa mahdolliset poikkeamat pelloillaan. Näiden sovellusten tavoitteena on mullistaa viljelykäytännöt tarjoamalla uusia tapoja peltojen kartoittamiseen ja maatalouden digitalisointiin. NDVI-teknologiaan perustuvat pellon etämonitorointityökalut voivat säästää maanviljelijöiltä merkittäviä polttoainekustannuksia vähentämällä tarvetta käydä usein pellolla, ja ne voivat auttaa tehokkaassa kastelun hallinnassa.

Minkälainen (drone-)kamera NDVI:tä varten? RGB- ja IR-parannettu vs. monispektrikamera?

Okei... tämä on eräänlainen kuuma ala, jonka olen huomannut, ja kaninkolo menee yhä syvemmälle ja syvemmälle.

Standardi RGB kamerat on suunniteltu vangitsemaan punaista, vihreää ja sinistä valoa. muutetut kamerat voi kaapata yhdistelmän Lähi-infrapuna, punainen, vihreä ja sininen. valo mallista riippuen. RGB-kasviterveyden luominen kartat, joista käy ilmi viljelykasvien "vihreys"., voidaan käyttää tavallista RGB-kameraa ohjelmistojen erityisten algoritmien avulla.

Jotkut yritykset myyvät "väärennös” Ag tai NDVI kamerat, jotka ovat tavallisia kameroita, joista on poistettu infrapunasuodatin ja joihin on asennettu sinisuodatin. Nämä kamerat ovat kuitenkin epätarkkoja radiometristen mittausten, kuten NDVI:n, kannalta, koska värikanavien välillä on liikaa päällekkäisyyttä, eikä niissä ole anturia, joka ottaisi huomioon käyntien välisiä valaistuseroja. Tämän seurauksena nämä kamerat voivat näyttää vain suhteelliset erot tietyllä alueella, mutta eivät mitata tarkasti NDVI:tä.

Todellinen ja kalibroitu NDVI-kamera ottaa huomioon valaistuserot ja tuottaa yhdenmukaisia tuloksia useilla käynneillä samalla paikalla. Ole siis varovainen ostaessasi muunnettu "NDVI-kamera", joka tallentaa lähi-infrapunaista valoa., päivittää lennokkeja (jo $400) lähi-infrapunakuvien (NIR) ottamiseksi kasvillisuuden terveydentilan analysointia varten. NDVI-laskenta. Mutta olethan tietoinen: Tämä on ei todellinen NDVI-kamera, ja tämä voi olla harhaanjohtavaa. A Sentera kamera on jo parempi vaihtoehto, koska ne on rakennettu tarkoitusta varten ja ne voidaan kalibroida, mutta ne eivät silti vastaa täydellistä NDVI-järjestelmää. Multispektrikamerat, todellinen NDVI-kamerat ovat kallis, paljon kalliimpia kuin "päivitetyt RGB/IR-kamerat". Parrotin Sequoia osoitteessa $3500. TetraCam ADC Snap $4500, MicaSensenen RedEdge-järjestelmä $6000+.

Monispektrikuvat ovat tärkeitä maataloudessa, koska niillä voidaan saada yksityiskohtaisempaa ja tarkempaa tietoa viljelykasveista ja maaperästä kuin perinteisillä RGB-kameroilla.

Miksi Monispektrinen Kuvat ovat tärkeitä agroteknologiassa

Multispektrikuvantaminen tallentaa kuvatiedot tietyt aallonpituusalueet koko sähkömagneettisessa spektrissä., käyttämällä suodattimia tai laitteita, jotka ovat herkkiä tietyille aallonpituuksille. Se ulottuu näkyvää valoa laajemmalle alueelle ja kattaa seuraavat alueet infrapuna ja ultravioletti valo, mikä mahdollistaa lisätietojen hankkimisen beyond mitä ihmissilmä pystyy havaitsemaan näkyvillä reseptoreillaan. punainen, vihreä ja sininen. Alun perin sotilaskohteiden tunnistamiseen ja tiedusteluun kehitettyä monispektrikuvantamista on käytetty avaruuspohjaisessa kuvantamisessa kartoittamaan maapallon rannikkorajoja, kasvillisuutta ja maaston muotoja. Sitä on sovellettu myös asiakirjojen ja maalausten analysointiin.

Seuraavassa on muutamia syitä siihen, miksi monispektrikuvat soveltuvat paremmin maataloussovelluksiin:

1. Suurempi spektrinen erottelukyky: Monispektrikamerat ottavat kuvia useilla sähkömagneettisen spektrin kapeilla kaistoilla, mikä mahdollistaa yksityiskohtaisemman analyysin niistä valon aallonpituuksista, joita kasvit absorboivat tai heijastavat. Tämä voi auttaa tunnistamaan ravinnepuutosten tai sairauksien kaltaiset ongelmat ennen kuin ne näkyvät paljaalla silmällä.
2. Parannetut kasvillisuusindeksit: Vertailemalla eri valon aallonpituuksien heijastusarvoja monispektrikamerat voivat luoda kehittyneempiä kasvillisuusindeksejä kuin perinteiset RGB-kamerat. Näiden indeksien avulla voidaan mitata tarkemmin kasvien terveyttä, kasvua ja stressitasoja.
3. Maalajien erottelu: Monispektrikuvilla voidaan myös erottaa maalajit paremmin toisistaan, mikä on tärkeää täsmäviljelyn kannalta. Tämä voi auttaa maanviljelijöitä tekemään tietoon perustuvia päätöksiä kastelusta, lannoituksesta ja viljelykäytännöistä.
4. Vesistressin havaitseminen: Monispektrikameroilla voidaan myös havaita viljelykasvien vesistressi mittaamalla niiden lähettämän infrapunasäteilyn määrää. Tämä voi auttaa maanviljelijöitä määrittämään, milloin ja kuinka paljon kastelua on annettava.

Monispektrinen kuvantaminen tyypillisesti mittaa valoa pienellä määrällä spektrikaistoja., jotka vaihtelevat 3:sta 15:een.

Hyperspektrinen kuvantaminen on erikoistunut spektrikuvantamisen muoto, jossa analyysia varten on käytettävissä satoja vierekkäisiä spektrikaistoja.. Hyperspektrikuvantaminen mahdollistaa materiaalien tarkemman tunnistamisen ja analysoinnin kuin monispektrikuvantaminen, koska se tallentaa kuvatietoja useilla eri spektrikaistoilla.

Luulen, että minun on lopetettava tämä sukellus juuri tähän. Toivottavasti opit yhtä paljon kuin minä.