Mais

Fazendo NDVI quando os dados nir são fornecidos como 3 bandas


Recebi dois conjuntos de dados da mesma área, um com bandas RGB normais e outro com dados NIR. Meu problema é que, uma vez que os dados NIR são fornecidos como 3 bandas, não tenho certeza de como devo interpretar isso.

Eu estou supondo que é normal em algumas áreas de aquisição de dados coletar dados NIR com uma câmera DSL com alguns filtros removidos e é por isso que os dados são capturados em 3 bandas. (mas eu realmente não sei muito sobre isso).

Como faço para transformar as 3 bandas de dados nir no que preciso para o cálculo de NDVI?


Às vezes, os distribuidores eliminam a faixa azul e fornecem apenas as faixas nIR, vermelha e verde para que o usuário final possa visualizar os dados como uma imagem composta de cor falsa. Vamos supor que o distribuidor fez isso. Existem várias maneiras de deduzir quais bandas são quais, especialmente nos comprimentos de onda vermelho e nIR, usando princípios básicos de sensoriamento remoto. Por exemplo, sabemos que o EMR na porção nIR do espectro é altamente refletido na vegetação verde saudável e altamente absorvido na água. Também sabemos que a EMR na porção vermelha do espectro é geralmente absorvida pela vegetação verde saudável. Este efeito de diferença é o que torna o NDVI um índice de vegetação tão valioso.

Os exemplos a seguir mostram as propriedades espectrais (medidas em DN aqui) da água na primeira captura de tela e da vegetação verde saudável na segunda captura de tela. Com base nessa análise, podemos dizer que a banda nIR é a camada 4 e a banda vermelha é a camada 1.



Relações temporais entre as séries temporais CHIRPS-estimativa de chuva e imagens de satélite eMODIS-NDVI na região de Amhara, Etiópia

Agenagnew A. Gessesse, Assefa M. Melesse, em Hidrologia Extrema e Variabilidade Climática, 2019

8.2.3.2 Reflectância e anomalia NDVI

O NDVI é calculado como a diferença entre a refletância no infravermelho próximo (NIR) e o vermelho (RED) dividida por sua soma.

NDVIeu representa NDVI suavizado (sNDVI) observado na etapa de tempo eu e sua proporção produz uma medida de atividade fotossintética dentro de valores entre - 1 e 1. Valores baixos de NDVI indicam vegetação com estresse hídrico e valores mais altos indicam uma densidade mais alta de vegetação verde. Também é usado para monitoramento de seca e alerta precoce de fome (Wardlow et al., 2007 Javadnia et al., 2009).

Para computar anomalia NDVI (z-score) que deveria requerer uma série de imagens com o ano histórico [médias de longo prazo (LTAs)] para cada período (no nosso caso: mês) do ano. A anomalia (z-score) indicadores da condição da vegetação podem ser calculados como ZNDVI e seu valor é amplamente utilizado para monitorar anomalias da vegetação (Klisch e Atzberger, 2016). É calculado em nível de pixel a partir dos dados sNDVI como.

Onde ZNDVI é a diferença padrão (z-score) de NDVI na etapa de tempo eu, NDVIeu = sNDVI é o observado na etapa de tempo eu, NDVI média, m = ∑ i NDVI i / m é a média mensal sValores NDVI, e σNDVI é o desvio padrão de sValores de NDVI no mês (m) respectivamente. σNDVI indica que o número sinalizado de desvios padrão está acima ou abaixo da média.


Processamento NDVI

NDVI, ou Índice de Vegetação por Diferença Normalizada, pode ser uma ótima ferramenta para medir a saúde das plantas por meios remotos. O Maps Made Easy foi projetado para processar apenas imagens NDVI calibradas.

Com o Equipamento adequado, As imagens NDVI podem ser coletadas com um drone e processadas para criar sobreposições de mapa que podem fornecer uma riqueza de informações potencialmente econômicas.

"Equipamento adequado" é a frase-chave aqui. Não faltam empresas dispostas a vender aos usuários câmeras "Ag" ou "NDVI" que nada mais são do que câmeras hackeadas com os filtros de bloqueio de IV removidos e um filtro azul instalado. Não faremos um link para eles aqui porque são todos muito enganosos em termos de capacidade e precisão. Processamento de dados NDVI preciso requer a capacidade de calibrar a câmera e as imagens para garantir que as relações entre a luz infravermelha próxima e as taxas de transferência de luz visível sejam conhecidas e possam ser dimensionadas de maneira adequada. Câmeras de consumidores invadidas não podem fazer isso e uma câmera de nível científico deve ser usada para resultados precisos. (Estamos deixando propositalmente o conteúdo espectral de fora por enquanto para manter este artigo fácil de ler.)

A razão pela qual a Drones Made Easy, uma empresa fundada por uma equipe de especialistas militares em sistemas de imagem multiespectrais, não oferece atualmente nenhuma solução NDVI barata é porque nem todas são cientificamente precisas. Agora oferecemos um sistema baseado no Parrot Sequoia, mas não é exatamente barato. Com o NDVI, você pode escolher barato ou bom, pois as coisas estão agora, você não pode ter os dois. O sistema Drones Made Easy Agronaut é o sistema mais barato disponível para incluir um aplicativo de controle de vôo, processamento ilimitado e uma câmera NDVI real: Drones Made Easy Agronaut Agricultural Mapping System

As câmeras NDVI são caras. Atualmente, a opção mais barata para NDVI real é o Sequoia by Parrot em

$ 3500. Também estão disponíveis o ADC Snap da TetraCam, que custa

$ 4500 para RedEdge do MicaSense

Câmera de US $ 6200, poucas pessoas estão dispostas a fazer esse investimento em algo que não entendem totalmente, quando parece que você pode simplesmente comprar uma dessas câmeras hackeadas e obter resultados semelhantes.

