Wat is NDVI, hoe wordt het gebruikt in de landbouw – met welke camera's

Op mijn persoonlijke reis naar precisielandbouw en -analyse kwam ik NDVI tegen in de context van beeldanalyse. Mijn doel is om een veld van 45 hectare biologische luzerne te analyseren om het effect van de meststof voor en na toepassing te evalueren. Mijn primaire vraag is: waar, welke soort en hoeveel mest moet ik geven en welk effect heeft dat op het luzernegewas? Ik bezit een Mavic Pro-camera met een standaard RGB-camera. Toen ik op Twitter vroeg hoe verder te gaan, stelde iemand voor om multispectrale gegevens te gebruiken om een reeks vegetatie-indices te verkennen, waaronder NDVI. Dus dook ik diep in het konijnenhol om meer te weten te komen over NDVI.

Wat is de genormaliseerde verschilvegetatie-index (NDVI)
Geschiedenis van NDVI
Hoe bereken je NDVI?
NDVI in de landbouw
Welk type (drone) camera voor NDVI? RGB & IR-geüpgraded versus multispectraal
Waarom Multispectrale beelden zijn belangrijk in agtech

De Normalized Difference Vegetation Index (NDVI) is een algemeen aanvaarde methode om de hoeveelheid levende vegetatie in een specifieke regio te evalueren, met name in de landbouw.

Wat is NDVI (Normalized Difference Vegetation Index)

Planten zijn verbazingwekkende organismen die zonlicht gebruiken als energie om hun eigen voedsel te maken. Ze doen dit via een proces dat fotosynthese wordt genoemd en dat plaatsvindt in hun bladeren. Interessant is dat plantenbladeren niet alleen zonlicht absorberen, maar ook een deel ervan terugkaatsen. Dit geldt met name voor nabij-infrarood licht, dat onzichtbaar is voor onze ogen maar de helft van de energie in zonlicht uitmaakt.

De reden voor deze reflectie is dat te veel nabij-infrarood licht schadelijk kan zijn voor planten. Ze zijn dus geëvolueerd om zichzelf te beschermen door dit soort licht te reflecteren. Als gevolg hiervan zien levende groene planten er donker uit in zichtbaar licht, maar lijken ze helder in het nabij-infraroodspectrum. Dit is anders dan wolken en sneeuw, die er helder uitzien in zichtbaar licht, maar donker in het nabij-infraroodspectrum.

Wetenschappers kunnen profiteren van deze unieke eigenschap om planten te bestuderen met behulp van een tool genaamd NDVI, of Normalized Difference Vegetation Index. NDVI meet het verschil tussen de hoeveelheid rood en nabij-infrarood licht dat door planten wordt gereflecteerd. Hoe meer bladeren een plant heeft, hoe meer deze golflengten van licht worden beïnvloed, wat ons belangrijke informatie kan geven over de gezondheid en verspreiding van planten.

NDVI is een manier voor wetenschappers om satellietbeelden te gebruiken om planten en landbouw te bestuderen. Door te begrijpen hoe planten omgaan met zonlicht, kunnen we meer leren over de wereld om ons heen en hoe we voor onze planeet kunnen zorgen.

Samengevat: NDVI is een gestandaardiseerde maat voor gezonde vegetatie. Het kwantificeert de vegetatie door het verschil te meten tussen nabij-infrarood (NIR) en rood licht. Gezonde vegetatie reflecteert meer NIR en groen licht dan andere golflengten, maar absorbeert meer rood en blauw licht. NDVI-waarden variëren altijd van -1 tot +1.

Geschiedenis van NDVI

In 1957, lanceerde de Sovjet-Unie Spoetnik 1, de eerste kunstmatige satelliet in een baan om de aarde. Dit leidde tot de ontwikkeling van meteorologische satellieten, zoals de Spoetnik- en Cosmos-programma's in de Sovjet-Unie en het Explorer-programma in de VS. TIROS-serie van satellieten werden gelanceerd in 1960, en werden gevolgd door de Nimbus-satellieten en de Advanced Very High Resolution Radiometer-instrumenten op de platforms van de National Oceanic and Atmospheric Administration (NOAA). NASA ontwikkelde ook de Earth Resources Technology Satellite (ERTS), die de voorloper werd van het Landsat-programma.

