ดัชนีพืชพรรณความแตกต่างปกติ

ดัชนีพืชพรรณความแตกต่างแบบนอร์มาไลซ์ ( NDVI ) เป็นตัวชี้วัดที่ใช้กันอย่างแพร่หลายในการประเมินสุขภาพและความหนาแน่นของพืชพรรณโดยใช้ข้อมูลจากเซ็นเซอร์ โดยคำนวณจากข้อมูลสเปกตรัมในสองช่วงคลื่นเฉพาะ ได้แก่ สีแดงและอินฟราเรดใกล้ ซึ่งโดยปกติแล้วข้อมูลสเปกตรัมได้มาจากเซ็นเซอร์ระยะไกล เช่น ดาวเทียม

ดัชนีนี้เป็นที่นิยมในอุตสาหกรรมเนื่องจากมีความแม่นยำสูง มีความสัมพันธ์สูงกับสภาพที่แท้จริงของพืชพรรณบนพื้นดิน ดัชนีนี้ตีความได้ง่าย: ค่า NDVI จะอยู่ระหว่าง -1 ถึง 1 โดยค่าที่ใกล้ศูนย์แสดงว่ามีพืชพรรณน้อยหรือไม่มีเลย ค่าลบเกี่ยวข้องกับพื้นผิวที่ไม่ใช่ดินหรือแหล่งน้ำ และค่าสูงแสดงถึงพืชพรรณที่แข็งแรงและหนาแน่น มีการนำไปใช้ในด้านต่างๆ เช่น การเกษตร การตรวจสอบภัยแล้ง และการวิเคราะห์ระบบนิเวศ

ประวัติโดยย่อ

NDVI ค่าเฉลี่ย 6 เดือนสำหรับออสเตรเลีย ตั้งแต่วันที่ 1 ธันวาคม 2012 ถึง 31 พฤษภาคม 2013 ^{[ 1 ]}

การสำรวจอวกาศเริ่มต้นอย่างจริงจังด้วยการปล่อยดาวเทียมสปุตนิก 1โดยสหภาพโซเวียตเมื่อวันที่ 4 ตุลาคม 1957 ซึ่งเป็นดาวเทียม ที่มนุษย์สร้างขึ้นดวงแรก ที่โคจรรอบโลกการปล่อยดาวเทียมที่ประสบความสำเร็จในเวลาต่อมา ทั้งในสหภาพโซเวียต (เช่น โครงการสปุตนิกและคอสมอส ) และในสหรัฐอเมริกา (เช่นโครงการเอ็กซ์พลอเรอร์ ) นำไปสู่การออกแบบและการใช้งานดาวเทียมอุตุนิยมวิทยา โดยเฉพาะอย่างรวดเร็ว ดาวเทียมเหล่านี้เป็นแพลตฟอร์มโคจรที่ติดตั้งอุปกรณ์ที่ออกแบบมาเป็นพิเศษเพื่อสังเกตชั้นบรรยากาศและพื้นผิวโลกเพื่อปรับปรุงการพยากรณ์อากาศเริ่มตั้งแต่ปี 1960 ดาวเทียมตระกูลTIROS ได้ติดตั้งกล้องโทรทัศน์และเครื่องวัดรังสี ต่อมา (ตั้งแต่ปี 1964 เป็นต้นไป) ก็มีดาวเทียม นิมบัสและตระกูล เครื่อง วัดรังสีความละเอียดสูงมากขั้นสูง (Advanced Very High Resolution Radiometer)บน แพลตฟอร์มของ องค์การบริหารมหาสมุทรและบรรยากาศแห่งชาติ (NOAA) ซึ่งวัดการสะท้อนแสงของโลกในแถบสีแดงและใกล้อินฟราเรด รวมถึงในอินฟราเรดความร้อนด้วย ในขณะเดียวกัน NASA ได้พัฒนาดาวเทียม Earth Resources Technology Satellite (ERTS) ซึ่งเป็นต้นแบบของโครงการ Landsat เซ็นเซอร์รุ่นแรกๆ เหล่านี้มี ความละเอียดเชิงสเปกตรัมต่ำแต่มีแนวโน้มที่จะรวมแถบคลื่นในช่วงสีแดงและอินฟราเรดใกล้ ซึ่งมีประโยชน์ในการจำแนกพืชพรรณและเมฆ รวมถึงเป้าหมายอื่นๆ