Abaixo está um exemplo da câmera Sequoia sendo usada para fazer medições absolutas ao longo do tempo. Três visitas à mesma área em 1º de abril, 8 de julho e 12 de agosto mostram como a vegetação secou. Essas camadas foram todas tiradas em condições de luz bastante diferentes e você pode ver que faz um trabalho muito bom em manter valores constantes para áreas inalteradas. As camadas RGB e NDVI para cada data são mostradas.

Os dados foram obtidos usando o sistema Drones Made Easy Agronaut que é um DJI Matrice 100 com alguns eletrônicos personalizados para acionar um cardan H4-3D para estabilizar a câmera. O computador de bordo personalizado também faz a preparação dos dados para upload para o Maps Made Easy.

Para mais exemplos dos dados que são coletados pelo Agronaut e como eles são processados, consulte nosso artigo sobre NDVI Image Stack Processing.

Observe a faixa completa de vermelho a verde escuro que são representativos de valores que variam de -.3 a 1. Esta é uma boa faixa e você pode ver que objetos mortos / não vegetais, como estradas, são vermelhos. Certamente não são plantas saudáveis. As áreas das plantas dos campos e árvores são verdes com valores de 0,3 a 0,9 representando a fotossíntese ativa.

Os números que variam de -1 a +1 na parte inferior do mapa mostram a escala dos valores do índice conforme calculado usando a seguinte fórmula:

NDVI = (NIR - VIS) / (NIR + VIS)

O ND em NDVI é "Diferença Normalizada" e significa que esta é uma medida de autocorreção das relações de luz infravermelha próxima (NIR) e luz visível (VIS). O intervalo completo de valores deve ocupar uma boa parte do espaço do intervalo de -1 a 1.

Em câmeras hackeadas, é comum que a quantidade de luz NIR aceita pela câmera seja muito diferente da que está sendo coletada no visível, o que resulta no intervalo sendo calculado tendo um intervalo de apenas 0,2 ou 0,3 do intervalo total . Se toda a imagem for verde, isso significa que tudo está saudável? Não. Isso significa que a câmera (ou os dados não foram calibrados corretamente e as taxas calculadas não representam o que realmente está acontecendo no solo).

Aqui está um exemplo de uma câmera NDVI mal calibrada:

Observe que a faixa está entre 0,8 e 1. Esta câmera estava permitindo a entrada de muita luz NIR ou não foi calibrada corretamente para levar em conta a grande discrepância entre os níveis de luz NIR e VIS.

Os números entre -1 e 1 realmente significam algo. Você não pode simplesmente esticar os valores que foram calculados como variando de 0,2 a 0,5 na faixa de -1 a 1 e chamá-los de dados NDVI precisos. Pode parecer bom e ter um pouco de vermelho e um pouco de verde, mas não SIGNIFICA nada. A informação criada ao fazer isso não é inteligência acionável. Se um mapeador de NDVI ruim der a um fazendeiro essas informações e ele agir de acordo, isso provavelmente matará toda a sua colheita. Felizmente, os agricultores são inteligentes e sabem melhor. É aqui que entra o Ground Truthing.

A Solução Alternativa - Verificação Manual do Solo

Se for absolutamente necessário usar uma câmera não calibrada, você ainda pode usar o Maps Made Easy para costurar e calcular suas imagens de índice.

Nosso mapeamento de tom (que pode ser ajustado) assume que os valores calculados de NDVI de 0 ou menos estão mortos ou inanimados. Valores de .3 ou mais geralmente estão na faixa saudável. Esta é a ciência por trás do uso do NDVI como um indicador da saúde das plantas.

Mapeamento de tons personalizados

O mapeamento de tons é o processo em que aplicamos uma cor para calcular o valor. Um valor de 0,8 é bom e saudável, por isso atribuímos a ele um verde escuro. Um valor de -.3 está morto, portanto, atribuímos a ele um vermelho escuro. Através das etapas a seguir é possível

  • Certifique-se de que o equilíbrio de branco da câmera esteja fixo, se possível.
  • Use um tempo de exposição fixo, se puder.
  • Pegue algumas imagens de verdade do solo conhecidas de áreas mortas conhecidas e saudáveis ​​(como terra nua).
  • Calcule manualmente alguns valores para superfícies boas e más conhecidas usando uma ferramenta gratuita como ImageJ para obter os valores RGB brutos.
  • Determine qual é o seu alcance capturado.
  • Ajuste a tabela de mapeamento de tom no momento do upload, ajustando as "Configurações de NDVI" para refletir sua faixa personalizada.

O mapa de cores à direita é desenhado a partir dos valores padrão usados ​​pelo Tetracam que abrangem a faixa completa de -1 a +1. O mapa de cores modificado à direita mostrará a faixa de valores compactados de 0,25 a 0,8 como cores que variam de vermelho a verde. Essa modificação precisa ser feita no momento do upload.

Após o mapeamento de tons personalizados, os dados ainda não significam nada. Os valores ainda estarão descalibrados, mas as imagens mostrarão pelo menos as cores que você deseja mapear. O Maps Made Easy não estende e não irá esticar os valores calculados para que os dados "pareçam" corretos. Os dados estão corretos ou não.

