O que é NDVI, como é usado na agricultura – com quais câmeras

Em minha jornada pessoal pela agricultura de precisão e análises, encontrei o NDVI no contexto da análise de imagens. Meu objetivo é analisar um campo de 45 hectares de alfafa orgânica para avaliar o efeito do fertilizante antes e depois da aplicação. Minha principal pergunta é: onde, que tipo e quanto fertilizante devo aplicar e que efeito isso terá na cultura da luzerna? Eu possuo uma câmera Mavic Pro com uma câmera RGB padrão. Quando perguntei no Twitter como proceder, alguém sugeriu o uso de dados multiespectrais para explorar uma variedade de Índices de Vegetação para ajudar, incluindo o NDVI. Então, mergulhei fundo na toca do coelho para aprender mais sobre o NDVI.

O que é o Índice de Vegetação por Diferença Normalizada (NDVI)
História do NDVI
Como calcular o NDVI?
NDVI na agricultura
Que tipo de câmera (drone) para NDVI? RGB e IR atualizados vs Multiespectral
Por que Imagens multiespectrais são importantes em agtech

O Índice de Vegetação por Diferença Normalizada (NDVI) é um método amplamente adotado para avaliar a quantidade de vegetação viva em uma região específica, especialmente na agricultura.

O que é NDVI (Índice de Vegetação por Diferença Normalizada)

As plantas são organismos incríveis que usam a luz do sol como energia para produzir seu próprio alimento. Eles fazem isso por meio de um processo chamado fotossíntese, que ocorre em suas folhas. Curiosamente, as folhas das plantas não apenas absorvem a luz solar, mas também refletem parte dela de volta. Isso é particularmente verdadeiro para a luz infravermelha próxima, que é invisível aos nossos olhos, mas representa metade da energia da luz solar.

A razão para esta reflexão é porque muita luz infravermelha pode realmente ser prejudicial para as plantas. Então, eles evoluíram para se proteger refletindo esse tipo de luz. Como resultado, as plantas verdes vivas parecem escuras na luz visível, mas aparecem brilhantes no espectro infravermelho próximo. Isso é diferente das nuvens e da neve, que tendem a parecer brilhantes na luz visível, mas escuras no espectro infravermelho próximo.

Os cientistas podem aproveitar essa característica única para estudar as plantas usando uma ferramenta chamada NDVI, ou Índice de Vegetação por Diferença Normalizada. O NDVI mede a diferença entre a quantidade de luz vermelha e infravermelha refletida pelas plantas. Quanto mais folhas uma planta tiver, mais esses comprimentos de onda de luz são afetados, o que pode nos fornecer informações importantes sobre a saúde e a distribuição das plantas.

O NDVI é uma maneira de os cientistas usarem imagens de satélite para estudar plantas e agricultura. Ao entender como as plantas interagem com a luz do sol, podemos aprender mais sobre o mundo ao nosso redor e como cuidar do nosso planeta.

Resumido: NDVI é uma medida padronizada de vegetação saudável. Ele quantifica a vegetação medindo a diferença entre o infravermelho próximo (NIR) e a luz vermelha. A vegetação saudável reflete mais NIR e luz verde do que outros comprimentos de onda, mas absorve mais luz vermelha e azul. Os valores de NDVI sempre variam de -1 a +1.

História do NDVI

Em 1957, a União Soviética lançou Sputnik 1, o primeiro satélite artificial a orbitar a Terra. Isso levou ao desenvolvimento de satélites meteorológicos, como os programas Sputnik e Cosmos, na União Soviética, e o programa Explorer, nos Estados Unidos. série TIROS de satélites foram lançados em 1960, e foram seguidos pelos satélites Nimbus e pelos instrumentos Advanced Very High Resolution Radiometer nas plataformas da National Oceanic and Atmospheric Administration (NOAA). A NASA também desenvolveu o Earth Resources Technology Satellite (ERTS), que se tornou o precursor do programa Landsat.