หลังจากการปล่อยดาวเทียม ERTS ดวงแรก – ซึ่งต่อมาเปลี่ยนชื่อเป็นLandsat 1 – เมื่อวันที่ 23 กรกฎาคม 1972 พร้อมด้วยเครื่องสแกนแบบหลายสเปกตรัม (MSS) นาซาได้ให้ทุนสนับสนุนการวิจัยหลายโครงการเพื่อตรวจสอบศักยภาพในการสำรวจระยะไกล ของโลก หนึ่งในงานวิจัยในช่วงแรกนั้นมุ่งเน้นไปที่การตรวจสอบการเจริญเติบโตของพืชในฤดูใบไม้ผลิและการแห้งแล้งในฤดูร้อนและฤดูใบไม้ร่วง (ที่เรียกว่า "การเจริญเติบโตและการเสื่อมถอยของฤดูใบไม้ผลิ") ทั่วพื้นที่ราบใหญ่ ทางตอนเหนือ จรดตอนใต้ของสหรัฐอเมริกาตอนกลาง ซึ่งครอบคลุมละติจูดที่กว้างตั้งแต่ปลายสุดทางใต้ของรัฐเท็กซัส ไปจนถึงชายแดนสหรัฐฯ-แคนาดา ส่งผลให้ มุมเงยของดวงอาทิตย์ในช่วงเวลาที่ดาวเทียมสังเกตการณ์นั้น มีความหลากหลาย

นักวิจัยในการศึกษาพื้นที่ราบใหญ่ครั้งนี้ (โดนัลด์ ดีริง นักศึกษาปริญญาเอก และ ดร. โรเบิร์ต ฮาสส์ ที่ปรึกษาของเขา) พบว่า ความสามารถในการหาความสัมพันธ์หรือวัดปริมาณลักษณะทางชีวฟิสิกส์ของพืชพรรณในทุ่งหญ้าของภูมิภาคนี้จากสัญญาณสเปกตรัมของดาวเทียมนั้น ถูกรบกวนโดยความแตกต่างของมุมสูงสุดของดวงอาทิตย์ตามแนวละติจูดที่แตกต่างกันอย่างมาก ด้วยความช่วยเหลือจากนักคณิตศาสตร์ประจำ (ดร. จอห์น เชลล์) พวกเขาได้ศึกษาหาทางแก้ไขปัญหาดังกล่าว และต่อมาได้พัฒนาอัตราส่วนของความแตกต่างของความสว่างสีแดงและอินฟราเรดต่อผลรวมของทั้งสองค่า เพื่อเป็นวิธีการปรับหรือ "ทำให้เป็นมาตรฐาน" ผลกระทบของมุมสูงสุดของดวงอาทิตย์ เดิมทีพวกเขาเรียกอัตราส่วนนี้ว่า " ดัชนีพืชพรรณ " (และอีกรูปแบบหนึ่งคือ การแปลงค่าอัตราส่วนความแตกต่างต่อผลรวมด้วยรากที่สอง เรียกว่า "ดัชนีพืชพรรณที่แปลงแล้ว") แต่เนื่องจากนักวิจัยด้านการสำรวจระยะไกลคนอื่นๆ หลายคนระบุอัตราส่วนสีแดง/อินฟราเรดอย่างง่ายและอัตราส่วนสเปกตรัมอื่นๆ ว่าเป็น "ดัชนีพืชพรรณ" ในที่สุดพวกเขาก็เริ่มระบุสูตรอัตราส่วนความแตกต่าง/ผลรวมว่าเป็นดัชนีพืชพรรณความแตกต่างแบบปกติ (Normalized Difference Vegetation Index: NDVI) การใช้ NDVI ที่รายงานครั้งแรกในการศึกษา Great Plains เกิดขึ้นในปี 1973 โดย Rouse et al. ^{[ 2 ]} (ดร. จอห์น รูส เป็นผู้อำนวยการศูนย์การสำรวจระยะไกลของมหาวิทยาลัยเท็กซัสเอแอนด์เอ็มซึ่งเป็นสถานที่ทำการศึกษา Great Plains) อย่างไรก็ตาม พวกเขาได้รับการนำหน้าในการกำหนดสูตรดัชนีสเปกตรัมความแตกต่างแบบปกติโดย Kriegler et al. ในปี 1969 ^{[ 3 ]} ไม่นานหลังจากการปล่อย ERTS-1 (Landsat-1) คอมป์ตัน ทักเกอร์ จาก ศูนย์การบินอวกาศก็อดดาร์ดของนาซา ได้ผลิตบทความ วารสารทางวิทยาศาสตร์ชุดแรกๆที่อธิบายถึงการใช้ NDVI

