Co to jest NDVI, jak jest wykorzystywany w rolnictwie - za pomocą jakich kamer

Podczas mojej osobistej podróży w kierunku rolnictwa precyzyjnego i analityki, natknąłem się na NDVI w kontekście analizy obrazów. Moim celem jest analiza 45-hektarowego pola organicznej lucerny w celu oceny wpływu nawozu przed i po jego zastosowaniu. Moje podstawowe pytanie brzmi: gdzie, jaki rodzaj i ile nawozu powinienem zastosować i jaki będzie to miało wpływ na uprawę lucerny? Posiadam kamerę Mavic Pro ze standardową kamerą RGB. Kiedy zapytałem na Twitterze, jak postępować, ktoś zasugerował wykorzystanie danych wielospektralnych do zbadania szeregu wskaźników wegetacji, w tym NDVI. Zagłębiłem się więc głęboko w króliczą norę , aby dowiedzieć się więcej o NDVI.

Co to jest znormalizowany różnicowy wskaźnik wegetacji (NDVI)?
Historia NDVI
Jak obliczyć NDVI?
NDVI w rolnictwie
Jaki typ kamery (dronowej) do NDVI? RGB i ulepszone IR vs wielospektralne
Dlaczego Obrazy wielospektralne są ważne w agtechnice

Normalized Difference Vegetation Index (NDVI) jest powszechnie stosowaną metodą oceny ilości żywej roślinności w danym regionie, zwłaszcza w rolnictwie.

Co to jest NDVI (znormalizowany różnicowy wskaźnik wegetacji)?

Rośliny to niesamowite organizmy, które wykorzystują światło słoneczne jako energię do wytwarzania własnego pożywienia. Robią to poprzez proces zwany fotosyntezą, który zachodzi w ich liściach. Co ciekawe, liście roślin nie tylko pochłaniają światło słoneczne, ale także odbijają jego część. Dotyczy to w szczególności światła bliskiej podczerwieni, które jest niewidoczne dla naszych oczu, ale stanowi połowę energii światła słonecznego.

Powodem tego odbicia jest to, że zbyt dużo światła bliskiej podczerwieni może być szkodliwe dla roślin. Dlatego rośliny ewoluowały, aby chronić się poprzez odbijanie tego typu światła. W rezultacie żywe zielone rośliny wyglądają ciemno w świetle widzialnym, ale wydają się jasne w widmie bliskiej podczerwieni. Różni się to od chmur i śniegu, które zwykle wyglądają jasno w świetle widzialnym, ale ciemno w widmie bliskiej podczerwieni.

Naukowcy mogą wykorzystać tę unikalną cechę do badania roślin za pomocą narzędzia o nazwie NDVI lub Normalized Difference Vegetation Index. NDVI mierzy różnicę między ilością światła czerwonego i bliskiej podczerwieni odbijanego przez rośliny. Im więcej liści ma roślina, tym większy wpływ na te długości fal światła, co może dostarczyć nam ważnych informacji na temat zdrowia i rozmieszczenia roślin.

NDVI to sposób, w jaki naukowcy wykorzystują zdjęcia satelitarne do badania roślin i rolnictwa. Dzięki zrozumieniu interakcji roślin ze światłem słonecznym możemy dowiedzieć się więcej o otaczającym nas świecie i o tym, jak dbać o naszą planetę.

Podsumowując: NDVI jest znormalizowaną miarą zdrowej roślinności. Określa ilościowo roślinność poprzez pomiar różnicy między światłem bliskiej podczerwieni (NIR) a światłem czerwonym. Zdrowa roślinność odbija więcej światła NIR i zielonego niż innych długości fal, ale pochłania więcej światła czerwonego i niebieskiego. Wartości NDVI zawsze mieszczą się w zakresie od -1 do +1.

Historia NDVI

W 1957Związek Radziecki uruchomił Sputnik 1Pierwszy sztuczny satelita, który okrążył Ziemię. Doprowadziło to do rozwoju satelitów meteorologicznych, takich jak programy Sputnik i Cosmos w Związku Radzieckim oraz program Explorer w USA. Seria TIROS satelitów zostało wystrzelonych w 1960a następnie satelity Nimbus i zaawansowane instrumenty radiometru o bardzo wysokiej rozdzielczości na platformach National Oceanic and Atmospheric Administration (NOAA). NASA opracowała również satelitę Earth Resources Technology Satellite (ERTS), który stał się prekursorem programu Landsat.

