Apa itu NDVI, bagaimana penggunaannya di bidang pertanian – dengan kamera apa

Dalam perjalanan pribadi saya menuju pertanian presisi dan analitik, saya menemukan NDVI dalam konteks analisis citra. Tujuan saya adalah menganalisis lahan alfalfa organik seluas 45 hektar untuk mengevaluasi efek pupuk sebelum dan sesudah aplikasi. Pertanyaan utama saya adalah: di mana, jenis apa, dan berapa banyak pupuk yang harus saya aplikasikan, dan apa pengaruhnya terhadap tanaman lucerne? Saya memiliki kamera Mavic Pro dengan kamera RGB standar. Ketika saya bertanya di Twitter bagaimana cara melanjutkan, seseorang menyarankan untuk menggunakan data multispektral untuk mengeksplorasi berbagai Indeks Vegetasi untuk membantu, termasuk NDVI. Jadi, saya menggali jauh ke dalam lubang kelinci untuk mempelajari lebih lanjut tentang NDVI.

Apa Indeks Vegetasi Perbedaan Normalisasi (NDVI)
Sejarah NDVI
Bagaimana Anda menghitung NDVI?
NDVI di bidang pertanian
Jenis kamera (drone) apa untuk NDVI? Peningkatan RGB & IR vs Multispektral
Mengapa Gambar multispektral penting dalam agtech

Indeks Vegetasi Perbedaan Normalisasi (NDVI) adalah metode yang diadopsi secara luas untuk mengevaluasi jumlah vegetasi hidup di wilayah tertentu, terutama di bidang pertanian.

Apa itu NDVI (Indeks Vegetasi Perbedaan Normalisasi)

Tumbuhan adalah organisme luar biasa yang menggunakan sinar matahari sebagai energi untuk membuat makanannya sendiri. Mereka melakukan ini melalui proses yang disebut fotosintesis, yang terjadi di daunnya. Menariknya, daun tanaman tidak hanya menyerap sinar matahari, tetapi juga memantulkan sebagiannya kembali. Hal ini terutama berlaku untuk cahaya inframerah-dekat, yang tidak terlihat oleh mata kita tetapi merupakan setengah dari energi sinar matahari.

Alasan pantulan ini adalah karena terlalu banyak cahaya inframerah-dekat sebenarnya bisa berbahaya bagi tanaman. Jadi, mereka berevolusi untuk melindungi diri dengan memantulkan jenis cahaya ini. Akibatnya, tumbuhan hijau hidup tampak gelap dalam cahaya tampak, tetapi tampak terang dalam spektrum inframerah-dekat. Hal ini berbeda dengan awan dan salju, yang cenderung terlihat terang pada cahaya tampak namun gelap pada spektrum inframerah-dekat.

Para ilmuwan dapat memanfaatkan sifat unik ini untuk mempelajari tanaman menggunakan alat yang disebut NDVI, atau Indeks Vegetasi Perbedaan Normalisasi. NDVI mengukur perbedaan antara jumlah cahaya merah dan inframerah dekat yang dipantulkan tanaman. Semakin banyak daun yang dimiliki tanaman, semakin banyak panjang gelombang cahaya yang terpengaruh, yang dapat memberi kita informasi penting tentang kesehatan dan distribusi tanaman.

NDVI adalah cara para ilmuwan menggunakan citra satelit untuk mempelajari tumbuhan dan pertanian. Dengan memahami bagaimana tumbuhan berinteraksi dengan sinar matahari, kita dapat belajar lebih banyak tentang dunia di sekitar kita dan cara merawat planet kita.

Diringkas: NDVI adalah ukuran standar vegetasi yang sehat. Ini menghitung vegetasi dengan mengukur perbedaan antara near-infrared (NIR) dan lampu merah. Vegetasi yang sehat memantulkan lebih banyak NIR dan cahaya hijau daripada panjang gelombang lainnya, tetapi menyerap lebih banyak cahaya merah dan biru. Nilai NDVI selalu berkisar dari -1 hingga +1.

Sejarah NDVI

Di dalam 1957, Uni Soviet diluncurkan Sputnik 1, satelit buatan pertama yang mengorbit Bumi. Hal ini menyebabkan pengembangan satelit meteorologi, seperti program Sputnik dan Cosmos di Uni Soviet, dan program Explorer di Amerika Serikat. Seri TIROS satelit diluncurkan pada 1960, dan diikuti oleh satelit Nimbus dan instrumen Advanced Very High Resolution Radiometer pada platform National Oceanic and Atmospheric Administration (NOAA). NASA juga mengembangkan Satelit Teknologi Sumber Daya Bumi (ERTS), yang menjadi pendahulu program Landsat.