ดังนั้น NDVI จึงเป็นหนึ่งในความพยายามที่ประสบความสำเร็จมากที่สุดในการระบุพื้นที่ที่มีพืชปกคลุมและ "สภาพ" ของพืชเหล่านั้นอย่างง่ายและรวดเร็ว และยังคงเป็นดัชนีที่เป็นที่รู้จักและใช้กันมากที่สุดในการตรวจจับเรือนยอดพืชสีเขียวที่มีชีวิตในข้อมูลการสำรวจระยะไกลแบบหลายสเปกตรัม เมื่อได้พิสูจน์ความเป็นไปได้ในการตรวจจับพืชพรรณแล้ว ผู้ใช้มักจะใช้ NDVI เพื่อวัดปริมาณความสามารถในการสังเคราะห์แสงของเรือนยอดพืชด้วย อย่างไรก็ตาม การทำเช่นนี้อาจซับซ้อนมากขึ้นหากไม่ได้ทำอย่างถูกต้อง ดังที่จะกล่าวถึงต่อไป

เหตุผล

พืชสีเขียวที่มีชีวิตจะดูดซับรังสีจากแสงอาทิตย์ใน ช่วงสเปกตรัมของ รังสีที่ใช้ในการสังเคราะห์แสง (PAR) ซึ่งพวกมันใช้เป็นแหล่งพลังงานในกระบวนการสังเคราะห์แสงเซลล์ใบยังได้วิวัฒนาการให้ปล่อยรังสีจากแสงอาทิตย์ออกมาอีกครั้งในช่วงสเปกตรัมอินฟราเรดใกล้ (ซึ่งมีพลังงานแสงอาทิตย์ที่เข้ามาทั้งหมดประมาณครึ่งหนึ่ง) เนื่องจากพลังงานโฟตอนที่ความยาวคลื่นมากกว่าประมาณ 700 นาโนเมตรนั้นต่ำเกินไปที่จะสังเคราะห์โมเลกุลอินทรีย์ การดูดซับอย่างรุนแรงที่ความยาวคลื่นเหล่านี้จะทำให้พืชร้อนเกินไปและอาจทำให้เนื้อเยื่อเสียหายได้ ดังนั้น พืชสีเขียวที่มีชีวิตจึงดูค่อนข้างมืดใน PAR และค่อนข้างสว่างในอินฟราเรดใกล้^{[ 4 ]}ในทางตรงกันข้าม เมฆและหิมะมักจะค่อนข้างสว่างในสีแดง (รวมถึงความยาวคลื่นที่มองเห็นได้อื่นๆ) และค่อนข้างมืดในอินฟราเรดใกล้ คลอโรฟิลล์ ซึ่งเป็นรงควัตถุในใบพืช จะดูดซับแสงที่มองเห็นได้ (ตั้งแต่ 400 ถึง 700 นาโนเมตร) อย่างมากเพื่อใช้ในการสังเคราะห์แสง ในทางกลับกัน โครงสร้างเซลล์ของใบไม้สะท้อนแสงอินฟราเรดใกล้ (700 ถึง 1100 นาโนเมตร) ได้ดี ยิ่งพืชมีใบมากเท่าไหร่ ก็ยิ่งได้รับผลกระทบจากคลื่นแสงเหล่านี้มากขึ้นเท่านั้น เนื่องจากเครื่องมือสำรวจโลกในยุคแรกๆ เช่นERTS ของNASA และ AVHRR ของ NOAAเก็บข้อมูลในช่วงแสงที่มองเห็นได้และแสงอินฟราเรดใกล้ จึงเป็นเรื่องปกติที่จะใช้ประโยชน์จากความแตกต่างอย่างมากในการสะท้อนแสงของพืชเพื่อกำหนดการกระจายตัวเชิงพื้นที่ของพืชเหล่านั้นในภาพถ่ายดาวเทียมเหล่านี้

ค่า NDVI คำนวณจากค่าการวัดแต่ละค่าดังต่อไปนี้:

