Vad är NDVI, hur används det inom jordbruket - med vilka kameror

På min personliga resa mot precisionsjordbruk och analys stötte jag på NDVI i samband med bildanalys. Mitt mål är att analysera ett 45 hektar stort fält med organisk alfalfa för att utvärdera gödselmedlets effekt före och efter applicering. Min primära fråga är: var, vilken typ och hur mycket gödselmedel ska jag applicera, och vilken effekt kommer det att ha på lucerngrödan? Jag äger en Mavic Pro-kamera med en standard RGB-kamera. När jag frågade på Twitter hur jag skulle gå tillväga föreslog någon att jag skulle använda multispektrala data för att utforska en rad olika vegetationsindex, inklusive NDVI. Så jag dök djupt ner i kaninhålet för att lära mig mer om NDVI.

Vad är det normaliserade vegetationsindexet NDVI (Normalized Difference Vegetation Index)?
NDVI:s historia
Hur beräknar man NDVI?
NDVI inom jordbruket
Vilken typ av (drönar-)kamera för NDVI? RGB & IR-uppgraderad vs Multispektral
Varför Multispektrala bilder är viktiga inom jordbruksteknik

NDVI (Normalized Difference Vegetation Index) är en allmänt använd metod för att utvärdera mängden levande vegetation i en viss region, särskilt inom jordbruket.

Vad är NDVI (normaliserat differentierat vegetationsindex)?

Växter är fantastiska organismer som använder solljus som energi för att tillverka sin egen mat. De gör detta genom en process som kallas fotosyntes, som sker i deras blad. Intressant nog absorberar växtbladen inte bara solljus, utan de reflekterar också en del av det tillbaka. Detta gäller särskilt för nära infrarött ljus, som är osynligt för våra ögon men som utgör hälften av energin i solljuset.

Anledningen till denna reflektion är att för mycket nära infrarött ljus faktiskt kan vara skadligt för växter. De har därför utvecklats till att skydda sig genom att reflektera denna typ av ljus. Därför ser levande gröna växter mörka ut i synligt ljus, men ljusa i det nära infraröda spektrumet. Detta skiljer sig från moln och snö, som tenderar att se ljusa ut i synligt ljus men mörka i det nära infraröda spektrumet.

Forskare kan dra nytta av denna unika egenskap för att studera växter med hjälp av ett verktyg som kallas NDVI, eller Normalized Difference Vegetation Index. NDVI mäter skillnaden mellan mängden rött och nära infrarött ljus som reflekteras av växter. Ju fler blad en växt har, desto mer påverkas dessa våglängder av ljuset, vilket kan ge oss viktig information om växtens hälsa och utbredning.

NDVI är ett sätt för forskare att använda satellitbilder för att studera växter och jordbruk. Genom att förstå hur växter interagerar med solljus kan vi lära oss mer om världen omkring oss och hur vi ska ta hand om vår planet.

Sammanfattat: NDVI är ett standardiserat mått på frisk vegetation. Den kvantifierar vegetationen genom att mäta skillnaden mellan nära infrarött (NIR) och rött ljus. Frisk vegetation reflekterar mer NIR och grönt ljus än andra våglängder, men den absorberar mer rött och blått ljus. NDVI-värdena ligger alltid mellan -1 och +1.

NDVI:s historia

I 1957Sovjetunionen lanserade Sputnik 1den första artificiella satelliten i omloppsbana runt jorden. Detta ledde till utvecklingen av meteorologiska satelliter, såsom Sputnik- och Cosmos-programmen i Sovjetunionen, och Explorer-programmet i USA. Serien TIROS av satelliter sköts upp under 1960och följdes av Nimbus-satelliterna och Advanced Very High Resolution Radiometer-instrumenten på National Oceanic and Atmospheric Administration (NOAA)-plattformarna. NASA utvecklade också Earth Resources Technology Satellite (ERTS), som blev föregångaren till Landsat-programmet.