Itu Landsat program diluncurkan di 1972 dengan MultiSpectral Scanner (MSS), yang memungkinkan untuk penginderaan jarak jauh Bumi. Satu studi awal menggunakan Landsat yang berfokus pada wilayah Great Plains di pusat AS Para peneliti menemukan bahwa sudut zenit matahari melintasi gradien garis lintang yang kuat ini membuat sulit untuk mengkorelasikan karakteristik biofisik vegetasi rangeland dari sinyal spektral satelit. Mereka mengembangkan indeks vegetasi perbedaan yang dinormalisasi (NDVI) sebagai sarana untuk menyesuaikan efek sudut zenit matahari. NDVI sekarang merupakan indeks yang paling terkenal dan digunakan untuk mendeteksi kanopi tanaman hijau hidup dalam data penginderaan jauh multispektral. Ini juga digunakan untuk mengukur kapasitas fotosintesis kanopi tanaman, tetapi ini bisa menjadi pekerjaan yang rumit.

Bagaimana Anda menghitung NDVI?

NDVI menggunakan saluran NIR dan merah dalam formulanya. Satelit seperti Landsat dan Sentinel-2 memiliki band yang diperlukan dengan NIR dan merah. Hasilnya menghasilkan a nilai antara -1 dan +1. Jika Anda memiliki pantulan rendah di saluran merah dan pantulan tinggi di saluran NIR, ini akan menghasilkan nilai NDVI yang tinggi, dan sebaliknya.

NDVI di bidang pertanian

NDVI punya beberapa aplikasi di berbagai sektor. Rimbawan menggunakan NDVI untuk mengukur pasokan hutan dan indeks luas daun, dan NASA menyatakan bahwa NDVI merupakan indikator kekeringan yang baik. Ketika air membatasi pertumbuhan vegetasi, ia memiliki NDVI dan kerapatan vegetasi yang relatif lebih rendah. Sektor lain yang menggunakan NDVI antara lain ilmu lingkungan, perencanaan kota, dan manajemen sumber daya alam.

NDVI adalah banyak digunakan dalam pertanian untuk memantau kesehatan tanaman dan mengoptimalkan irigasi. Petani menggunakan NDVI untuk pertanian presisi, mengukur biomassa, dan mengidentifikasi tanaman yang membutuhkan lebih banyak air atau pupuk.

Bagaimana cara menggunakan NDVI? Citra satelit vs citra Drone

Citra satelit manakah yang memiliki inframerah-dekat untuk NDVI? Seperti disebutkan sebelumnya, satelit seperti Sentinel-2, Landsat, dan SPOT menghasilkan citra merah dan inframerah dekat. Ada sumber data citra satelit gratis di web, yang memiliki data yang dapat diunduh dan dibuat peta NDVI ArcGIS atau QGIS.

Kesehatan tanaman merupakan aspek penting dari pertanian presisi, dan Data NDVI adalah alat yang berharga untuk mengukur dia. Saat ini, penggunaan drone pertanian telah menjadi praktik umum dalam memasangkan data NDVI untuk membandingkan pengukuran dan mengidentifikasi potensi masalah kesehatan tanaman. Dengan mengukur perbedaan antara cahaya inframerah dekat dan lampu merah, NDVI dapat membantu petani mengoptimalkan irigasi dan mengidentifikasi tanaman yang membutuhkan lebih banyak air atau pupuk.

Misalnya, PresisiHawk Dan Sentera menyediakan drone pertanian yang dapat menangkap dan memproses data NDVI dalam satu hari, yang merupakan peningkatan signifikan dibandingkan teknik NDVI tradisional yang seringkali membutuhkan waktu tunggu yang lama. Para peneliti telah menemukan itu Gambar NDVI bahkan dapat diperoleh dengan menggunakan kamera RGB digital standar dengan beberapa modifikasi, dan pendekatan ini dapat diintegrasikan ke dalam sistem pemantauan kesehatan tanaman.

Aplikasi seluler telah menjamur dalam beberapa tahun terakhir, memanfaatkan data NDVI sebagai sarana pemantauan kesehatan tanaman. Orbit Doktar adalah salah satu aplikasi yang memberi petani data NDVI yang disajikan sebagai peta kesehatan untuk mengidentifikasi anomali apa pun di ladang mereka. Aplikasi ini bertujuan untuk merevolusi praktik pertanian dengan menyediakan cara baru dalam pencarian lapangan dan digitalisasi pertanian. Alat pemantauan lapangan jarak jauh berdasarkan teknologi NDVI dapat menghemat biaya bahan bakar petani secara signifikan dengan mengurangi kebutuhan kunjungan lapangan yang sering, dan dapat membantu pengelolaan irigasi yang efisien.

Jenis kamera (drone) apa untuk NDVI? Peningkatan RGB & IR vs Multispektral

Oke.. jadi ini semacam medan panas yang saya perhatikan, dan lubang kelinci semakin dalam.

RGB standar kamera dirancang untuk menangkap cahaya Merah, Hijau, dan Biru, sementara kamera yang dimodifikasi dapat menangkap kombinasi dari Dekat Inframerah, Merah, Hijau, dan Biru ringan tergantung modelnya. Untuk menghasilkan kesehatan tanaman RGB peta yang menunjukkan "kehijauan" tanaman, satu bisa menggunakan kamera RGB standar dengan algoritma tertentu dalam perangkat lunak.