{\mbox{NDVI}}={\frac {({\mbox{NIR}}-{\mbox{Red}})}{({\mbox{NIR}}+{\mbox{Red}})}}

โดยที่ Red และ NIR หมายถึงการวัดค่าการสะท้อนแสงสเปกตรัมที่ได้มาในย่านสีแดง (มองเห็นได้) และย่านอินฟราเรดใกล้ ตามลำดับ^{[ 5 ]}ค่าการสะท้อนแสงสเปกตรัมเหล่านี้เป็นอัตราส่วนของรังสีสะท้อนต่อรังสีขาเข้าในแต่ละแถบสเปกตรัม ดังนั้นจึงมีค่าอยู่ระหว่าง 0 ถึง 1 ตามการออกแบบ NDVI จึงมีค่าอยู่ระหว่าง -1 ถึง +1 NDVI เทียบเท่ากับอัตราส่วนอินฟราเรด/แดง (NIR/VIS) ในเชิงฟังก์ชัน แต่ไม่ใช่เชิงเส้น ข้อได้เปรียบของ NDVI เหนืออัตราส่วนอินฟราเรด/แดงแบบง่ายจึงจำกัดอยู่เพียงความสัมพันธ์เชิงเส้นที่เป็นไปได้ของฟังก์ชันกับคุณสมบัติของพืช (เช่น ชีวมวล) อัตราส่วนแบบง่าย (ต่างจาก NDVI) จะเป็นค่าบวกเสมอ ซึ่งอาจมีข้อดีในทางปฏิบัติ แต่ก็มีช่วงที่ไม่มีที่สิ้นสุดทางคณิตศาสตร์ (0 ถึงอนันต์) ซึ่งอาจเป็นข้อเสียในทางปฏิบัติเมื่อเทียบกับ NDVI นอกจากนี้ ในส่วนนี้ โปรดทราบว่าเทอม VIS ในตัวเศษของ NDVI จะปรับขนาดผลลัพธ์เท่านั้น ทำให้เกิดค่าลบ NDVI เทียบเท่ากับอัตราส่วน NIR / (NIR+VIS) ในเชิงฟังก์ชัน และเชิงเส้น ซึ่งอยู่ในช่วงตั้งแต่ 0 ถึง 1 และจึงไม่เป็นลบหรือไม่มีขีดจำกัดในช่วง ^{[ 6 ]} แต่แนวคิดที่สำคัญที่สุดในการทำความเข้าใจสูตรพีชคณิตของ NDVI คือ แม้จะมีชื่อเช่นนั้น แต่มันคือการแปลงอัตราส่วนสเปกตรัม (NIR/VIS) และไม่มีความสัมพันธ์เชิงฟังก์ชันกับความแตกต่างของสเปกตรัม (NIR-VIS)

โดยทั่วไป หากมีการสะท้อนรังสีในช่วงคลื่นอินฟราเรดใกล้มากกว่าในช่วงคลื่นแสงที่มองเห็นได้ แสดงว่าพืชพรรณในพิกเซลนั้นน่าจะหนาแน่นและอาจมีป่าบางประเภท งานวิจัยต่อมาแสดงให้เห็นว่า NDVI มีความสัมพันธ์โดยตรงกับความสามารถในการสังเคราะห์แสงและการดูดซับพลังงานของเรือนยอดพืช^{[ 7 ]}^{[ 8 ]}แม้ว่าดัชนีนี้อาจมีค่าเป็นลบได้ แต่แม้ในเขตเมือง ที่มีประชากรหนาแน่น NDVI ก็มักจะมีค่าเป็นบวก (เล็กน้อย) ค่าลบมีแนวโน้มที่จะพบได้ในบรรยากาศและวัสดุบาง ชนิด ^{[ 9 ]}

