Нормализованный относительный индекс растительности. Простой количественный показатель количества фотосинтетически активной биомассы (обычно называемый вегетационным индексом).
Рассчитывается по формуле:
где,
NIR - спектральный индекс отражения в ближней инфракрасной области спектра,
RED - отражение в красной области спектра.
Индекс был впервые описан B. J. Rouse в 1973 году [1]. Показатели индекса меняются в зависимости от плотности (сомкнутости) растительного полога и насыщенности растений хлорофиллом [2].
То есть, чем больше в растении накоплено хлорофилла и плотнее биомасса, тем более насыщенный зеленый цвет отображает растительный покров, который фиксируется с помощью ДДЗ. Когда растительного покрова на поверхности земли нет (например, зимой, в пустыне и на других, лишенных растительного покрова территориях), значения индекса NDVI минимальны. Показатель индекса возрастает с началом вегетации растений, а летом отмечается как максимальный. Кроме того, вегетационный индекс отличается особой периодичностью, однако цикл этой периодичности и максимум нарастания индекса до сих пор однозначно не оценен для конкретных территорий [3]. По мимо этого, на значения индекса оказывают влияние экспозиция склонов и угол наклона поверхности, цвет почвы под разреженной растительностью [4].
На основе NDVI был разработан усовершенствованный вегетационный индекс EVI (Enhanced vegetation index). Индекс использует синюю область отражения для коррекции фоновых сигналов почвы и уменьшения атмосферных воздействий, в том числе аэрозольного рассеяния. Впервые индекс был введен Liu и Huete в 1995 году. Яркие объекты, такие как облака и белые здания, наряду с темными объектами, такими как вода, могут привести к аномальным значениям пикселей в изображении EVI.
Используется для оценки изменчивости развития культур как в условиях густого растительного покрова, так и в условиях разреженной растительности.
Формула:
где,
– спектральная яркость поверхности в синем диапазоне,
– поправочный коэффициент, учитывающий влияние почвы;
и – коэффициенты, контролирующие вклад голубой зоны спектра в коррекцию красной за рассеяние атмосферными аэрозолями.
Эмпирически установленные значения коэффициентов , и 6.0, 7,5 и 1.0 соответственно.
Согласно источнику [5], сезонная динамика значений индекса имеет общие черты в разных типах ландшафтов, специфические особенности хода значений EVI определяются географическим положением территории, типом хозяйственного использования и метеорологическими особенностями года.
В работе Garroutte, E.L.; Hansen, A.J.; Lawrence, R.L.[6] индексы NDVI и EVI были использованы в качестве косвенного показателя биомассы и качества корма, доступного травоядным животным. Линейные модели NDVI и EVI объяснили половину вариации биомассы пастбищ (R2 = 0,42–0,53).
Нормализованный разностный индекс влагосодержания, чувствителен к изменению содержания воды в листьях.Впервые был описан Gao в 1996 году [7].
Формула:
где
𝑝𝑛𝑖𝑟, 𝑝𝑠𝑤𝑖𝑟 соответственно значения функций отраженных сигналов от подстилающей поверхности, в ближнем и среднем ИК каналах.
Средняя ИК зона спектра отражает изменения влагосодержания растения, а также изменения структуры полога насаждения и структуры листьев, в то время как отражение в ближнем ИК зоне спектра зависит от внутренней структуры листа и не зависит от насыщенности его влагой. Таким образом, совместное использование данных измерений в этих двух областях спектра повышает точность оценки влагосодержания растения, компенсируя влияние, оказываемое структурой листа [8].
В работе [9] выявлена взаимосвязь индекса вегетационной активности (индекс NDVI) с влажностным индексом растительности (индекс NDMI) и водным индексом почвы (индекс NDWI) на примере посевов яровой пшеницы и гороха разных сортов в разные фазы роста и развития.
Индекс голой почвы, сформулированный на информации в среднем инфракрасном диапазоне на основе логики высокой взаимности между состоянием голой почвы и состоянием растительности. Впервые введен Rikimaru и др.[10] для мониторинга состояния лесов.
Формула:
Индекс объединяет синий, красный, ближний инфракрасный (NIR) и коротковолновый инфракрасный (SWIR) диапазоны для захвата изменений почвы.
Эффективность индекса голой почвы зависит от состава почвы, влажности почвы и даже от окружающего зеленого покрова. В работе [11] показано, что модифицированный индекс BSI (DBSI – dry bare soil index) имеет высокую точность в Эрбиле (Ирак), но является неподходящим индикатором для картирования голости. в тропических муссонных регионах.
Радарный индекс растительности. Индекс использует измеренные линейные интенсивности рассеяния от ко- и кросс-поляризации и нормализуется в идеальном диапазоне от 0 до 1, увеличиваясь с растительным покровом.RVI определяется через значение коэффициента обратного рассеяния (𝜎0, [dB]), принимаемого радиолокатором сигнала от объектов на земной поверхности. На входе используются данные изображений в проекции наклонной дальности, уровня обработки Level-1 GRD (Ground Range Detected). Разработан Kim, Y.; van Zyl, J.J.[12].
