超越 NDVI:什么是植被指数,它们如何用于精准农业?

农民和农艺师往往是非常务实、亲力亲为的人。最重要的是,他们想要的是充分了解他们田地里的情况:是否有任何疾病影响他们的植物?植物是否充分浇水?他们施肥是否有效且高效?如果种植者正在处理一个占地数十公顷的区域,仅靠实地考察和地面传感器很难跟踪相关细节。

这就是植被指数的用武之地。植被指数是一种遥感技术,可用于识别植被并测量其健康和活力——它们正成为作物发展分析中越来越重要的参数,能够在地方、区域、全国乃至全球层面。在最大规模上,植被指数可能显示出影响政策的全球趋势,为全球援助支持提供信息并帮助应对粮食供应挑战,而在最局部的层面上,它们可以为个体种植者提供详细数据,以帮助更好地了解田地特定部分甚至特定植物的健康状况。

植被指数如何运作?

可见光——从物体反射并使我们能够用肉眼看到它们的光——是电磁波谱的一部分;具体来说,波长在 400-700nm 之间。可见光两侧的波长是紫外线 (UV) 和红外线。

植物吸收了一些这种光,并通过光合作用过程利用它来生长。植被指数通过分析未被吸收但从叶子反射的光来工作,使用此信息来检测植物并评估它们的状况。从广义上讲,健康的植物(富含叶绿素的植物)比叶子受压或枯死的植物反射更多的近红外 (NIR) 和绿光。

这个概念本身很简单,素食指数的输出相对容易解释:通常,它将以热图的形式呈现,其中绿色表示健康的植被,红色表示较不健康的植物。这种易用性是植被指数在农业中如此广泛使用的原因之一。

NDVI:半个世纪的植被分析

最著名的植被指数是归一化差异植被指数 (NDVI)。该技术开发于 1970 年代,利用了当时地球观测数据的突破:Landsat-1 提供的多光谱数据。尽管有 50 年的历史,NDVI 在过去十年中经历了繁荣,这是由于开放卫星数据的可用性增加——包括从 2014 年开始的哨兵星座——以及无人机技术的日益普及,结合了地球观测的民主化。

具体来说,NDVI 通过比较红光和 NIR 光来确定叶子中叶绿素的数量。最初,它仅用于检测植被的存在——NDVI 仍然是使用遥感多光谱数据检测植物冠层的最广泛使用的指标之一——但该技术很快被用于量化“光合能力”,这是植物生长的关键指标植物健康。

NDVI 的主要缺点是该指数相对较快地达到高“饱和度”——实际上,一旦田地被健康、反光的叶子覆盖,NDVI 就会处于非常高的水平。这自然使它成为植物健康和生物量的良好指标,但在生长季节早期的警告信号和季节后期的植被变化方面,它缺乏微妙之处。

超越 NDVI

鉴于 NDVI 的局限性,并且为了避免对结果的误解,在线农业平台为农学家提供了范围广泛的其他植被指数以补充 NDVI。一些最受欢迎的包括:

改良土壤调整植被指数 (MSAVI)

MSAVI 是土壤调整植被指数 (SAVI) 的变体。这两个指数都旨在减轻土壤对光分析的影响,使它们在裸土比例高、植被稀少或叶绿素含量低的情况下更加敏感——在所有这些情况下,NDVI 都难以提供准确的测量值。因此,MSAVI 对于监测播种后头几个月的作物最为有用。

归一化差异红边 (NDRE)

NDRE 是另一个流行的植被指数,它通过分析“红边”光——红色变为 NIR 的可见光谱的窄带来工作。它对叶绿素含量、叶面积的变化以及背景中土壤的影响特别敏感。它可以测量穿透到冠层下部的 NIR 光,因此非常适合分析中后期作物的健康和活力,此时叶​​片已经积累了高水平的叶绿素。NDRE 也非常有助于确定作物的相对氮含量,而与土壤中的氮含量无关。

冠层叶绿素含量指数 (CCCI)

CCCI 分析反射红光、红边和 NIR 光的相对水平,并用于估计氮的含量——叶绿素的关键成分。通过将 CCCI 与作物组织样本相关联,农民能够准确估计整个田地的氮 (N) 变化。与其他指数相比,这种方法可以在生长季节更早地提供有关氮水平的信息,从而帮助种植者更精确、更高效地施肥。

每个植被指数都有不同的敏感性,因此应在生长周期的不同阶段应用:快速增长期的NDVI;然后在叶覆盖更充分的后期进行 NDRE。然后,随着树叶减少和作物过渡到“衰老”,返回 NDVI 并最终再次返回 MSAVI 可能很有用。

农民在实践中如何使用植被指数?

