Что такое NDVI и другие ключевые спектральные индексы?

Что, если бы мы могли оценивать состояние растений, выявлять дефицит воды или контролировать городскую жару, просто наблюдая за светом, который мы даже не видим? Благодаря дистанционному зондированию и спектральным индексам, таким как NDVI, это возможно.

Эти индексы позволяют учёным, фермерам и специалистам по охране природы контролировать поверхность Земли с помощью спутниковых снимков, выявляя закономерности, невидимые человеческому глазу. В этой статье объясняется, что такое спектральные индексы, как они работают, где получить данные и как начать их использовать.

Спектральные, мультиспектральные и гиперспектральные данные: в чём разница?

Не все спутниковые датчики воспринимают Землю одинаково. Некоторые регистрируют лишь несколько широких участков спектра, в то время как другие регистрируют сотни узких полос. Это различие — спектральные, мультиспектральные и гиперспектральные данные — определяет, насколько подробно мы можем извлечь информацию о растительности, воде, почве или городских территориях.

Где взять данные

Для расчета спектральных индексов требуются мультиспектральные изображения, которые широко доступны бесплатно.

Инструменты для вычисления спектральных индексов
Инструменты рабочего стола

·         QGIS
o   Плагин: Модуль полуавтоматической классификации (SCP)
o   Позволяет рассчитывать NDVI по данным Sentinel и Landsat
·         SNAP Toolbox
o   Идеально подходит для обработки Sentinel-1 и Sentinel-2
o   Встроенные модули NDVI и NDWI

Python (для автоматизации и крупномасштабного анализа)

·         rasterio – для обработки растров
·         earthpy – построение графиков и расчет индексов
·         spyndex – большой набор готовых к использованию индексов
·         geemap – визуализация в Google Earth Engine

Облачные платформы

·         Google Earth Engine
o   Платформа на основе кода для расчета NDVI и других данных
o   Поддержка больших архивов (MODIS, Sentinel, Landsat)

Пример: Использование нескольких индексов для классификации растительного покрова

Область интереса (AOI): Мадрид, Испания

В данном примере мы рассматриваем, как можно объединить несколько индексов растительности и застройки для классификации земельного покрова в столичном регионе Мадрида, Испания. Используемые индексы включают в себя нормализованный индекс разности растительности (NDVI), расширенный индекс растительности (EVI) и нормализованный индекс разности застройки (NDBI). Каждый индекс выделяет различные характеристики земельного покрова и при совместном использовании обеспечивает основу для классификации земельного покрова.

Например, NDVI измеряет состояние растительности, сравнивая коэффициенты отражения в ближнем инфракрасном и красном диапазонах. Высокие значения NDVI указывают на густую, здоровую растительность. EVI: Аналогичен NDVI, но оптимизирован для снижения влияния атмосферного и почвенного фона, обеспечивая повышенную чувствительность в регионах с высокой биомассой. NDBI: Выделяет застроенные или городские территории, сравнивая коротковолновый инфракрасный и ближний инфракрасный диапазоны.

Визуализация данных с помощью карт и гистограмм

Для анализа пространственных закономерностей и распределения значений в пределах области интереса мы создаём карты и гистограммы для каждого индекса.
·         Карты обеспечивают пространственное представление, позволяя нам увидеть, где преобладает растительность, городские территории или водоёмы.

·         Гистограммы — это графические диаграммы, отображающие распределение частот значений пикселей для каждого индекса в области интереса. Эта статистическая визуализация помогает определить диапазон и общие значения в данных, облегчая выбор пороговых значений для классификации.

Интерактивная функция для настройки пороговых значений

Был разработан интерактивный инструмент для экспериментов с различными пороговыми значениями для NDVI, EVI и NDBI. Этот интерфейс позволяет пользователям настраивать ползунки, соответствующие пороговому значению классификации каждого индекса, и мгновенно визуализировать влияние на карты растительного покрова. Тестируя различные комбинации, пользователи могут оптимизировать схему классификации для наилучшего отражения реальных особенностей растительного покрова.

Этот подход иллюстрирует применение индексов в стандартном рабочем процессе дистанционного зондирования, в частности, на этапе классификации.

Подводя итог, можно сказать, что спектральные индексы, такие как NDVI, являются мощными, масштабируемыми и зачастую бесплатными инструментами. Благодаря открытым спутниковым платформам, общедоступным архивам данных и инструментам, таким как QGIS или Earth Engine, каждый может получить доступ к скрытой информации — от мониторинга обезлесения до обнаружения водных ресурсов и многого другого.