De Landsat programma werd gelanceerd in 1972 met de MultiSpectral Scanner (MSS), die teledetectie van de aarde mogelijk maakte. Een vroege studie met behulp van Landsat was gericht op de Great Plains-regio in het midden van de VS. Onderzoekers ontdekten dat de zenithoek van de zon over deze sterke breedtegradiënt het moeilijk maakte om de biofysische kenmerken van de weidevegetatie te correleren met de spectrale signalen van de satelliet. Ze ontwikkelden de genormaliseerde verschilvegetatie-index (NDVI) als een middel om zich aan te passen aan de effecten van de zenithoek van de zon. NDVI is nu de meest bekende en gebruikte index om levende groene plantenluifels te detecteren in multispectrale teledetectiegegevens. Het wordt ook gebruikt om de fotosynthesecapaciteit van plantenluifels te kwantificeren, maar dit kan een complexe onderneming zijn.

Hoe bereken je NDVI?

NDVI gebruikt de NIR en rode kanalen in zijn formule. Satellieten als Landsat en Sentinel-2 hebben de nodige banden met NIR en rood. Het resultaat genereert een waarde tussen -1 en +1. Als je een lage reflectie hebt in het rode kanaal en een hoge reflectie in het NIR-kanaal, levert dit een hoge NDVI-waarde op, en vice versa.

NDVI in de landbouw

NDVI heeft meerdere toepassingen in verschillende sectoren. Boswachters NDVI gebruiken om bosaanbod en bladoppervlakte-index te kwantificeren, en NASA stelt dat NDVI een goede indicator is van droogte. Wanneer water de groei van vegetatie beperkt, heeft het een lagere relatieve NDVI en vegetatiedichtheid. Andere sectoren die NDVI gebruiken, zijn onder meer milieukunde, stadsplanning en beheer van natuurlijke hulpbronnen.

NDVI is veel gebruikt in de landbouw om de gezondheid van gewassen te bewaken en irrigatie te optimaliseren. Boeren gebruiken NDVI voor precisielandbouw, om biomassa te meten en om gewassen te identificeren die meer water of kunstmest nodig hebben.

Hoe NDVI te gebruiken? Satellietbeelden versus dronebeelden

Welke satellietbeelden hebben nabij-infrarood voor NDVI? Zoals eerder vermeld, produceren satellieten zoals Sentinel-2, Landsat en SPOT rode en nabij-infraroodbeelden. Er zijn gratis gegevensbronnen voor satellietbeelden op het web, die gegevens bevatten die men kan downloaden en waarin NDVI-kaarten kunnen worden gemaakt ArcGIS of QGIS.

Gewasgezondheid is een cruciaal aspect van precisielandbouw NDVI-gegevens zijn een waardevol meetinstrument Het. Tegenwoordig is het gebruik van landbouwdrones een gangbare praktijk geworden bij het koppelen van NDVI-gegevens om metingen te vergelijken en potentiële gewasgezondheidsproblemen te identificeren. Door het verschil te meten tussen nabij-infrarood en rood licht, kan NDVI boeren helpen bij het optimaliseren van irrigatie en het identificeren van gewassen die meer water of kunstmest nodig hebben.

Bijvoorbeeld, PrecisieHawk En Sentera landbouwdrones bieden die NDVI-gegevens binnen één dag kunnen vastleggen en verwerken, wat een aanzienlijke verbetering is ten opzichte van traditionele NDVI-technieken die vaak lange wachttijden vereisen. Dat hebben onderzoekers ontdekt NDVI-afbeeldingen kunnen zelfs worden verkregen met standaard digitale RGB-camera's met sommige wijzigingenen deze aanpak kan worden geïntegreerd in monitoringsystemen voor de gezondheid van gewassen.

Mobiele applicaties zijn de afgelopen jaren enorm toegenomen, gebruikmakend van NDVI-gegevens als middel om de gezondheid van gewassen te monitoren. Doktar' baan is zo'n app die boeren voorziet van NDVI-gegevens gepresenteerd als gezondheidskaarten om eventuele afwijkingen in hun velden te identificeren. Deze apps hebben tot doel een revolutie teweeg te brengen in landbouwpraktijken door nieuwe manieren te bieden voor veldverkenning en digitalisering van de landbouw. Hulpmiddelen voor veldbewaking op afstand op basis van NDVI-technologie kunnen boeren aanzienlijke brandstofkosten besparen door de noodzaak van frequente veldbezoeken te verminderen en kunnen helpen bij efficiënt irrigatiebeheer.

Welk type (drone) camera voor NDVI? RGB & IR-geüpgraded versus multispectraal

Oké.. dus dit is nogal een heet veld merkte ik op, en het konijnenhol gaat dieper en dieper.

Standaard RGB camera's zijn ontworpen om rood, groen en blauw licht vast te leggen aangepaste camera's kan een combinatie vastleggen van Nabij infrarood, rood, groen en blauw licht afhankelijk van het model. Om RGB-plantgezondheid te genereren kaarten die de "groenheid" van gewassen tonen, men kan gebruik een standaard RGB-camera met specifieke algoritmen in software.