Nunca tivemos vergonha de compartilhar nossas opiniões sobre os serviços inadequados que esses fornecedores estão prestando ao setor. Se muitas pessoas começarem a compartilhar esses dados ruins comercialmente, o setor agrícola rapidamente se desligará da tecnologia, quando na verdade ela poderia ser uma ótima ferramenta, desde que as pessoas o façam de maneira adequada.


Índice de Diferença de Umidade Normalizado

Esta imagem exibe a (esquerda) Landsat 8 Surface Reflectance (SR) e (direita) o SR derivado de Landsat Surface Reflectance Normalized Difference Moisture Index (NDMI).

O Índice de Umidade por Diferença Normalizada (NDMI) derivado da Refletância de Superfície Landsat é adquirido do Landsat 4-5 Thematic Mapper (TM), Landsat 7 Enhanced Thematic Mapper Plus (ETM +) e Landsat 8 Operational Land Imager (OLI) / Sensor infravermelho térmico (TIRS ) cenas que podem ser processadas com sucesso para produtos de refletância de superfície Landsat Nível 2.

NDMI é usado para determinar o conteúdo de água na vegetação. É calculado como uma razão entre os valores NIR e SWIR da maneira tradicional.

No Landsat 4-7, NDMI = (Banda 4 - Banda 5) / (Banda 4 + Banda 5).

No Landsat 8, NDMI = (Banda 5 - Banda 6) / (Banda 5 + Banda 6).

NDMI é entregue como um produto de banda única, especificado conforme mostrado na tabela abaixo.

Especificações do Índice de Umidade por Diferença Normalizada (NDMI) derivado da Refletância da Superfície Landsat
Atributo Valor
Nome Longo Índice de Diferença de Umidade Normalizado
Nome curto LC8NDMI, LE7NDMI, LT5NDMI ou LT4NDMI
Nome do arquivo * _sr_ndmi.tif
Tipo de dados Inteiro assinado de 16 bits
Unidades Índice espectral (razão de banda)
Faixa Válida -10,000 — 10,000
Valor de Preenchimento -9999
Valor de saturação 20,000
Fator de escala *0.0001

Acesso de dados

Visite a página da Web dos Índices Espectrais Derivados da Refletância de Superfície Landsat para obter informações sobre as restrições do produto, citações e informações de referência.


NDVI, a Fundação para a Fenologia de Sensoriamento Remoto

Estudos de fenologia de sensoriamento remoto usam dados coletados por sensores de satélite que medem comprimentos de onda de luz absorvida e refletida por plantas verdes. Certos pigmentos nas folhas das plantas absorvem fortemente os comprimentos de onda da luz visível (vermelha). As próprias folhas refletem fortemente os comprimentos de onda da luz infravermelha próxima, que é invisível aos olhos humanos. À medida que o dossel da planta muda do crescimento no início da primavera para a maturidade e senescência do final da temporada, essas propriedades de refletância também mudam.

Um campo de girassóis perto de Midland, South Dakota.

(Crédito: Stephen P. Shivers, USGS. Domínio público.)

Muitos sensores transportados a bordo de satélites medem as ondas de luz vermelha e infravermelha refletidas pelas superfícies terrestres. Usando fórmulas matemáticas (algoritmos), os cientistas transformam dados brutos de satélite sobre essas ondas de luz em índices de vegetação. Um índice de vegetação é um indicador que descreve o verde - a densidade relativa e saúde da vegetação - para cada elemento de imagem, ou pixel, em uma imagem de satélite.

Embora existam vários índices de vegetação, um dos mais amplamente usados ​​é o Índice de Vegetação por Diferença Normalizada (NDVI). Os valores de NDVI variam de +1,0 a -1,0. Áreas de rocha estéril, areia ou neve geralmente mostram valores de NDVI muito baixos (por exemplo, 0,1 ou menos). Vegetação esparsa, como arbustos e pastagens ou culturas em envelhecimento pode resultar em valores moderados de NDVI (aproximadamente 0,2 a 0,5). Valores elevados de NDVI (aproximadamente 0,6 a 0,9) correspondem à vegetação densa, como a encontrada em florestas temperadas e tropicais ou culturas em seu estágio de pico de crescimento.

Ao transformar dados brutos de satélite em valores NDVI, os pesquisadores podem criar imagens e outros produtos que fornecem uma medida aproximada do tipo, quantidade e condição da vegetação em superfícies terrestres ao redor do mundo. NDVI é especialmente útil para monitoramento de vegetação em escala continental a global porque pode compensar as mudanças nas condições de iluminação, inclinação da superfície e ângulo de visão. Dito isso, o NDVI tende a saturar a vegetação densa e é sensível à cor do solo subjacente.

Os valores de NDVI podem ser calculados em média ao longo do tempo para estabelecer condições de cultivo "normais" em uma região para uma determinada época do ano. Uma análise posterior pode caracterizar a saúde da vegetação naquele local em relação à norma. Quando analisado ao longo do tempo, o NDVI pode revelar onde a vegetação está prosperando e onde está sob estresse, bem como mudanças na vegetação devido às atividades humanas, como desmatamento, distúrbios naturais como incêndios florestais ou mudanças no estágio fenológico das plantas.