Den Landsat program lanserades i 1972 med MultiSpectral Scanner (MSS), vilket möjliggjorde fjärranalys av jorden. En tidig studie med Landsat fokuserade på Great Plains-regionen i centrala USA. Forskarna fann att solens zenitvinkel över denna starka latitudgradient gjorde det svårt att korrelera de biofysiska egenskaperna hos vegetationen i betesmarkerna från satellitens spektrala signaler. De utvecklade NDVI (Normalized Difference Vegetation Index) som ett sätt att justera för effekterna av solens zenitvinkel. NDVI är nu det mest välkända och använda indexet för att upptäcka levande gröna växttak i multispektrala fjärranalysdata. Det används också för att kvantifiera den fotosyntetiska kapaciteten hos växttoppar, men detta kan vara ett komplicerat företag.

Hur beräknar man NDVI?

NDVI använder NIR- och rödkanalerna i sin formel. Satelliter som Landsat och Sentinel-2 har de nödvändiga banden med NIR och rött. Resultatet genererar en värde mellan -1 och +1. Om du har låg reflektans i den röda kanalen och hög reflektans i NIR-kanalen ger detta ett högt NDVI-värde, och vice versa.

NDVI inom jordbruket

NDVI har flera tillämpningar inom olika sektorer. Skogsbrukare använda NDVI för att kvantifiera skogstillgång och bladarealindex, och NASA konstaterar att NDVI är en bra indikator på torka. När vatten begränsar vegetationstillväxten har den en lägre relativ NDVI och vegetationsdensitet. Andra sektorer som använder NDVI inkluderar miljövetenskap, stadsplanering och förvaltning av naturresurser.

NDVI är används ofta inom jordbruket för att övervaka grödornas hälsa och optimera bevattningen. Jordbrukare använder NDVI för precisionsodling, för att mäta biomassa och för att identifiera grödor som behöver mer vatten eller gödningsmedel.

Hur använder man NDVI? Satellitbilder kontra drönarbilder

Vilka satellitbilder har nära infrarött ljus för NDVI? Som tidigare nämnts producerar satelliter som Sentinel-2, Landsat och SPOT bilder i rött och nära infrarött ljus. Det finns gratis datakällor för satellitbilder på webben, som har data som man kan ladda ner och skapa NDVI-kartor i ArcGIS eller QGIS.

Skördehälsa är en viktig aspekt av precisionsjordbruk, och NDVI-data är ett värdefullt verktyg för att mäta det. Idag har det blivit vanligt att använda drönare inom jordbruket för att koppla ihop NDVI-data för att jämföra mätningar och identifiera potentiella problem med grödornas hälsa. Genom att mäta skillnaden mellan nära infrarött och rött ljus kan NDVI hjälpa jordbrukare att optimera bevattningen och identifiera grödor som behöver mer vatten eller gödningsmedel.

Till exempel, PrecisionHawk och Sentera tillhandahåller jordbruksdrönare som kan samla in och bearbeta NDVI-data inom en dag, vilket är en betydande förbättring jämfört med traditionella NDVI-tekniker som ofta kräver långa väntetider. Forskare har funnit att NDVI-bilder kan även erhållas med vanliga digitala RGB-kameror med några ändringar, och denna metod kan integreras i system för övervakning av grödors hälsa.

Mobila applikationer har blivit allt vanligare under de senaste åren, med hjälp av NDVI-data som ett sätt att övervaka grödornas hälsa. Doktors omloppsbana är en sådan app som ger jordbrukare NDVI-data presenterade som hälsokartor för att identifiera eventuella avvikelser på sina fält. Dessa appar syftar till att revolutionera jordbruksmetoderna genom att tillhandahålla nya sätt att undersöka fält och digitalisera jordbruket. Verktyg för fjärrövervakning av fält baserade på NDVI-teknik kan spara betydande bränslekostnader för jordbrukare genom att minska behovet av täta fältbesök, och kan bidra till effektiv bevattningshantering.

Vilken typ av (drönar-)kamera för NDVI? RGB & IR-uppgraderad vs Multispektral

Okej... det här är ett hett område har jag märkt, och kaninhålet blir bara djupare och djupare.

Standard RGB kameror är utformade för att fånga rött, grönt och blått ljus, medan modifierade kameror kan fånga en kombination av Nära infrarött, rött, grönt och blått ljus beroende på modell. Så här genererar du RGB-växtskydd kartor som visar grödornas "grönhet", kan man använda en standard RGB-kamera med specifika algoritmer i programvara.