Sommige bedrijven verkopen “nep” Ag of NDVI camera's, dit zijn gewone camera's waarbij een infraroodfilter is verwijderd en een blauwfilter is geïnstalleerd. Deze camera's zijn echter onnauwkeurig voor radiometrische metingen zoals NDVI omdat er te veel overlap is tussen kleurkanalen en ze geen sensor hebben om rekening te houden met verschillen in verlichting tussen bezoeken. Als gevolg hiervan kunnen deze camera's alleen relatieve verschillen in een bepaald gebied weergeven, maar NDVI niet nauwkeurig meten.

Een echte en gekalibreerde NDVI-camera houdt rekening met lichtverschillen en levert consistente resultaten tussen meerdere bezoeken aan dezelfde site. Wees dus voorzichtig bij het kopen van een gemodificeerde "NDVI-camera" die nabij-infraroodlicht opvangt, om drones te upgraden (al voor $400) om nabij-infrarood (NIR) beelden vast te leggen om een gezondheidsanalyse van de vegetatie uit te voeren door NDVI-berekening. Maar let op: dit is geen echte NDVI-camera, en dit kan misleidend zijn. A Sentera camera is al een betere optie omdat die speciaal zijn gebouwd en kunnen worden gekalibreerd, maar ze schieten nog steeds tekort als een volledig NDVI-systeem. Multispectrale camera's, feitelijk NDVI-camera's Zijn duur, veel duurder dan de "verbeterde RGB/IR-camera's". Parrot's Sequoia op $3500. TetraCam ADC Snap $4500, RedEdge van MicaSense $6000+.

Multispectrale beelden zijn belangrijk in de landbouw omdat ze gedetailleerdere en nauwkeurigere informatie over gewassen en bodem kunnen bieden dan traditionele RGB-camera's.

Waarom Multispectraal Afbeeldingen zijn belangrijk in agtech

Multispectrale beeldvorming vangt beeldgegevens op specifieke golflengtebereiken over het elektromagnetische spectrum, met behulp van filters of instrumenten die gevoelig zijn voor specifieke golflengten. Het reikt verder dan het bereik van zichtbaar licht infrarood En ultraviolet licht, waardoor aanvullende informatie kan worden geëxtraheerd voorbij wat het menselijk oog met zijn zichtbare receptoren kan waarnemen rood, groen en blauw. Oorspronkelijk ontwikkeld voor identificatie en verkenning van militaire doelen, is multispectrale beeldvorming gebruikt in ruimtegebaseerde beeldvorming om details van de kustgrenzen, vegetatie en landvormen van de aarde in kaart te brengen. Het heeft ook toepassingen gevonden in de analyse van documenten en schilderijen.

Hier volgen enkele redenen waarom multispectrale beelden beter geschikt zijn voor landbouwtoepassingen:

1. Grotere spectrale resolutie: Multispectrale camera's leggen beelden vast in meerdere smalle banden van het elektromagnetische spectrum, wat een meer gedetailleerde analyse mogelijk maakt van de specifieke golflengten van licht dat planten absorberen of reflecteren. Dit kan helpen bij het identificeren van problemen zoals tekorten aan voedingsstoffen of ziekten voordat ze met het blote oog zichtbaar zijn.
2. Verbeterde vegetatie-indexen: Door de reflectiewaarden van verschillende golflengten van licht te vergelijken, kunnen multispectrale camera's geavanceerdere vegetatie-indices creëren dan traditionele RGB-camera's. Deze indices kunnen worden gebruikt om de gezondheid, groei en stressniveaus van planten nauwkeuriger te meten.
3. Differentiatie van grondsoorten: Multispectrale beelden kunnen ook beter onderscheid maken tussen grondsoorten, wat belangrijk is voor precisielandbouw. Dit kan boeren helpen beter geïnformeerde beslissingen te nemen over irrigatie, bemesting en gewasbeheer.
4. Detectie van waterstress: Multispectrale camera's kunnen ook waterstress in gewassen detecteren door de hoeveelheid infraroodstraling te meten die ze uitzenden. Dit kan boeren helpen bepalen wanneer en hoeveel ze moeten irrigeren.

Multispectraal in beeld brengen typisch meet licht in een klein aantal spectrale banden, variërend van 3 tot 15.

hyperspectraal in beeld brengen is een gespecialiseerde vorm van spectrale beeldvorming, waar honderden aaneengesloten spectrale banden beschikbaar zijn voor analyse. Door beeldgegevens over talrijke spectrale banden vast te leggen, maakt hyperspectrale beeldvorming een nauwkeurigere identificatie en analyse van materialen mogelijk dan multispectrale beeldvorming.

Ik denk dat ik deze duik hier moet stoppen. Ik hoop dat je net zoveel hebt geleerd als ik.