Indeks vegetasi alternatif


16

Saya telah menggunakan NDVI dengan keberhasilan terbatas untuk mengidentifikasi pohon di wilayah pusat Great Plains, AS. Masalah yang saya temui adalah bahwa pantulan dari ladang / padang rumput pada dasarnya memiliki tanda spektral yang sama dengan pohon yang saya identifikasi. Apakah ada indeks vegetasi yang dapat dihasilkan dari citra NAIP 4-band yang dapat melakukan pekerjaan yang lebih baik dalam mengisolasi tutupan pohon yang dicampur di seluruh wilayah pertanian? Mungkin langkah pra / pasca pemrosesan mungkin paling efektif?

Contoh NDVI


Apakah salah satu band di dekat Infra Red?
Jakub Sisak GeoGraphics

Ya, band 4 = NIR untuk citra NAIP.
Aaron

Seperti apa gambar itu ketika Anda menggunakan NIR? Apakah ini tidak membantu mengisolasi tutupan pohon dengan lebih baik? Meskipun vegetasi akan tampak merah, saya menemukan bahwa seringkali lebih mudah untuk menemukan pola yang berbeda. Bisakah Anda memposting gambar yang sama di NIR? Apakah ini proses manual atau Anda menjalankan pencitraan melalui beberapa jenis algoritma yang mengidentifikasi pohon?
Jakub Sisak GeoGraphics

@ Yakub: Saya menggunakan proses otomatis yang mengidentifikasi pohon berdasarkan pada algoritma berorientasi objek. Maaf saya lupa gambar mana yang digunakan untuk contoh, namun, citra dasar adalah standar 4-band NAIP dengan NIR dan RGB.
Aaron

Jawaban:


8

Saya telah menggunakan data Enhanced Vegetation Index (EVI) secara luas untuk menganalisis area pertanian. Meskipun saya belum pernah menggunakannya dengan pencitraan NAIP, yang Anda butuhkan hanyalah data merah, biru, dan IR.

Untuk tujuan Anda, keuntungan terbesar EVI adalah bahwa ia tidak "jenuh" semudah NDVI - ia menawarkan lebih banyak kontras (rentang dinamis) ketika memeriksa area yang sangat bervegetasi seperti ladang pertanian yang dibudidayakan. Imbalannya adalah bahwa kontras antara daerah EVI rendah (seperti padang pasir atau ladang kosong) dan daerah budidaya tidak begitu besar. Tetapi untuk tujuan Anda, ini tidak masalah.

Dalam histogram data NDVI ini, Anda dapat melihat bagaimana sebagian besar piksel pertanian berada di ujung kanan distribusi. Ada banyak rentang dinamis antara 0 dan 0,5 yang terbuang sia-sia. Ini mirip dengan memiliki foto dengan tingkat penyesuaian yang tidak benar. Tutupan pohon dan ladang pertanian Anda mungkin sama-sama berada di punuk itu, tetapi karena itu semua dikompresi menjadi satu wilayah kecil mereka terlihat warna abu-abu yang sama.

NDVI histogram

NDVI

Dalam histogram ini dari area yang sama persis tetapi dihitung dengan EVI, Anda dapat melihat bagaimana distribusinya lebih merata. Perbedaan dalam intensitas dan cakupan vegetasi diwakili oleh petak nilai yang lebih luas, sehingga memudahkan untuk melakukan klasifikasi. Ini akan membuat pohon dan ladang pertanian Anda memiliki nuansa abu-abu yang lebih berbeda.

EVI histogram

EVI


3
@ Harun Anda dapat menggunakan apa saja: ENVI, IDL, ArcGIS, NumPy, MATLAB, dll. Menghitung EVI bukanlah formula yang rumit, persamaannya ada di halaman Wikipedia . Anda hanya perlu menggunakan band merah, biru, dan IR dan kemudian hanya plug-and-chug.
dmahr

@ Harun Apakah EVI akhirnya bekerja untuk tugas identifikasi pohon?
dmahr

EVI yang dihasilkan dari satu set citra naip bekerja secara fantastis. Anehnya, EVI yang dihasilkan dari citra naip negara yang berbeda menghasilkan garam dan lada. Terima kasih lagi.
Aaron

@ Harun Masalah garam dan merica bisa jadi karena pelabelan yang berbeda pada pita. Semua indeks vegetasi menggunakan "tepi merah" vegetasi dalam panjang gelombang inframerah dekat.
dmahr

2

Berikut ini adalah pernyataan aljabar raster yang akan memberi Anda EVI.

(("band4" - "Band1") / ("Band4" + 6 * "Band1" - 7,5 * "Band3" + 1)) * 2.5


1
Saya berpikir bahwa untuk ArcGIS Anda akan memerlukan pernyataan Float untuk memastikan bahwa hasilnya tetap mengambang. (Float ("band4" - "Band1") / Float ("Band4" + 6 * "Band1" - 7.5 * "Band3" + 1)) * 2.5
Jeffrey Evans

2

Apakah Anda memiliki akses ke gambar lain dari tahun yang sama tetapi dirujuk ke tahap jatuh tempo yang berbeda? Bayangkan gambar Anda berasal dari musim semi, jika Anda memiliki gambar dari akhir musim panas, Anda akan mendapatkan perubahan pada tanaman dan itu akan membantu membedakan Pertanian dari Hutan.

Lagi pula Anda memiliki banyak pilihan indeks Vegetasi,

paling umum adalah:

kurang umum:

  • Indeks Vegetasi tegak lurus Tanah
  • Indeks Vegetasi yang Disesuaikan
  • Indeks Vegetasi yang Tahan Atmosfer
  • Indeks Pemantauan Lingkungan Global

Terima kasih balasannya. Sayangnya, kumpulan data ini hanya tersedia di tengah musim tanam. Saya menjelajahi, dengan beberapa keberhasilan awal, menggunakan EVI.
Aaron

-1

NDVI dan EVI adalah indeks terbaik untuk tugas-tugas tersebut. Namun, Anda dapat bereksperimen dengan indeks default lainnya di LandViewer atau membuat indeks Anda sendiri melalui kalkulator bawaan . Contoh analisis tersebut dapat dilihat di sini:

masukkan deskripsi gambar di sini


Hindari promosi diri yang terang-terangan. Komunitas cenderung memilih promosi diri terbuka dan menandainya sebagai spam. Posting jawaban yang baik dan relevan, dan jika beberapa (tetapi tidak semua) kebetulan mengenai produk atau situs web Anda, tidak apa-apa. Namun, Anda harus mengungkapkan afiliasi Anda dalam jawaban Anda.] ( Genealogy.stackexchange.com/help/behavior ). Dalam praktiknya ini berarti setiap jawaban yang merekomendasikan produk Anda sendiri harus mencakup sesuatu seperti " Pengungkapan: Saya adalah [posisi] dari [perusahaan] yang mengembangkan / mendistribusikan perangkat lunak / uji ini".
PolyGeo
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.