Альтернативні показники рослинності

16

Я використовую NDVI з обмеженим успіхом для ідентифікації дерев у центральному регіоні Великих рівнин США. Проблема, з якою я стикався, полягає в тому, що відбиття від полів / пасовищ ферм має по суті такий же спектральний підпис, що і дерева, які я визначаю. Чи є індекс вегетації, який можна генерувати за допомогою 4-діапазонних зображень NAIP, які можуть зробити кращу роботу при виділенні деревного покриву, змішаного в усіх сільськогосподарських районах? Можливо, крок до / після обробки може виявитися найбільш ефективним?

Приклад NDVI

— Аарон
джерело

Чи є один із гуртів поблизу Infra Red?

— Якуб Сисак GeoGraphics

Так, смуга 4 = NIR для зображень NAIP.

— Аарон

Як виглядає зображення під час використання NIR? Чи не допоможе це краще ізолювати покрив дерева? Хоча рослинність буде червоною, я вважаю, що часто простіше помітити різні візерунки. Чи можете ви розмістити те саме зображення в NIR? Це ручний процес чи ви запускаєте зображення через якийсь тип алгоритму, який ідентифікує дерева?

— Jakub Sisak GeoGraphics

@Jakub: Я використовую автоматизований процес, який ідентифікує дерева на основі об'єктно-орієнтованого алгоритму. Вибачте, я забув, яке зображення було використано для прикладу, однак базовим зображенням є стандартний 4-діапазонний NAIP з NIR та RGB.

— Аарон

8

Я широко використовував дані Enhanced Vegetation Index (EVI) для аналізу сільськогосподарських площ. Хоча я ніколи не використовував його для зображень NAIP, все, що вам потрібно, - це червоний, синій та ІЧ-дані.

Для ваших цілей найбільшою перевагою EVI є те, що він не «насичується» так легко, як NDVI - він пропонує більше контрасту (динамічний діапазон) при дослідженні високорослинних площ, таких як оброблювані сільськогосподарські поля. Вигода полягає в тому, що контраст між районами з низьким рівнем споживання (наприклад, пустелями чи попадами поля) та оброблюваними територіями не настільки великий. Але для ваших цілей це не має значення.

У цій гістограмі даних NDVI ви можете бачити, як більшість сільськогосподарських пікселів знаходяться в правому кінці розподілу. Існує багато динамічного діапазону між 0 і 0,5, який витрачається даремно. Це схоже на фотографування з неправильно відрегульованими рівнями. Твій деревний покрив та сільськогосподарські поля, ймовірно, і в цьому горбі, але оскільки все стиснене в одному маленькому регіоні, вони виглядають сірим кольором.

Гістограма NDVI

NDVI

У цій гістограмі точно такої ж площі, але обчисленій за EVI, ви можете бачити, наскільки розподіл рівномірніше. Невідповідність інтенсивності та покриття рослинного покриву представлена більш широким числом значень, що полегшує проведення класифікацій. Це зробить ваші дерева та сільськогосподарські поля більш розрізненими відтінками сірого.

Гістограма EVI

EVI

— dmahr
джерело

3

@Aaron Ви можете використовувати що завгодно: ENVI, IDL, ArcGIS, NumPy, MATLAB тощо. Обчислення EVI не є особливо складною формулою, рівняння знаходиться на сторінці Вікіпедії . Вам просто потрібно використовувати червону, синю та ІЧ-смугу, і тоді це просто підключення та підключення.

— dmahr

@Aaron Чи EVI закінчив працювати над завданням ідентифікації дерева?

— dmahr

EVI, які були створені з одного набору зображень на ніпі, працювали фантастично. Як не дивно, але EVI, отриманий за допомогою ніпових зображень інших держав, призвів до солі та перцю. Знову дякую.

— Аарон

@Aaron Проблема солі та перцю може бути пов'язана з різними маркуваннями в групах. Усі рослинні індекси використовують "червоний край" вегетації в ближній довжині інфрачервоної хвилі.

— dmahr

2

Ось вислів растрової алгебри, який отримає вам EVI.

(("band4" - "Band1") / ("Band4" + 6 * "Band1" - 7,5 * "Band3" + 1)) * 2,5

— Джефрі Еванс
джерело

1

Я думаю, що для ArcGIS вам знадобиться оператор Float, щоб переконатися, що результати зберігаються з плаваючою точкою. (Float ("band4" - "Band1") / Float ("Band4" + 6 * "Band1" - 7.5 * "Band3" + 1)) * 2.5

— Jeffrey Evans

2

Чи маєте ви доступ до іншого зображення з того ж року, але з посиланням на інший етап зрілості? Уявіть, що ваш образ починається з весни, якщо ви будете мати зображення з кінця літа, ви отримаєте зміни в урожаях, які допоможуть відрізнити сільське господарство від лісу.

У будь-якому випадку у вас є багато варіантів індексів рослинності,

найпоширеніші:

NDVI
EVI

менш поширений:

Перпендикулярний індекс рослинності ґрунт
Коригуваний індекс вегетації
Атмосферно стійкий індекс вегетації
Глобальний індекс моніторингу навколишнього середовища

— васкобнуси
джерело

Дякую за відповідь. На жаль, ці набори даних доступні лише в середині вегетаційного періоду. Я досліджую з деяким початковим успіхом, використовуючи EVI.

— Аарон

-1

NDVI та EVI - найкращі показники для таких завдань. Однак ви можете експериментувати з іншими індексами за замовчуванням у LandViewer або створити будь-який власний індекс за допомогою вбудованого калькулятора. Приклад такого аналізу можна побачити тут:

— Geowiz
джерело

Уникайте відвертої самореклами. Громада схильна голосувати за відверту саморекламу та позначає це як спам. Опублікуйте хороші відповідні відповіді, і якщо деякі (але не всі) трапляються щодо вашого продукту чи веб-сайту, це добре. Однак ви повинні розкрити свою приналежність у своїх відповідях.] ( Genealogy.stackexchange.com/help/behavior ). На практиці це означає, що будь-яка відповідь, яка рекомендує ваш власний продукт, повинна містити щось на кшталт " Розкриття інформації: Я - [позиція] [компанії], яка розробляє / поширює це програмне забезпечення / тест".

— PolyGeo