Arquivo USGS EROS - Monitoramento de vegetação - EROS Visible Infrared Imaging Radiometer Suite (eVIIRS)

A coleção do Conjunto de Radiômetro de Imagens Infravermelho Visível (eVIIRS) do Centro de Observação e Ciência de Recursos Terrestres (EROS) é baseada nos dados do Conjunto de Radiômetro Visível de Imagens Infravermelho (VIIRS) adquiridos pelo NPP da Suomi National Polar-orbiting Partnership (S-NPP). resultado de uma parceria entre a Administração Nacional de Aeronáutica e Espaço (NASA) e a Administração Nacional Oceânica e Atmosférica (NOAA).

eVIIRS (EROS Visible Infrared Imaging Radiometer Suite) Sub-amostra do CONUS
(Domínio público)

A coleção EROS Visible Infrared Imaging Radiometer Suite (eVIIRS) Normalized Difference Vegetation Index (NDVI) usa a coleção Visible Infrared Imaging Radiometer Suite (VIIRS) que está disponível na capacidade em tempo quase real da atmosfera terrestre da NASA para EOS (LANCE) para os expedidos produto e Nível 1 e Atmosphere Archive & amp Distribution System (LAADS) para os produtos históricos.

O sensoriamento remoto de resolução moderada fornece um meio para as comunidades de monitoramento operacional desenvolverem informações de tendências históricas e usar desvios quase em tempo real das médias temporais para identificar áreas de mudança. São necessárias medições de satélite de alta qualidade, consistentes e bem calibradas para detectar e monitorar mudanças e tendências, especialmente em padrões de vegetação úteis para estudos de seca, safra, fenologia e potencial de fogo.

A coleção eVIIRS é baseada nos dados S-NPP VIIRS adquiridos pelo NPP. Mesmo que os dados VIIRS NDVI estejam disponíveis como compostos no LP DAAC como produtos de 8 dias de 500 me 1 km, o produto eVIIRS atende à necessidade de um conjunto de dados de 375 m em 7, 14 e 10 conjuntos de dados decadais de um dia para corresponder ao espectrorradiômetro de imagem de resolução moderada EROS (eMODIS).

O conjunto histórico de produtos eVIIRS inclui compostos de 7 e 14 dias para os Estados Unidos (CONUS) e Alasca e em uma programação de decadal mensal de 10 dias para as regiões NDVI Famine Early Warning Systems (FEWS), incluindo América Central / Caribe e México , África, Ásia Central, América do Sul, Austrália e Nova Zelândia. A produção acelerada (quase em tempo real) é executada diariamente para os produtos de 7 dias (CONUS). Cada conjunto de dados oferece aquisição, qualidade e informações de NDVI com resolução espacial de 375 m. Como cada uma das composições é criada a partir de um número variável de imagens, as composições eVIIRS incluem arquivos de aquisição para identificar quais entradas foram usadas para preencher a composição final. Os metadados que acompanham os arquivos de dados resumem os limites geográficos, os parâmetros de projeção e as informações de contato do produto.

O eVIIRS atualmente produz NDVI e compósitos de refletância de superfície no CONUS, Alasca e América Central / Caribe e México, enquanto a África, Ásia Central, América do Sul, Austrália e Nova Zelândia contêm apenas compósitos NDVI.

Processo de construção composto

A primeira etapa no processo de construção do composto eVIIRS é criar as várias bandas geotiff necessárias para construir um composto NDVI para cada um dos dias e horários do período de composição. Por exemplo, o período de composição pode ser de 7 ou 10 dias.

Uma das bandas GeoTIFF criadas é a banda NDVI. NDVI é criado a partir da equação conhecida

onde vermelho é a banda I1 de VIIRS e NIR é a banda I2. Essas bandas vêm das bandas de refletância de superfície de 375 m dos grânulos VNP09.

Os valores mínimos de NDVI permitidos são -0,1999 e todos os valores de NDVI (que normalmente ficam entre -1,0 e 1,0) são escalados em 10.000. Assim, os valores NDVI de saída desta aplicação ficam entre -2000 e 10.000 (com exceção dos valores de refletância de superfície negativa) para corresponder aos produtos LP DAAC MOD09.

Se um dos valores de pixel vermelho ou NIR for preenchimento de fundo, o valor NDVI de saída é definido como UNDEF (-2000). O mesmo valor se aplica se os pixels vermelhos e NIR tiverem o mesmo valor. Se um dos pixels vermelhos ou NIR for negativo, o valor de saída NDVI é definido como NEG_SR (-3000).

Outras bandas criadas para o processo de composição são Satellite Zenith Angle e Surface Reflectance Quality Bands 1, 2 e 4.

Cálculo Composto

O software usado para criar composições dekadal NDVI de 7, 14 e 10 dias foi desenvolvido pela equipe de desenvolvimento de software USGS EROS. O software processa os grânulos de faixa VIIRS 375 m para produzir produtos compostos de 375 m e / ou 1 km.

O software faz a grade dos grânulos de faixa necessários (VNP09 e NPP_IMFTS_L1) para a região limitada especificada (usando as coordenadas do canto superior esquerdo e inferior direito). Para cada grânulo em grade, uma banda NDVI é gerada usando as bandas vermelha (banda I1) e NIR (banda I2).

Uma vez que cada grânulo tenha sido reticulado para as extensões de coordenadas fornecidas e o NDVI tenha sido construído, um composto de valor máximo aprimorado (MVC) é gerado. Com um algoritmo MVC direto, cada pixel no composto (para cada banda) seria preenchido usando o valor do pixel do grânulo com o NDVI mais alto para o pixel atual. O MVC foi aprimorado no algoritmo eVIIRS atual incorporando qualidade de banda, máscara de nuvem, refletância de superfície negativa e ângulo de visão no algoritmo para processamento de eVIIRS.