Индекс RVI для данных FP SAR рассчитывается по формуле:
где HH, VV и HV являются коэффициентами обратного рассеяния.
Позднее Шарбонно и др. [13] сократили эту формулировку для данных двойной поляриметрии (DP) SAR.
Однако уравнение RVI для данных DP SAR было сформулировано с использованием коэффициентов обратного рассеяния HH и HV.
RVI для этих данных DP SAR было задано как:
Для данных Sentinel-1 SAR:
RVI определяется через значение коэффициента обратного рассеяния (𝜎0, [dB]), принимаемого радиолокатором сигнала от объектов на земной поверхности. На входе используются данные изображений в проекции наклонной дальности, уровня обработки Level-1 GRD (Ground Range Detected). Во многих исследованиях показана высокая чувствительность 𝜎0 к динамике роста растений [14].
RVI меняется от 0 (гладкая голая почва) до 1 в процессе роста растительности и является мерой объемного рассеяния. RVI коррелирует с VWC (Volumetric Water Content), LAI (Leaf Area Index) и NDVI (Normalized Difference Vegetation Index) и слабо чувствителен к природным условиям [15].
Rouse B. J., Birnbaum, M. H. Impression formation: Datability as a function of face, figure, and personality//WPA, Anaheim, CA, April, 1973. ↩︎
Катаев М.Ю., Беккеров А.А., Лукьянов А.К. Mетодика выравнивания временных рядов вегетационного индекса NDVI, полученных по данным спектрорадиометра MODIS// Доклады ТУСУРа. - 2011. - Т. 19. - № 1. - С. 36-39. ↩︎
Комаров А. А. Оценка состояния травостоя c помощью вегетационного индекса NDVI //Известия Санкт-Петербургского государственного аграрного университета. – 2018. – №. 2 (51). – С. 124-129. ↩︎
Ботвич И. Ю. и др. Сезонная динамика растительности залежных земель Красноярской лесостепи по наземным и спутниковым данным //Исследование Земли из космоса. – 2018. – №. 6. – С. 39-51. ↩︎
Лобанов Г. В. и др. Пространственно временная динамика вегетационного индекса EVI (Enhanced Vegetation Index) в разных типах ландшафтов Брянской области //Ежегодник НИИ фундаментальных и прикладных исследований. – 2012. – №. 3. – С. 46-52. ↩︎
Garroutte, E.L.; Hansen, A.J.; Lawrence, R.L. Using NDVI and EVI to Map Spatiotemporal Variation in the Biomass and Quality of Forage for Migratory Elk in the Greater Yellowstone Ecosystem. Remote Sens. 2016, 8, 404. https://doi.org/10.3390/rs8050404. ↩︎
Gao B. C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space //Remote sensing of environment. – 1996. – Т. 58. – №. 3. – С. 257-266. ↩︎
Мунзер Нур. Разработка методики применения данных космических съемок для мониторинга лесов: автореферат дис. …канд. техн. наук: Спец. 25.00.34 «Аэрокосмические исследования Земли, фотограмметрия» / Мунзер Нур. М., 2021. 24 с. ↩︎
Курмашева Н.Г., Авсахов Ф.Ф., Иргалина Р.Ш., Ягафаров Р.Г. Агроэкологическая оценка зависимости вегетационной активности посевов. https://agroecoinfo.ru/STATYI/2024/5/st_520.pdf. ↩︎
Rikimaru A. et al. Tropical forest cover density mapping //Tropical ecology. – 2002. – Т. 43. – №. 1. – С. 39-47. ↩︎
Nguyen, C.T.; Chidthaisong, A.; Kieu Diem, P.; Huo, L.-Z. A Modified Bare Soil Index to Identify Bare Land Features during Agricultural Fallow-Period in Southeast Asia Using Landsat 8. Land 2021, 10, 231. https://doi.org/10.3390/land10030231. ↩︎
Kim, Y.; van Zyl, J.J. A Time-Series Approach to Estimate Soil Moisture Using Polarimetric Radar Data. IEEE Trans. Geosci. Remote Sens. 2009, 47, 2519–2527. ↩︎
Charbonneau, F.; Trudel, M.; Fernandes, R. Use of Dual Polarization and Multi-Incidence SAR for soil permeability mapping. In Proceedings of the 2005 Advanced Synthetic Aperture Radar (ASAR) Workshop, St-Hubert, QC, Canada, 15–17 November 2005. ↩︎
Дубровин К. Н. и др. Идентификация сельскохозяйственных культур с использованием радарных изображений //Информатика и автоматизация. – 2022. – Т. 21. – №. 2. – С. 405-426. ↩︎
Kim, van Zyl, 2009) (Родионова Н. В., Вахнина И. Л., Желибо Т. В. Оценка динамики послепожарного состояния растительности на территории Ивано-Арахлейского природного парка (Забайкальский край) по радарным и оптическим данным спутников SENTINEL-1/2 //Исследование Земли из космоса. – 2020. – №. 3. – С. 14-25. ↩︎