การประยุกต์ใช้ทางการเกษตร

ในด้านเกษตรกรรมแม่นยำข้อมูล NDVI ถูกนำมาใช้เพื่อประเมินสุขภาพของพืชผล ปัจจุบัน มักจะใช้โดรนทางการเกษตรซึ่งจับคู่กับ NDVI เพื่อเปรียบเทียบข้อมูลและระบุปัญหาสุขภาพของพืชผล ตัวอย่างเช่น โดรนทางการเกษตรจากPrecisionHawkและ Sentera ช่วยให้เกษตรกรสามารถบันทึกและประมวลผลข้อมูล NDVI ได้ภายในหนึ่งวัน ซึ่งแตกต่างจากการใช้ NDVI แบบดั้งเดิมที่มีระยะเวลารอคอยนาน^{[ 10 ]}งานวิจัยจำนวนมากในปัจจุบันพิสูจน์แล้วว่าภาพ NDVI สามารถได้มาโดยใช้กล้องดิจิทัล RGB ทั่วไปได้ โดยการดัดแปลงบางอย่างเพื่อให้ได้ผลลัพธ์ที่คล้ายกับที่ได้จากกล้องมัลติสเปกตรัม และสามารถนำไปใช้ได้อย่างมีประสิทธิภาพในระบบตรวจสอบสุขภาพของพืชผล

นอกจากโดรนแล้ว NDVI ยังใช้ในการตรวจสอบการเจริญเติบโตของพืชในแต่ละระยะตลอดช่วงเวลา ตั้งแต่ระยะเริ่มเจริญเติบโตจนถึงระยะสุกแก่ ช่วยติดตามการงอกของพืชตลอดฤดูกาลเพาะปลูก การเก็บรวบรวมข้อมูลนี้ช่วยตรวจจับความแปรปรวนเชิงพื้นที่ภายในแปลง เพื่อตรวจสอบว่าบางพื้นที่เจริญเติบโตได้ดีกว่าพื้นที่อื่นหรือไม่ และจังหวะเวลาถูกต้องตามระยะที่ควรจะเป็นหรือไม่ โดยเฉพาะอย่างยิ่ง เกษตรกรใช้ NDVI ในการติดตามสิ่งต่างๆ เช่น ระดับการชลประทาน การใส่ปุ๋ย และช่วยลดของเสียและต้นทุน สามารถประมาณค่าดัชนีพื้นที่ใบ (LAI) ชีวมวล การปกคลุมของพืช ซึ่งเกษตรกรจำเป็นต้องใช้ในการกำหนดผลผลิตพืช^{[ 11 ]}ซึ่งรวมถึงความสามารถในการระบุความเครียดของพืชได้เร็วกว่าที่สามารถมองเห็นได้ ซึ่งอาจรวมถึงความเครียดจากน้ำ การขาดสารอาหาร หรือโรค^{[ 12 ]}เนื่องจาก NDVI มีแง่มุมของการทำนาย จึงสามารถนำไปใช้ในแบบจำลองการทำนายผลผลิตได้ เนื่องจาก NDVI ที่สูงขึ้นมักเชื่อมโยงกับผลผลิต/ชีวมวลที่มากขึ้น การใช้ข้อมูลอนุกรมเวลา NDVI ช่วยให้เกษตรกรมีโอกาสติดตามแนวโน้มตามฤดูกาล เปรียบเทียบกับปีที่ผ่านมา และเตรียมพร้อมรับมือกับการเปลี่ยนแปลงของสภาพภูมิอากาศ ในอนาคต ซึ่งรวมถึงภัยแล้งหรือคลื่นความร้อนที่มากขึ้น^{[ 11 ]}

ตัวอย่างเช่น NDVI สามารถใช้ในการตรวจสอบภัยแล้งโดยการติดตามการเปลี่ยนแปลงของความเขียวของพืชพรรณเมื่อเวลาผ่านไป โดยค่าที่ต่ำกว่าสามารถบ่งชี้ถึงความเครียดของโลกเนื่องจากปริมาณน้ำลดลง ซึ่งช่วยในการวิเคราะห์การเปลี่ยนแปลงของระบบนิเวศขนาดใหญ่ ซึ่งรวมถึงวัฏจักรของพืชพรรณตามฤดูกาลและการเปลี่ยนแปลงระยะยาวที่เกิดจากการเปลี่ยนแปลงสภาพภูมิอากาศและการเปลี่ยนแปลงการใช้ที่ดิน นอกจากนี้ยังมีการประยุกต์ใช้ในการตรวจจับการตัดไม้ทำลายป่าและ ความเสียหาย ของพื้นที่ปกคลุมเนื่องจากค่าที่ลดลงมักบ่งชี้ถึงการสูญเสียหรือการเสื่อมโทรมของพืชพรรณ^{[ 11 ]}ข้อมูลนี้ถูกนำไปใช้ในการศึกษาในเขตเมืองเพื่อตรวจสอบความสัมพันธ์ระหว่างอุณหภูมิพื้นผิวและการปกคลุมของพืชพรรณ ซึ่งมีประโยชน์มากขึ้นในการวิจัยเกี่ยวกับเกาะความร้อนในเมือง^{[ 13 ]}