The Landsat program został uruchomiony w 1972 dzięki skanerowi MultiSpectral Scanner (MSS), który umożliwił teledetekcję Ziemi. Jedno z wczesnych badań wykorzystujących satelitę Landsat koncentrowało się na regionie Wielkich Równin w środkowych Stanach Zjednoczonych. Naukowcy odkryli, że kąt zenitalny słońca w tym silnym gradiencie równoleżnikowym utrudniał korelację biofizycznych cech roślinności pastwisk z sygnałami spektralnymi satelity. Opracowali oni znormalizowany wskaźnik różnicy roślinności (NDVI) jako sposób na dostosowanie się do wpływu kąta zenitalnego słońca. NDVI jest obecnie najbardziej znanym i używanym wskaźnikiem do wykrywania żywych zielonych baldachimów roślinnych w wielospektralnych danych teledetekcyjnych. Jest on również wykorzystywany do ilościowego określania zdolności fotosyntetycznej koron roślin, ale może to być skomplikowane przedsięwzięcie.

Jak obliczyć NDVI?

NDVI wykorzystuje w swojej formule kanały NIR i czerwony. Satelity takie jak Landsat i Sentinel-2 dysponują niezbędnymi pasmami NIR i czerwonym. Wynik generuje wartość między -1 a +1. Jeśli masz niski współczynnik odbicia w kanale czerwonym i wysoki współczynnik odbicia w kanale NIR, da to wysoką wartość NDVI i odwrotnie.

NDVI w rolnictwie

NDVI ma kilka aplikacji w różnych sektorach. Leśnicy wykorzystanie NDVI do ilościowego określenia podaży lasów i wskaźnika powierzchni liści, oraz NASA stwierdza, że NDVI jest dobrym wskaźnikiem suszy. Gdy woda ogranicza wzrost roślinności, wskaźnik NDVI i gęstość roślinności są niższe. Inne sektory wykorzystujące NDVI obejmują nauki o środowisku, planowanie urbanistyczne i zarządzanie zasobami naturalnymi.

NDVI to szeroko stosowany w rolnictwie do monitorowania stanu upraw i optymalizacji nawadniania. Rolnicy wykorzystują NDVI do precyzyjnego rolnictwa, pomiaru biomasy i identyfikacji upraw, które potrzebują więcej wody lub nawozów.

Jak korzystać z NDVI? Zdjęcia satelitarne a zdjęcia z drona

Które zdjęcia satelitarne mają bliską podczerwień dla NDVI? Jak wspomniano wcześniej, satelity takie jak Sentinel-2, Landsat i SPOT generują obrazy w czerwieni i bliskiej podczerwieni. W Internecie dostępne są bezpłatne źródła danych satelitarnych, które zawierają dane, które można pobrać i utworzyć mapy NDVI. ArcGIS lub QGIS.

Zdrowie upraw jest kluczowym aspektem rolnictwa precyzyjnego, a Dane NDVI są cennym narzędziem do pomiaru to. Obecnie wykorzystanie dronów rolniczych stało się powszechną praktyką w parowaniu danych NDVI w celu porównania pomiarów i identyfikacji potencjalnych problemów zdrowotnych upraw. Mierząc różnicę między światłem bliskim podczerwieni a światłem czerwonym, NDVI może pomóc rolnikom zoptymalizować nawadnianie i zidentyfikować uprawy, które potrzebują więcej wody lub nawozów.

Na przykład, PrecisionHawk i Sentera dostarczają drony rolnicze, które mogą przechwytywać i przetwarzać dane NDVI w ciągu jednego dnia, co stanowi znaczną poprawę w porównaniu z tradycyjnymi technikami NDVI, które często wymagają długiego czasu oczekiwania. Naukowcy odkryli, że Obrazy NDVI można nawet uzyskać za pomocą standardowych cyfrowych kamer RGB z niektóre modyfikacjePodejście to można zintegrować z systemami monitorowania zdrowia upraw.

Aplikacje mobilne rozprzestrzeniły się w ostatnich latach, wykorzystanie danych NDVI jako sposób monitorowania stanu upraw. Orbita Doktar to jedna z takich aplikacji, która zapewnia rolnikom dane NDVI przedstawione jako mapy zdrowia w celu zidentyfikowania wszelkich anomalii na ich polach. Aplikacje te mają na celu zrewolucjonizowanie praktyk rolniczych poprzez zapewnienie nowych sposobów zwiadu terenowego i cyfryzacji rolnictwa. Narzędzia do zdalnego monitorowania pól oparte na technologii NDVI mogą zaoszczędzić rolnikom znacznych kosztów paliwa, zmniejszając potrzebę częstych wizyt w terenie i mogą pomóc w wydajnym zarządzaniu nawadnianiem.

Jaki typ kamery (dronowej) do NDVI? RGB i ulepszone IR vs wielospektralne

Okej... więc jest to trochę gorąca dziedzina, którą zauważyłem, a królicza nora sięga coraz głębiej.

Standardowy RGB Kamery są zaprojektowane do przechwytywania światła czerwonego, zielonego i niebieskiego, podczas gdy zmodyfikowane kamery może przechwycić kombinację Bliska podczerwień, czerwony, zielony i niebieski światła w zależności od modelu. Aby wygenerować RGB zdrowia roślin Mapy pokazujące "zieloność" uprawmożna używać standardowej kamery RGB z określonymi algorytmami w oprogramowaniu.