O Landsat programa foi lançado em 1972 com o Scanner MultiSpectral (MSS), que permitiu o sensoriamento remoto da Terra. Um estudo inicial usando o Landsat enfocou a região das Grandes Planícies do centro dos EUA. Os pesquisadores descobriram que o ângulo zênite solar neste forte gradiente latitudinal tornava difícil correlacionar as características biofísicas da vegetação das pastagens a partir dos sinais espectrais do satélite. Eles desenvolveram o índice de vegetação de diferença normalizada (NDVI) como um meio de ajustar os efeitos do ângulo do zênite solar. O NDVI é agora o índice mais conhecido e usado para detectar copas de plantas verdes vivas em dados de sensoriamento remoto multiespectrais. Também é usado para quantificar a capacidade fotossintética das copas das plantas, mas isso pode ser uma tarefa complexa.

Como calcular o NDVI?

NDVI usa os canais NIR e vermelho em sua fórmula. Satélites como Landsat e Sentinel-2 possuem as bandas necessárias com NIR e vermelho. O resultado gera um valor entre -1 e +1. Se você tiver baixa refletância no canal vermelho e alta refletância no canal NIR, isso produzirá um valor NDVI alto e vice-versa.

NDVI na agricultura

NDVI tem vários aplicativos em diferentes setores. silvicultores usar o NDVI para quantificar o suprimento florestal e o índice de área foliar, e NASA afirma que o NDVI é um bom indicador de seca. Quando a água limita o crescimento da vegetação, ela tem um NDVI relativo mais baixo e densidade de vegetação. Outros setores que usam NDVI incluem ciência ambiental, planejamento urbano e gestão de recursos naturais.

NDVI é amplamente utilizado na agricultura para monitorar a saúde da cultura e otimizar a irrigação. Os agricultores usam o NDVI para agricultura de precisão, para medir a biomassa e para identificar culturas que precisam de mais água ou fertilizantes.

Como usar o NDVI? Imagens de satélite vs. Imagens de drones

Quais imagens de satélite têm infravermelho próximo para NDVI? Como mencionado anteriormente, satélites como Sentinel-2, Landsat e SPOT produzem imagens vermelhas e quase infravermelhas. Existem fontes gratuitas de dados de imagens de satélite na web, que possuem dados que podem ser baixados e criar mapas NDVI em ArcGIS ou QGIS.

A saúde da colheita é um aspecto crítico da agricultura de precisão e Os dados NDVI são uma ferramenta valiosa para medir isto. Hoje, o uso de drones agrícolas tornou-se uma prática comum no emparelhamento de dados NDVI para comparar medições e identificar possíveis problemas de saúde das culturas. Ao medir a diferença entre o infravermelho próximo e a luz vermelha, o NDVI pode ajudar os agricultores a otimizar a irrigação e identificar culturas que precisam de mais água ou fertilizantes.

Por exemplo, PrecisionHawk e Sentera fornecem drones agrícolas que podem capturar e processar dados NDVI em um dia, o que é uma melhoria significativa em relação às técnicas tradicionais de NDVI, que geralmente exigem longos tempos de espera. Pesquisadores descobriram que As imagens NDVI podem até ser obtidas usando câmeras RGB digitais padrão com alguns modificações, e essa abordagem pode ser integrada aos sistemas de monitoramento da saúde das culturas.

Os aplicativos móveis proliferaram nos últimos anos, utilizando dados NDVI como meio de monitorar a saúde da cultura. Doktar’ Órbita é um desses aplicativos que fornece aos agricultores dados NDVI apresentados como mapas de saúde para identificar quaisquer anomalias em seus campos. Esses aplicativos visam revolucionar as práticas agrícolas, fornecendo novas formas de exploração de campo e digitalização da agricultura. As ferramentas de monitoramento remoto de campo baseadas na tecnologia NDVI podem economizar custos significativos de combustível para os agricultores, reduzindo a necessidade de visitas frequentes ao campo e podem ajudar no gerenciamento eficiente da irrigação.

Que tipo de câmera (drone) para NDVI? RGB e IR atualizados vs Multiespectral

Ok .. então este é um campo meio quente que eu notei, e a toca do coelho vai cada vez mais fundo.

RGB padrão As câmeras são projetadas para capturar luz vermelha, verde e azul, enquanto câmeras modificadas pode capturar uma combinação de Infravermelho próximo, vermelho, verde e azul luz dependendo do modelo. Para gerar saúde vegetal RGB mapas mostrando o “verde” de colheitas, um pode use uma câmera RGB padrão com algoritmos específicos em software.