  1. As informações de qualidade de banda no produto de refletância de superfície são usadas para determinar se um determinado pixel é de "má qualidade". Pixels de má qualidade não são usados ​​no produto composto final.
  2. O algoritmo NDVI sinaliza valores de refletância de superfície negativos para que eles não sejam usados ​​no composto de saída, se valores positivos estiverem disponíveis. Se os valores de refletância da superfície da banda vermelha ou NIR forem negativos, o valor NDVI de saída é sinalizado com um valor de -3000. (NOTA: Valores NDVI indefinidos ou de preenchimento de fundo são -2000 e isso é especificado como o limite inferior dos valores NDVI "válidos".) O algoritmo composto então desconsidera grânulos com valores NDVI de -3000 para omitir valores de refletância de superfície negativos na saída composto.
  3. A máscara de nuvem é usada para minimizar a presença de pixels de nuvem no produto composto. Se o sinalizador de qualidade estiver provavelmente claro e / ou claro, o pixel pode ser usado para preencher o pixel composto atual.
  4. O ângulo de visão (distância do nadir) determina qual dos dois pixels NDVI mais altos é usado no composto. Dos pixels de qualidade ideal não turvos, os dois maiores valores de NDVI são determinados a partir da lista de grânulos. Destes dois grânulos, o valor do pixel que está mais próximo do nadir é usado para preencher o composto.

Os produtos são gerados para S-NPP VIIRS em todas as áreas, incluindo CONUS e Alasca, e são projetados para uma grade de mapeamento regionalmente específica e entregues em um formato GeoTIFF compactado (zipado).

Duas resoluções espaciais (375 me 1.000 m) estão disponíveis para download individualmente. Esses dados estão disponíveis no EarthExplorer, bem como na API Machine-to-Machine. O produto de download é um arquivo .zip contendo 6 arquivos, incluindo três .tif, um jpeg e dois .txt.

A seguir está um exemplo de lista de arquivos de um arquivo .zip composto CONUS de 1 km NDVI denominado “US_eVSH_NDVI.2020.350-356.1KM.COMPRES.006.2020359170316.zip”:

US_eVSH_NDVI.2020.350-356.1KM.VI_ACQI.006.2020362063105.tif Geotiff de aquisição
US_eVSH_NDVI.2020.350-356.1KM.VI_ACQT.006.2020362063105.txt Arquivo de texto de aquisição
US_eVSH_NDVI.2020.350-356.1KM.VI_META.006.2020362063314.met Arquivo de texto de metadados
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.jpg Procurar JPEG
US_eVSH_NDVI.2020.350-356.1KM.VI_NDVI.006.2020362063105.tif NDVI geotiff
US_eVSH_NDVI.2020.350-356.1KM.VI_QUAL.006.2020362063105.tif Quality geotiff

Banda de aquisição (ACQI)

Uma banda de aquisição fornece ao usuário uma imagem GeoTIFF que pode ser sobreposta na imagem NDVI para que o usuário possa identificar cada grânulo que forneceu o valor para cada pixel NDVI. O DOY e o número de aquisição serão usados ​​para especificar a aquisição. O número de aquisição, neste caso, representa não o tempo da aquisição, mas a ordem de captura. Os valores de saída são representados como um inteiro não assinado de 16 bits usando a equação

Assim, a primeira aquisição para DOY 117 seria 117001. A décima primeira aquisição para DOY 117 seria 117011. Para tornar mais fácil para o usuário determinar qual valor inteiro de aquisição mapeia para qual grânulo, um arquivo de texto da tabela de aquisição de saída é escrito para corresponder os valores de aquisição para os nomes dos grânulos.

Arquivo de texto de aquisição (ACQT)

Um arquivo de texto de aquisição fornece ao usuário um arquivo de texto para acompanhar a imagem de aquisição, que fornece os detalhes compostos dos dados usados ​​para criar o produto. Esta lista de valores da banda de aquisição é usada no produto da banda de aquisição composta e o nome do arquivo de aquisição correspondente para esse valor de aquisição.

160005 MA2RG_2020_160_2120_250m_NDVI.hdf
160004 MA2RG_2020_160_1940_250m_NDVI.hdf
160003 MA2RG_2020_160_1935_250m_NDVI.hdf
160002 MA2RG_2020_160_1800_250m_NDVI.hdf
160001 MA2RG_2020_160_1755_250m_NDVI.hdf
159007 MA2RG_2020_159_2035_250m_NDVI.hdf
159006 MA2RG_2020_159_2030_250m_NDVI.hdf
159005 MA2RG_2020_159_1900_250m_NDVI.hdf

Metadados (META)

O arquivo de metadados fornece os detalhes sobre a imagem composta, incluindo período de aquisição, datas de publicação, contagens de pixels e linhas, informações de projeção de mapas, datum, resolução de pixels, satélite e plataforma, tipo de dados digitais, valores de preenchimento, fatores de escala e centro e coordenadas de canto.

Navegar em JPEG

Uma imagem de navegação de resolução completa é fornecida em formato JPEG e é compactada com o produto e usada para exibir a imagem no EarthExplorer. O mapeamento de cores é usado para criar uma imagem colorida para a imagem de navegação e não é o mesmo que os dados de banda única de 16 bits fornecidos no NDVI GeoTIFF.

NDVI / GeoTIFF de refletância de superfície

O NDVI GeoTIFF é o produto criado no processo de composição detalhado na seção acima. Todos os outros arquivos, incluindo banda de qualidade, banda de aquisição, bem como os arquivos de texto e navegação, são arquivos complementares para este produto NDVI.

O composto de refletância de superfície também foi criado para CONUS, Alasca e América Central / Caribe e México e está disponível como uma opção de download separada no EarthExplorer.