上述工具只是众多植被指数中的一小部分,这些指数可以帮助农民了解作物或土壤的不同参数,包括氮变化、水分含量等。农民可以通过农场管理平台、GIS 工具或卫星数据和算法市场(如 UP42)访问和计算这些指数,其中有多个复杂的植被指数,如NDVINDWI(归一化水差指数)EVIMSI(水分胁迫指数)都可用。

然而,植被指数的日益普及也可能导致一种误解,即反射率值是衡量植被健康的决定性指标。事实并非如此,研究人员热衷于指出植被指数是一种定性测量,而不是定量测量。此外,相似的输出对于两个不同的领域可能意味着完全不同的事情。

因此,数据驱动的农场应该使用多个指数来分析作物在整个季节的表现,而与其他数据来源的整合是避免误解的关键。只有应用了这些额外的数据层,才能理解植被指数的真正含义。一个例子可能是一个字段,其中 NDVI 指示两个不同区域的表现不佳。在没有额外数据的情况下,可能会假设这两个地区的原因是相同的。然而,其他数据源可以揭示不同的问题,包括侵蚀、水分或养分含量。

幸运的是,农民和农艺师传统上非常规避风险。他们知道,一个糟糕的决定会对产量产生毁灭性的影响。因此,大多数农学家——那些进步到足以使用植被指数的人——不会隐含地相信数据本身。他们将亲自验证数据,亲自前往实地检查这些区域,并将卫星数据与其他数据层(包括土壤样本和高程数据)叠加。

事实上,了解如何解释和应用数据通常比用于捕捉数据的相机类型更重要。当然,植被指数并没有消除农艺师的工作,因为解释数据的最重要因素是了解植物本身的生理机能。植被指数是无用的,除非它们被了解数据、植物、土壤和更广泛环境的人使用。

植被指数的下一步是什么?

研究人员、数据科学家和农学家一直在寻找新的公式,以提供有关作物性能的急需信息。在某些情况下,农民甚至希望创建自己的自定义指数,一些公司已经提供了满足这种需求的指数计算器。如果某人对其植物的生理学和数据都有透彻的了解,他们可以自定义一个索引来回答他们的特定问题。

合成孔径雷达 (SAR) 也有可能被开采。SAR 为农业行业所熟知,并因其穿透云层的能力而受到欢迎,但目前它的使用范围相当广泛。它可以提供来自叶冠下方的数据这一事实为更具体的指数带来了巨大希望。

最后,无人机行业可以提供不同的视角,因为图像是从更靠近地面的地方捕获的,需要应对的大气因素更少。因此,需要的预处理和校正更少,图像分辨率更高,这意味着无人机数据有可能用于更准确地计算“绝对”反射率值,所有“相对”指数都可以从中计算出来。此外,厘米级分辨率意味着可以更详细地观察和计算它,即使对于单个植物也是如此。

有趣的是,具有 30 厘米 GSD 的 Pléiades Neo等超高分辨率卫星数据也为分析单个植物的状况提供了广泛的可能性。此类数据对葡萄园和橄榄园等高价值作物特别有用,这些作物现在正面临越来越多的干旱挑战,因此农民需要以更有效的方式利用水资源。

将这种针对性极强的信息与来自开放卫星图像的更通用的概览相结合,很可能会为农民提供他们所寻求的完美数据组合。随着 UP42 等易于使用的市场上开放和商业卫星数据的广泛可用性,此类场景变得越来越可行。

植被指数——现代数字化农场的重要组成部分

农业行业可以使用整个世界的植被指数,远远超出 NDVI。在实践中,即使是常规的 RGB 或真彩色地图也会为农学家提供高度相关的信息——而且 NDVI 和 RGB 数据之间通常存在明显的相关性。每个额外的数据源都可以成为农艺师工具箱中的另一个强大工具,帮助他们在农场做出明智的决策。

但是,植被指数不是绝对值;它们是植物健康状况的指标。要真正了解这些信息并将其用于更详细的作物表现分析,农民应将植被指数与其他数据层(包括高程模型和土壤样本)结合起来。当然,为了最有效地利用植被指数,农场需要已经实现数字化运营——这意味着全面使用农场管理软件、可变喷洒机和数字化流程。

You may also like...