ข้อจำกัด

จากนิยามทางคณิตศาสตร์ จะเห็นได้ว่าค่า NDVI ของพื้นที่ที่มีพืชพรรณหนาแน่นจะมีแนวโน้มเป็นค่าบวก (เช่น 0.3 ถึง 0.8) ในขณะที่เมฆและทุ่งหิมะจะมีค่าดัชนีนี้เป็นค่าลบ เป้าหมายอื่นๆ บนโลกที่มองเห็นได้จากอวกาศ ได้แก่:

แหล่งน้ำอิสระ ( เช่น มหาสมุทร ทะเล ทะเลสาบ และแม่น้ำ) ซึ่งมีค่าการสะท้อนแสงค่อนข้างต่ำในทั้งสองแถบสเปกตรัม (อย่างน้อยก็ห่างจากชายฝั่ง) ส่งผลให้ค่า NDVI มีค่าบวกต่ำมากหรืออาจติดลบเล็กน้อย
โดยทั่วไปแล้ว ดินประเภทนี้จะมีค่าการสะท้อนแสงในช่วงอินฟราเรดใกล้สูงกว่าช่วงสีแดงเล็กน้อย ซึ่งมักจะทำให้ค่า NDVI มีค่าบวกค่อนข้างน้อย (เช่น 0.1 ถึง 0.2)

นอกจากความเรียบง่ายของอัลกอริทึมและความสามารถในการจำแนกพื้นที่ที่มีพืชปกคลุมออกจากพื้นผิวประเภทอื่นได้อย่างกว้าง ๆ แล้ว NDVI ยังมีข้อดีในการบีบอัดขนาดของข้อมูลที่จะนำมาประมวลผลได้ถึง 2 เท่า (หรือมากกว่านั้น) เนื่องจากมันแทนที่แถบสเปกตรัมสองแถบด้วยฟิลด์ใหม่เพียงฟิลด์เดียว (ซึ่งอาจเข้ารหัสบน 8 บิตแทนที่จะเป็น 10 บิตขึ้นไปของข้อมูลเดิม)

NDVI ถูกนำมาใช้กันอย่างแพร่หลายในแอปพลิเคชันที่ไม่ได้ออกแบบมาเพื่อการใช้งานดังกล่าวแต่แรก การใช้ NDVI สำหรับการประเมินเชิงปริมาณ (ตรงข้ามกับการสำรวจเชิงคุณภาพตามที่ระบุไว้ข้างต้น) ก่อให้เกิดปัญหาหลายประการที่อาจจำกัดประโยชน์ที่แท้จริงของดัชนีนี้อย่างร้ายแรงหากไม่ได้รับการแก้ไขอย่างเหมาะสม^{[ 14 ]}หัวข้อย่อยต่อไปนี้จะทบทวนประเด็นเหล่านี้บางส่วน