Banda de qualidade (QA)

Uma banda de garantia de qualidade (QA) é de 8 bits e produzida pelo software composto para identificar a qualidade de cada pixel composto. A maioria dos pixels será preenchida com um pixel de boa qualidade de banda. No entanto, se nenhum dos grânulos de um determinado pixel for de boa qualidade de banda ou todos os pixels estiverem turvos, o pixel atual será preenchido com dados do melhor pixel possível, onde a ordem de preferência é NDVI válido sobre preenchimento, boa qualidade sobre ruim, pixel de neve sobre pixel nublado. Os seguintes valores são usados ​​na banda QA:

0 = boa qualidade
1 = pixel nublado
2 = qualidade de banda ruim
4 = neve
10 = encher

A banda 1 de qualidade de refletância de superfície é composta dos seguintes valores de bits. O bit número 0 é o bit no número binário que tem o menor valor numérico ou o bit menos significativo (LSB).

Banda de qualidade de refletância de superfície 1
Bit No. Nome do parâmetro Combinação de bits Definição
0-1 Qualidade da máscara de nuvem 00 Pobre
01 Baixo
10 Médio
11 Alto
2-3 Detecção de nuvem e confiança 00 Confiante claro
01 Provavelmente claro
10 Provavelmente Nublado
11 Confiante Nublado
4 Dia noite 0 Dia
1 Noite
5 Máscara solar baixa 0 Alto
1 Baixo
6-7 Brilho do sol 00 Nenhum
01 Com base na geometria
10 Baseado na velocidade do vento
11 Com base na geometria e na velocidade do vento

A banda 2 de qualidade de refletância de superfície é composta dos seguintes valores de bits.

Banda de qualidade de refletância de superfície 2
Bit No. Nome do parâmetro Combinação de bits Definição
0-2 Fundo de terra / água 000 Terra e Deserto
001 Land No Desert
010 Água Interior
011 Água do mar
100 ---
101 Costeiro
110 ---
3 Máscara de Sombra 0 Sem sombra de nuvem
1 Sombra

A banda 4 de qualidade de refletância de superfície é composta dos seguintes valores de bits. Os bits 1 e 2 da banda de qualidade 4 são usados ​​para determinar se os bits de uma determinada banda I1 (vermelho) ou I2 (infravermelho próximo) em grade devem ser usados ​​na criação da banda NDVI. Reflectância Direcional de Superfície (SDR), Espessura Ótica de Aerossol (AOT), Ante Meridiem (AM), Água Precipitável (PW)

Banda de qualidade de refletância de superfície 4
Bit No. Nome do parâmetro Combinação de bits Definição
0 Dados BAD M11 SDR 0 Não
1 sim
1 Dados I1 SDR ruins 0 Não
1 sim
2 Dados I2 SDR ruins 0 Não
1 sim
3 Dados I3 SDR ruins 0 Não
1 sim
4 Qualidade geral de AOT 0 Bom
1 Ruim
5 Dados de entrada AOT ausentes 0 Não
1 sim
6 Dados de entrada AM de terra inválidos 0 Válido
1 Entrada AM inválida sobre a terra ou sobre o oceano
7 Dados de entrada PW ausentes 0 Não
1 sim

Mapas de Cobertura

Mapas de cobertura indicando a disponibilidade de produtos eVIIRS NDVI estão disponíveis para download.

Informação adicional

Dados de acesso

Os produtos eVIIRS NDVI mantidos no arquivo USGS podem ser pesquisados ​​usando o EarthExplorer. No EarthExplorer, os produtos eVIIRS NDVI podem ser encontrados na categoria Monitoramento de Vegetação.


Fazendo NDVI quando os dados nir são fornecidos como 3 bandas - Sistemas de Informação Geográfica

O cálculo do Índice de Vegetação por Diferença Normalizada (NDVI), que está disponível em tempo real, vem primeiro. Além disso, o NDVI é frequentemente usado em todo o mundo para monitorar secas, prever a produção agrícola, auxiliar na previsão de zonas de fogo e mapas ofensivos do deserto. Aplicativos agrícolas, como o Monitoramento de Culturas, integram o NDVI para facilitar o reconhecimento de safras e dar precisão à aplicação de fertilizantes e irrigação, entre outras atividades de tratamento de campo, em estágios específicos de crescimento. O NDVI é preferível para o monitoramento global da vegetação, pois ajuda a compensar as mudanças nas condições de iluminação, inclinação da superfície, exposição e outros fatores externos.

NDVI é calculado de acordo com a fórmula:

NIR & # 8211 reflexão no espectro infravermelho próximo
Reflexo VERMELHO & # 8211 na faixa vermelha do espectro

Segundo essa fórmula, a densidade da vegetação (NDVI) em um determinado ponto da imagem é igual à diferença das intensidades da luz refletida na faixa do vermelho e do infravermelho dividida pela soma dessas intensidades.

Este índice define valores de -1,0 a 1,0, basicamente representando verdes, onde os valores negativos são formados principalmente por nuvens, água e neve, e valores próximos a zero são formados principalmente por rochas e solo descoberto. Valores muito pequenos (0,1 ou menos) da função NDVI correspondem a áreas vazias de rochas, areia ou neve. Valores moderados (de 0,2 a 0,3) representam arbustos e prados, enquanto valores altos (de 0,6 a 0,8) indicam florestas temperadas e tropicais. O monitoramento de safra utiliza com sucesso esta escala para mostrar aos agricultores quais partes de seus campos têm vegetação densa, moderada ou esparsa em um dado momento.