Algumas empresas estão vendendo “falso” Ag ou NDVI câmeras, que são apenas câmeras comuns com um filtro infravermelho removido e um filtro azul instalado. No entanto, essas câmeras são imprecisas para medições radiométricas como NDVI porque há muita sobreposição entre os canais de cores e elas não possuem um sensor para explicar as diferenças de iluminação entre as visitas. Como resultado, essas câmeras só podem mostrar diferenças relativas em uma determinada área, mas não medem com precisão o NDVI.

Uma câmera NDVI real e calibrada levará em consideração as diferenças de iluminação e fornecerá saídas consistentes entre várias visitas ao mesmo local. Portanto, tenha cuidado ao comprar um modificado “câmera NDVI” que capta luz infravermelha próxima, para atualizar drones (já para $400) para capturar imagens de infravermelho próximo (NIR) a fim de realizar análises de saúde da vegetação por cálculo de NDVI. Mas, por favor, esteja ciente: isso é não é uma câmera NDVI real, e isso pode ser enganoso. A Sentera A câmera já é uma opção melhor porque é construída especificamente e pode ser calibrada, mas ainda fica aquém de um sistema NDVI completo. câmeras multiespectrais, real câmeras NDVI são caro, muito mais caro do que as “câmeras RGB/IR atualizadas”. Parrot’s Sequóia em $3500. TetraCam ADC Snap $4500, MicaSense’s RedEdge $6000+.

As imagens multiespectrais são importantes na agricultura porque podem fornecer informações mais detalhadas e precisas sobre culturas e solo do que as câmeras RGB tradicionais.

Por que multiespectral Imagens são importantes em agtech

Imagem multiespectral captura dados de imagem dentro intervalos de comprimento de onda específicos em todo o espectro eletromagnético, usando filtros ou instrumentos sensíveis a comprimentos de onda específicos. Estende-se além da faixa de luz visível para incluir infravermelho e ultravioleta luz, permitindo a extração de informações adicionais além o que o olho humano pode detectar com seus receptores visíveis para vermelho, verde e azul. Originalmente desenvolvido para identificação e reconhecimento de alvos militares, a imagem multiespectral tem sido usada em imagens baseadas no espaço para mapear detalhes dos limites costeiros, vegetação e formas de relevo da Terra. Também encontrou aplicações na análise de documentos e pinturas.

Aqui estão algumas razões pelas quais as imagens multiespectrais são mais adequadas para aplicações agrícolas:

1. Maior resolução espectral: As câmeras multiespectrais capturam imagens em várias bandas estreitas do espectro eletromagnético, o que permite uma análise mais detalhada dos comprimentos de onda específicos da luz que as plantas absorvem ou refletem. Isso pode ajudar a identificar problemas como deficiências nutricionais ou doenças antes que sejam visíveis a olho nu.
2. Índices de vegetação aprimorados: comparando os valores de refletância de diferentes comprimentos de onda de luz, as câmeras multiespectrais podem criar índices de vegetação mais sofisticados do que as câmeras RGB tradicionais. Esses índices podem ser usados para medir a saúde, o crescimento e os níveis de estresse das plantas com mais precisão.
3. Diferenciação de tipos de solo: imagens multiespectrais também podem diferenciar os tipos de solo com mais eficiência, o que é importante para a agricultura de precisão. Isso pode ajudar os agricultores a tomar decisões mais informadas sobre práticas de irrigação, fertilização e manejo de culturas.
4. Detecção de estresse hídrico: As câmeras multiespectrais também podem detectar o estresse hídrico nas plantações, medindo a quantidade de radiação infravermelha que elas emitem. Isso pode ajudar os agricultores a determinar quando e quanto irrigar.

multiespectral imagem tipicamente mede a luz em um pequeno número de bandas espectrais, variando de 3 a 15.

Hiperespectral imagem é uma forma especializada de imagem espectral, onde centenas de bandas espectrais contíguas estão disponíveis para análise. Ao capturar dados de imagem em várias bandas espectrais, a imagem hiperespectral permite uma identificação e análise de materiais mais precisas do que a imagem multiespectral.

Acho que preciso parar esse mergulho aqui. Espero que você tenha aprendido tanto quanto eu.