Vissa företag säljer "falsk” Ag eller NDVI kamerorsom bara är vanliga kameror med ett infrarött filter borttaget och ett blått filter installerat. Dessa kameror är dock felaktiga för radiometriska mätningar som NDVI eftersom det finns för mycket överlappning mellan färgkanalerna, och de har ingen sensor för att ta hänsyn till skillnader i belysning mellan olika besök. Därför kan dessa kameror bara visa relativa skillnader i ett visst område, men inte exakt mäta NDVI.

En riktig och kalibrerad NDVI-kamera tar hänsyn till ljusskillnader och ger konsekventa resultat vid flera besök på samma plats. Var därför försiktig när du köper en modifierad "NDVI-kamera" som fångar upp närinfrarött ljus, för att uppgradera drönare (redan för $400) för att ta nära infraröda (NIR) bilder för att analysera vegetationens tillstånd genom Beräkning av NDVI. Men var medveten om detta: Detta är inte en riktig NDVI-kamera, och detta kan vara missvisande. A Sentera är redan ett bättre alternativ eftersom de är specialbyggda och kan kalibreras, men de är fortfarande inte tillräckligt bra för ett fullständigt NDVI-system. Multispektrala kameror, faktisk NDVI-kameror är dyr, mycket dyrare än de "uppgraderade RGB/IR-kamerorna". Parrot's Sequoia på $3500. TetraCam ADC Snap $4500, MicaSense's RedEdge $6000+.

Multispektrala bilder är viktiga inom jordbruket eftersom de kan ge mer detaljerad och exakt information om grödor och mark än traditionella RGB-kameror.

Varför Multispektral Bilder är viktiga inom agtech

Multispektral avbildning fångar bilddata inom specifika våglängdsområden inom det elektromagnetiska spektrumet, med hjälp av filter eller instrument som är känsliga för specifika våglängder. Den sträcker sig bortom det synliga ljusområdet och omfattar infraröd och ultraviolett ljus, vilket möjliggör utvinning av ytterligare information bortom vad det mänskliga ögat kan upptäcka med sina synliga receptorer för röd, grön och blå. Multispektral avbildning utvecklades ursprungligen för militär målidentifiering och spaning, men har använts i rymdbaserad avbildning för att kartlägga detaljer om jordens kustgränser, vegetation och landformer. Den har också använts för dokument- och målningsanalys.

Här är några anledningar till varför multispektrala bilder är bättre lämpade för jordbrukstillämpningar:

1. Större spektral upplösning: Multispektrala kameror tar bilder i flera smala band av det elektromagnetiska spektrumet, vilket möjliggör en mer detaljerad analys av de specifika våglängder av ljus som växter absorberar eller reflekterar. Detta kan bidra till att identifiera problem som näringsbrist eller sjukdomar innan de är synliga för blotta ögat.
2. Förbättrade vegetationsindex: Genom att jämföra reflektansvärdena för olika våglängder av ljus kan multispektrala kameror skapa mer sofistikerade vegetationsindex än traditionella RGB-kameror. Dessa index kan användas för att mäta växternas hälsa, tillväxt och stressnivåer på ett mer exakt sätt.
3. Differentiering av jordtyper: Multispektrala bilder kan också differentiera jordtyper mer effektivt, vilket är viktigt för precisionsjordbruk. Detta kan hjälpa jordbrukare att fatta mer välgrundade beslut om bevattning, gödsling och skötsel av grödor.
4. Detektion av vattenstress: Multispektrala kameror kan också upptäcka vattenstress i grödor genom att mäta mängden infraröd strålning som de avger. Detta kan hjälpa jordbrukare att avgöra när och hur mycket de ska bevattna.

Multispektral avbildning typiskt mäter ljus i ett litet antal spektralband, från 3 till 15.

Hyperspektral avbildning är en specialiserad form av spektral avbildning, där hundratals sammanhängande spektralband är tillgängliga för analys. Genom att bilddata samlas in över flera spektralband möjliggör hyperspektral avbildning en mer exakt identifiering och analys av material än multispektral avbildning.

Jag tror att jag måste avbryta den här dykningen här och nu. Jag hoppas att du lärde dig lika mycket som jag gjorde.