Simplificando, NDVI é uma medida do estado de saúde da planta com base em como a planta reflete a luz em certas frequências (algumas ondas são absorvidas e outras são refletidas).

A clorofila (um indicador de saúde) absorve fortemente a luz visível e a estrutura celular das folhas reflete fortemente a luz infravermelha próxima. Quando a planta fica desidratada, doente, com doenças, etc., a camada esponjosa se deteriora e a planta absorve mais luz infravermelha próxima, em vez de refleti-la. Assim, observar como o NIR muda em comparação com a luz vermelha fornece uma indicação precisa da presença de clorofila, que se correlaciona com a saúde da planta.

O monitoramento de safra é uma ferramenta perfeita para rastrear a saúde das safras no campo com a ajuda do NDVI medido em tempo real. Tudo o que você precisa fazer é adicionar seus campos ao sistema, personalizar as configurações do NDVI e começar a receber as notificações.

Ferramenta de análise de campos com acesso a imagens de satélite de alta resolução para identificação remota de áreas problemáticas!

O monitoramento de safra rastreia as mudanças no NDVI para campos individuais ao longo da temporada. Isso permite que você consulte a produtividade do campo histórico de até 5 anos anteriores. Você pode monitorar os padrões de rotação da cultura e as taxas de vegetação atuais. Com a ajuda de gráficos de fácil utilização, o aplicativo visualiza diferentes tipos de dados, incluindo índices de vegetação, temperatura, taxa de precipitação, estágios de crescimento, histórico de clima, entre outros. Outra característica importante, com base no cálculo das taxas de NDVI, o zoneamento permite identificar zonas de alta produtividade, bem como descobrir os pontos fracos do campo que requerem um tratamento especial. Cada zona, em cada estágio de crescimento, precisa de uma quantidade diferente de fertilizante e tratamento de irrigação (o último também é decidido com base nas taxas de precipitação), os quais podem ser ajustados manualmente no aplicativo com um alto grau de precisão. A agricultura de precisão, com base no NDVI, não termina aí, no entanto! O Crop Monitoring atualiza o scouting usando o NDVI para encontrar áreas problemáticas no campo e enviando os scouts diretamente para o local exato, economizando tempo e recursos. Os usuários também são notificados sempre que uma alteração anormal do valor de NDVI é detectada, permitindo que agricultores, comerciantes e seguradoras tomem decisões agrícolas bem informadas em tempo hábil.


1. Introdução

A água se estende por aproximadamente 71% da superfície terrestre e também é fundamental para a existência e sustentabilidade de organismos vivos na superfície terrestre 1. A água doce representa apenas 2,5% da água da Terra. Cerca de 0,3% da água doce é encontrada em rios, lagos e atmosfera 2. In general, the understanding of the water quality plays a critical role prior to utilize for various purposes including drinking 3 . In this paper, we opted to understand the surface water quality for the Bow River, which is a major river in the Canadian province of Alberta having a total length of 587 km, and a main source of drinking water for many communities of the province 4 .

The surface water quality of the Bow River is measured every month at three fixed sampling sites (i.e. Carseland, Cluny, and Ronalane) for different water quality variables using the traditional methods. In general, these methods provide accurate measurement. However, these may not be feasible means to sample the entire river due to the huge involvement of labor and cost. Currently, the measured data of water quality variables at the sampling sites of the Bow River are grouped into five classes (i.e. excellent, good, fair, marginal and poor) using the framework of Canadian Water Quality Index (CWQI: see details in Section 2.5) 5 . These classes are obtained on the basis of fixed-point locations, which do not represent the spatial dynamics of the entire river.

In another study, we classified the surface water quality of major rivers of Alberta on the basis of clusters. We observed higher (deteriorated water quality) clusters (i.e. 4 and 5) for the rivers during the growing season (April 1–September 30) as compared to lower clusters (i.e. 1, 2, and 3) in winter months (Oct 1–March 31). During the growing season, the snowmelt wash various materials from the land surface into the rivers due to anthropogenic activities related to different types of land use/cover. Turbidity was found to be a dominant parameter associated with the deterioration in water quality during the growing season 6 . On this basis, we considered turbidity separately besides CWQI in this study. For the Bow River, the turbidity is measured at fixed sampling location, which does not represent the mean turbidity for the whole water body 7 .

In order to address the spatial variability in water quality real time data, remote sensing-based methods were found to be alternative and efficient ones 8-10 . The remote sensing methods are suitable to analyze: (i) spatial variability over a large geographic area, (ii) temporal trends over certain periods of interests, and (iii) the conditions of the water bodies in remote areas. In remote sensing, optical remote sensors are used for monitoring the water quality-related variables. The most commonly used sensors include the use of Landsat-7 ETM 11, 12 , Landsat-5 TM 13, 14 , MODIS 15 , NOAA AVHRR 16 , and SPOT HVR 17 among others. In most of the instances, the spectral bands used in these studies included blue (B), green (G), red (R), and near infrared (NIR) 11-17 . The observed planetary reflectance from these bands was used to study water quality variables including suspended sediment, turbidity, Secchi disk depth, and chlorophyll-a 12, 13, 18, 19 .

In another study, we classified and analyzed the surface water quality for twelve major rivers of Alberta. We developed a surface water quality classification system using principal component analysis, total exceedance model and clustering technique. From principal component analysis, we identified seven major principal components, which were the indicators of watershed geology, mineralization, and anthropogenic activities related to land use/cover. The principal components were used to identify the dominant parameters. The normalized data of dominant parameters were used to develop a total exceedance model. The exceedance values were used to determine the patterns for the development of five clusters. The water quality deteriorates as the cluster number increased from cluster 1 to cluster 5. The clusters showed reasonably strong agreements (i.e. 80–90%) against the classes of CWQI. The dominant clusters during the growing and winter seasons were used for the spatial and temporal patterns of the surface water quality of rivers 6 .