ในทางคณิตศาสตร์ ผลรวมและผลต่างของช่องสัญญาณสเปกตรัมทั้งสองช่องนั้นมีข้อมูลเดียวกันกับข้อมูลดั้งเดิม แต่ผลต่างเพียงอย่างเดียว (หรือผลต่างที่ปรับให้เป็นมาตรฐาน) นั้นมีข้อมูลเพียงบางส่วนจากข้อมูลเริ่มต้นเท่านั้น ผู้ใช้จะต้องตัดสินใจเองว่าข้อมูลที่หายไปนั้นมีความสำคัญหรือมีคุณค่าหรือไม่ แต่สิ่งสำคัญคือต้องเข้าใจว่าผลิตภัณฑ์ NDVI นั้นมีข้อมูลเพียงเศษเสี้ยวของข้อมูลที่มีอยู่ในข้อมูลการสะท้อนแสงสเปกตรัมดั้งเดิมเท่านั้น
สร้างดัชนีความแตกต่างของพืชพรรณแบบนอร์มาไลซ์ (NDVI) จากภาพถ่ายดาวเทียม
ผู้ใช้ NDVI มักจะประมาณค่าคุณสมบัติของพืชพรรณจำนวนมากจากค่าดัชนีนี้ ตัวอย่างทั่วไป ได้แก่ดัชนีพื้นที่ใบ มวล ชีวภาพ ความเข้มข้น ของคลอโรฟิลล์ในใบ ผลผลิตของพืช สัดส่วนการปกคลุมของพืช ปริมาณน้ำฝนสะสม เป็นต้น ความสัมพันธ์ดังกล่าวส่วนใหญ่มักได้มาจากการหาความสัมพันธ์ระหว่างค่า NDVI ที่ได้จากดาวเทียมกับค่าที่วัดได้จากภาคพื้นดินของตัวแปรเหล่านี้ วิธีการนี้ก่อให้เกิดปัญหาเพิ่มเติมที่เกี่ยวข้องกับขนาดเชิงพื้นที่ของการวัด เนื่องจากเซ็นเซอร์ดาวเทียมมักวัดปริมาณรังสีในพื้นที่ที่ใหญ่กว่าพื้นที่ที่วัดได้ด้วยเครื่องมือภาคพื้นดินมาก นอกจากนี้ การอ้างว่าความสัมพันธ์ทั้งหมดเหล่านี้เป็นจริงพร้อมกันนั้นย่อมไม่สมเหตุสมผล เพราะนั่นหมายความว่าคุณสมบัติทางสิ่งแวดล้อมทั้งหมดเหล่านี้จะมีความสัมพันธ์กันโดยตรงและชัดเจน
การวัดค่าการสะท้อนแสงควรสัมพันธ์กับพื้นที่เดียวกันและต้องทำการวัดพร้อมกัน ซึ่งอาจทำได้ยากหากใช้เครื่องมือที่รับข้อมูลสเปกตรัมต่างกันผ่านกล้องหรือระนาบโฟกัสที่แตกต่างกัน การลงทะเบียนภาพสเปกตรัมที่ไม่ถูกต้องอาจนำไปสู่ข้อผิดพลาดอย่างมากและผลลัพธ์ที่ใช้ไม่ได้

นอกจากนี้ การคำนวณค่า NDVI ยังมีความไวต่อปัจจัยหลายประการ เช่น ผลกระทบ จากบรรยากาศความแตกต่างระหว่างเซ็นเซอร์สภาพดิน น้ำแข็ง หรือหิมะ และ ความไม่สอดคล้องกัน เชิงพื้นที่ในข้อมูล^{[ 15 ]}