Niektóre firmy sprzedają "fałszywy” Ag lub NDVI kameryktóre są zwykłymi kamerami z usuniętym filtrem podczerwieni i zainstalowanym filtrem niebieskim. Kamery te są jednak niedokładne w przypadku pomiarów radiometrycznych, takich jak NDVI, ponieważ kanały kolorów nakładają się na siebie w zbyt dużym stopniu i nie mają czujnika uwzględniającego różnice w oświetleniu między wizytami. W rezultacie kamery te mogą jedynie pokazywać względne różnice na danym obszarze, ale nie mogą dokładnie mierzyć NDVI.

Prawdziwa i skalibrowana kamera NDVI uwzględni różnice w oświetleniu i zapewni spójne wyniki między wieloma wizytami w tym samym miejscu. Należy więc zachować ostrożność przy zakupie zmodyfikowana "kamera NDVI", która przechwytuje światło bliskiej podczerwieniw celu ulepszenia dronów (już dla $400) do przechwytywania obrazów w bliskiej podczerwieni (NIR) w celu przeprowadzenia analizy stanu roślinności przez Obliczanie NDVI. Należy jednak pamiętać: To jest nie jest prawdziwą kamerą NDVIi może to być mylące. A Sentera jest już lepszą opcją, ponieważ są one specjalnie skonstruowane i można je skalibrować, ale nadal brakuje im pełnego systemu NDVI. Kamery wielospektralne, rzeczywisty Kamery NDVI są drogiznacznie droższe niż "ulepszone kamery RGB/IR". Parrot's Sequoia na $3500. TetraCam ADC Snap $4500, RedEdge firmy MicaSense $6000+.

Zdjęcia wielospektralne są ważne w rolnictwie, ponieważ mogą dostarczać bardziej szczegółowych i dokładnych informacji o uprawach i glebie niż tradycyjne kamery RGB.

Dlaczego Wielospektralny Obrazy są ważne w branży agtech

Obrazowanie wielospektralne przechwytuje dane obrazu w obrębie określone zakresy długości fal w widmie elektromagnetycznym, przy użyciu filtrów lub instrumentów czułych na określone długości fal. Wykracza poza zakres światła widzialnego i obejmuje podczerwień i ultrafiolet światłoumożliwiając wydobycie dodatkowych informacji poza to, co ludzkie oko może wykryć za pomocą swoich widzialnych receptorów dla czerwony, zielony i niebieski. Obrazowanie wielospektralne, pierwotnie opracowane do identyfikacji celów wojskowych i rozpoznania, zostało wykorzystane w obrazowaniu kosmicznym do mapowania szczegółów granic przybrzeżnych Ziemi, roślinności i ukształtowania terenu. Znalazło również zastosowanie w analizie dokumentów i obrazów.

Oto kilka powodów, dla których obrazy wielospektralne lepiej nadają się do zastosowań rolniczych:

1. Większa rozdzielczość spektralna: Kamery wielospektralne rejestrują obrazy w wielu wąskich pasmach widma elektromagnetycznego, co pozwala na bardziej szczegółową analizę określonych długości fal światła, które rośliny pochłaniają lub odbijają. Może to pomóc zidentyfikować problemy, takie jak niedobory składników odżywczych lub choroby, zanim będą one widoczne gołym okiem.
2. Ulepszone wskaźniki roślinności: Porównując wartości odbicia różnych długości fal światła, kamery wielospektralne mogą tworzyć bardziej zaawansowane wskaźniki roślinności niż tradycyjne kamery RGB. Wskaźniki te mogą być wykorzystywane do dokładniejszego pomiaru zdrowia roślin, ich wzrostu i poziomu stresu.
3. Zróżnicowanie typów gleby: Obrazy wielospektralne mogą również skuteczniej różnicować typy gleby, co jest ważne dla rolnictwa precyzyjnego. Może to pomóc rolnikom w podejmowaniu bardziej świadomych decyzji dotyczących nawadniania, nawożenia i praktyk zarządzania uprawami.
4. Wykrywanie stresu wodnego: Kamery wielospektralne mogą również wykrywać niedobór wody w uprawach, mierząc ilość emitowanego przez nie promieniowania podczerwonego. Może to pomóc rolnikom określić, kiedy i ile nawadniać.

Wielospektralny obrazowanie zazwyczaj mierzy światło w niewielkiej liczbie pasm spektralnychw zakresie od 3 do 15.

Hiperspektralny obrazowanie jest wyspecjalizowaną formą obrazowania spektralnego, gdzie setki sąsiadujących pasm spektralnych są dostępne do analizy. Dzięki przechwytywaniu danych obrazu w wielu pasmach spektralnych, obrazowanie hiperspektralne pozwala na dokładniejszą identyfikację i analizę materiałów niż obrazowanie wielospektralne.

Myślę, że muszę zakończyć to nurkowanie w tym miejscu. Mam nadzieję, że nauczyliście się tyle, co ja.