In the present study, we have tested remote sensing-based methods for acquiring CWQI and turbidity classes for assessing both spatial and temporal dynamics of the Bow River. The specific objectives of this paper are to: (i) develop and evaluate remote sensing based models to acquire CWQI classes using the planetary reflectance of Landsat-5 TM and ground measured data, (ii) develop and evaluate remote sensing based models to retrieve turbidity using the planetary reflectance of Landsat-5 TM and in situ data, (iii) apply the selected models to classify the source waters of the Bow River into CWQI and turbidity classes for spatial and temporal analysis, and (iv) study the impact of natural sub-regions on Bow River water quality.


Landsat Enhanced Vegetation Index

This image displays a (left) Landsat 8 Surface Reflectance (SR) and (right) the SR-derived Enhanced Vegetation Index (EVI).

Landsat Surface Reflectance-derived Enhanced Vegetation Index (EVI) are available for Landsat 4–5 Thematic Mapper (TM), Landsat 7 Enhanced Thematic Mapper Plus (ETM+), and Landsat 8 Operational Land Imager (OLI)/Thermal Infrared Sensor (TIRS) scenes that can be successfully processed to Landsat Level-2 Surface Reflectance products.

EVI is similar to Normalized Difference Vegetation Index (NDVI) and can be used to quantify vegetation greenness. However, EVI corrects for some atmospheric conditions and canopy background noise and is more sensitive in areas with dense vegetation. It incorporates an “L” value to adjust for canopy background, “C” values as coefficients for atmospheric resistance, and values from the blue band (B). These enhancements allow for index calculation as a ratio between the R and NIR values, while reducing the background noise, atmospheric noise, and saturation in most cases.

EVI = G * ((NIR - R) / (NIR + C1 * R – C2 * B + L))

In Landsat 4-7, EVI = 2.5 * ((Band 4 – Band 3) / (Band 4 + 6 * Band 3 – 7.5 * Band 1 + 1)).

In Landsat 8, EVI = 2.5 * ((Band 5 – Band 4) / (Band 5 + 6 * Band 4 – 7.5 * Band 2 + 1)).

EVI is delivered as a single band product, specified as shown in the table below.


Evaluating the performance of vegetation indices for detecting oil pollution effects on vegetation using hyperspectral (Hyperion EO-1) and multispectral (Sentinel-2A) data in the Niger Delta

Nkeiruka N. Onyia , . Juan Carlos Berrío , in Hyperspectral Remote Sensing , 2020

19.2.8 Vegetation indices

VIs to detect canopy chlorophyll content and stress pigments were derived from the three datasets, namely HS, MS, and FS. The indices calculated include:

Normalized difference vegetation index (NDVI), which is a broadband greenness index computed from the Sentinel-2A image.

Red-edge normalized difference vegetation index (RENDVI), which is a narrowband equivalent of the NDVI. This index was computed using the Hyperion and FS datasets.

Red-edge position index (REP), which was manually computed as the maximum first derivative of reflectance at Hyperion wavelengths between 671 and 782 nm (Clark et al., 2010). It is a chlorophyll related index with reduced sensitivity to variations in leaf/canopy chlorophyll content as well as environmental conditions ( Gholizadeh et al., 2016 ).

Anthocyanin reflectance index 2 (ARI2), which was used to estimate the concentration of anthocyanins in the leaf canopy. This index is often used to detect plant stress.

Structural insensitive pigment index (SIPI), which maximizes sensitivity to carotenoids while minimizing sensitivity to variation in canopy structure ( Peñuelas et al., 1993 ). The index is commonly used for plant physiological stress detection.

ARI2 and SIPI are used to detect stressed and unhealthy vegetation due to their ability to respond to changes in plant physiological status. Past studies have shown that the reflectance at the absorption maxima of these pigments decreases in stressed vegetation ( Merzylak et al., 2008 ). These indices were automatically computed in ENVI 5.4 except the REP, which was calculated in Excel for HS and FS, and in SNAP for MS. The VIs, formulae, and references used in this study are shown in Table 19–3 .

Table 19–3 . Vegetation indices analyzed in this study with the formulae and references.

IndexFormulaReferências
Normalized difference vegetation index n − r n + r Pearson and Miller (1972)
Red-edge normalized difference vegetation index R 750 − R 705 R 705 + R 750 Gitelson and Merzlyak (1996)
Red-edge position index ( 705 + 35 ) [ ( ( R 783 − R 665 ) / 2 ) − R 705 R 740 − R 705 ] Gholizadeh et al. (2016)
REP for hyperspectral and fused images Eqs. (19.2) and (19.3) Savitzky (1964)
Anthocyanin reflectance index 2 R 800 ( 1 R 550 − 1 R 700 ) Gitelson et al. (2001)
Structure insensitive pigment index R 800 − R 445 R 800 − R 680 Peñuelas et al. (1995)

The computation of REP from the wavelengths of the HS and FS images was manually performed in Excel using the formula proposed by Savitzky (1964) as shown here:

Onde Reu is the reflectance at Yeu Rj is the reflectance at Yj Yeu is the wavelength at the start of the slope segment Yj is the wavelength at the end of the slope segment.


Assista o vídeo: NDVI Nedir ve Nasıl Oluşturulur (Outubro 2021).