Beberapa perusahaan menjual “palsu” Ag atau NDVI kamera, yang hanya kamera biasa dengan filter infra merah dilepas dan filter biru terpasang. Namun, kamera ini tidak akurat untuk pengukuran radiometrik seperti NDVI karena terlalu banyak tumpang tindih antara saluran warna, dan kamera ini tidak memiliki sensor untuk memperhitungkan perbedaan pencahayaan di antara kunjungan. Hasilnya, kamera ini hanya dapat menampilkan perbedaan relatif di area tertentu, tetapi tidak mengukur NDVI secara akurat.

Kamera NDVI nyata dan terkalibrasi akan memperhitungkan perbedaan pencahayaan dan memberikan keluaran yang konsisten antara beberapa kunjungan ke situs yang sama. Jadi berhati-hatilah saat membeli a memodifikasi “kamera NDVI” yang menangkap Cahaya Inframerah Dekat, untuk meningkatkan drone (sudah untuk $400) untuk menangkap citra near-infrared (NIR) untuk melakukan analisis kesehatan vegetasi perhitungan NDVI. Tapi harap diperhatikan: Ini bukan kamera NDVI asli, dan ini mungkin menyesatkan. A Sentera kamera sudah menjadi pilihan yang lebih baik karena dibuat khusus dan dapat dikalibrasi, tetapi masih kurang dari sistem NDVI lengkap. kamera multispektral, sebenarnya kamera NDVI adalah mahal, jauh lebih mahal daripada "kamera RGB/IR yang ditingkatkan". Sequoia burung beo di $3500. Jepretan TetraCam ADC $4500, RedEdge dari MicaSense $6000+.

Citra multispektral penting dalam pertanian karena dapat memberikan informasi yang lebih detail dan akurat tentang tanaman dan tanah daripada kamera RGB tradisional.

Mengapa Multispektral Gambar penting dalam agtech

Pencitraan multispektral menangkap data gambar di dalamnya rentang panjang gelombang tertentu di seluruh spektrum elektromagnetik, menggunakan filter atau instrumen yang peka terhadap panjang gelombang tertentu. Ini melampaui rentang cahaya tampak untuk dimasukkan inframerah Dan ultraungu lampu, memungkinkan ekstraksi informasi tambahan di luar apa yang dapat dideteksi oleh mata manusia dengan reseptornya yang terlihat merah, hijau, dan biru. Awalnya dikembangkan untuk identifikasi dan pengintaian target militer, pencitraan multispektral telah digunakan dalam pencitraan berbasis ruang angkasa untuk memetakan detail batas pantai, vegetasi, dan bentang alam bumi. Itu juga menemukan aplikasi dalam analisis dokumen dan lukisan.

Berikut adalah beberapa alasan mengapa citra multispektral lebih cocok untuk aplikasi pertanian:

1. Resolusi spektral yang lebih besar: Kamera multispektral menangkap gambar dalam beberapa pita sempit dari spektrum elektromagnetik, yang memungkinkan analisis lebih rinci dari panjang gelombang cahaya tertentu yang diserap atau dipantulkan tanaman. Ini dapat membantu mengidentifikasi masalah seperti kekurangan nutrisi atau penyakit sebelum terlihat dengan mata telanjang.
2. Indeks vegetasi yang ditingkatkan: Dengan membandingkan nilai pantulan panjang gelombang cahaya yang berbeda, kamera multispektral dapat membuat indeks vegetasi yang lebih canggih daripada kamera RGB tradisional. Indeks ini dapat digunakan untuk mengukur kesehatan tanaman, pertumbuhan, dan tingkat stres dengan lebih akurat.
3. Diferensiasi jenis tanah: Citra multispektral juga dapat membedakan jenis tanah dengan lebih efektif, yang penting untuk pertanian presisi. Ini dapat membantu petani membuat keputusan yang lebih tepat tentang irigasi, pemupukan, dan praktik pengelolaan tanaman.
4. Deteksi tekanan air: Kamera multispektral juga dapat mendeteksi tekanan air pada tanaman dengan mengukur jumlah radiasi infra merah yang dipancarkannya. Ini dapat membantu petani menentukan kapan dan berapa banyak yang harus diairi.

Multispektral pencitraan khas mengukur cahaya dalam sejumlah kecil pita spektral, mulai dari 3 hingga 15.

Hiperspektral pencitraan adalah bentuk khusus dari pencitraan spektral, di mana ratusan pita spektral yang berdekatan tersedia untuk analisis. Dengan menangkap data gambar di berbagai pita spektral, pencitraan hiperspektral memungkinkan identifikasi dan analisis bahan yang lebih akurat daripada pencitraan multispektral.

Saya pikir saya harus menghentikan penyelaman ini di sini. Saya harap Anda belajar sebanyak yang saya lakukan.