ผลกระทบจากชั้นบรรยากาศ: องค์ประกอบที่แท้จริงของชั้นบรรยากาศ (โดยเฉพาะอย่างยิ่งในส่วนของไอน้ำและละอองลอย ) สามารถส่งผลกระทบอย่างมากต่อการวัดที่ทำในอวกาศ ดังนั้น การวัดเหล่านั้นอาจถูกตีความผิดหากไม่ได้คำนึงถึงผลกระทบเหล่านี้อย่างเหมาะสม (เช่นเดียวกับกรณีที่คำนวณค่า NDVI โดยตรงจากข้อมูลการวัดดิบ)
เมฆ: เมฆหนาทึบ (ทึบแสง) อาจสังเกตเห็นได้ชัดเจนในภาพถ่ายดาวเทียมและให้ค่า NDVI ที่เป็นลักษณะเฉพาะซึ่งช่วยให้การคัดกรองทำได้ง่ายขึ้น อย่างไรก็ตาม เมฆบาง (เช่นเมฆเซอร์รัส ที่พบได้ทั่วไป ) หรือเมฆขนาดเล็กที่มีขนาดเชิงเส้นโดยทั่วไปเล็กกว่าเส้นผ่านศูนย์กลางของพื้นที่ที่เซ็นเซอร์วัดได้จริง อาจทำให้การวัดผิดเพี้ยนไปอย่างมาก ในทำนองเดียวกัน เงาของเมฆในพื้นที่ที่ดูโปร่งใสอาจส่งผลต่อค่า NDVI และนำไปสู่การตีความที่ผิดพลาด ข้อควรพิจารณาเหล่านี้จะลดลงได้โดยการสร้างภาพประกอบจากภาพรายวันหรือภาพเกือบรายวัน^{[ 16 ]} ภาพ NDVI แบบผสมได้นำไปสู่การประยุกต์ใช้พืชพรรณใหม่จำนวนมากที่ NDVI หรือความสามารถในการสังเคราะห์แสงเปลี่ยนแปลงไปตามเวลา
ผลกระทบจากดิน: ดินมักจะมีสีเข้มขึ้นเมื่อเปียก ดังนั้นค่าการสะท้อนแสงจึงเป็นฟังก์ชันโดยตรงของปริมาณน้ำ หากการตอบสนองเชิงสเปกตรัมต่อความชื้นไม่เหมือนกันในแถบสเปกตรัมทั้งสองแถบ ค่า NDVI ของพื้นที่อาจดูเหมือนเปลี่ยนแปลงไปเนื่องจากการเปลี่ยนแปลงความชื้นในดิน (ปริมาณน้ำฝนหรือการระเหย) และไม่ใช่เนื่องจากการเปลี่ยนแปลงของพืชพรรณ
ผลกระทบจากความไม่สม่ำเสมอ: พื้นผิวทั้งหมด (ไม่ว่าจะเป็นธรรมชาติหรือที่มนุษย์สร้างขึ้น) สะท้อนแสงแตกต่างกันในทิศทางต่างๆ และความไม่สม่ำเสมอ ในรูปแบบนี้ โดยทั่วไปจะขึ้นอยู่กับสเปกตรัม แม้ว่าแนวโน้มโดยทั่วไปอาจจะคล้ายกันในสองแถบสเปกตรัมนี้ก็ตาม ดังนั้น ค่า NDVI อาจขึ้นอยู่กับความไม่สม่ำเสมอเฉพาะของเป้าหมาย และเรขาคณิตเชิงมุมของการส่องสว่างและการสังเกตในขณะที่ทำการวัด และด้วยเหตุนี้จึงขึ้นอยู่กับตำแหน่งของเป้าหมายที่สนใจภายในขอบเขตของเครื่องมือหรือเวลาที่ดาวเทียมโคจรผ่านเหนือพื้นที่นั้น สิ่งนี้มีความสำคัญอย่างยิ่งในการวิเคราะห์ ข้อมูล AVHRRเนื่องจากวงโคจรของแพลตฟอร์ม NOAA มีแนวโน้มที่จะคลาดเคลื่อนไปตามเวลา ในขณะเดียวกัน การใช้ภาพ NDVI แบบผสมช่วยลดข้อพิจารณาเหล่านี้และนำไปสู่ชุดข้อมูลอนุกรมเวลา NDVI ทั่วโลกที่ครอบคลุมมากกว่า 25 ปี
ผลกระทบจากสเปกตรัม: เนื่องจากเซ็นเซอร์แต่ละตัวมีลักษณะเฉพาะและประสิทธิภาพที่แตกต่างกัน โดยเฉพาะอย่างยิ่งในส่วนของตำแหน่ง ความกว้าง และรูปร่างของแถบสเปกตรัม สูตรเดียว เช่น NDVI จึงให้ผลลัพธ์ที่แตกต่างกันเมื่อนำไปใช้กับการวัดที่ได้จากเครื่องมือที่แตกต่างกัน
ปัญหาหน่วยพื้นที่ที่ปรับเปลี่ยนได้ (MAUP): NDVI เป็นดัชนีพืชพรรณที่ใช้กันอย่างแพร่หลาย เนื่องจากการทำแผนที่และการตรวจสอบพืชพรรณเกิดขึ้นผ่านระบบประมวลผลภาพ ' บิ๊กดาต้า ' ระบบเหล่านี้อาจใช้อัลกอริทึมแบบพิกเซลหรือแบบวัตถุเพื่อประเมินสุขภาพของพืชพรรณการระเหยน้ำและฟังก์ชันระบบนิเวศอื่นๆ เมื่อหมวดหมู่ของพืชพรรณประกอบด้วยพิกเซลหลายพิกเซล การคำนวณ 'ค่าเฉลี่ย' อาจเป็นค่าเฉลี่ยของค่า NDVI สำหรับแต่ละพิกเซล (แบบพิกเซล) หรือค่าเฉลี่ยของค่าสีแดงและค่าเฉลี่ยของค่า NIR สำหรับพิกเซลทั้งหมด โดยที่ค่าเฉลี่ย NDVI คืออัตราส่วนของค่าเหล่านี้ (แบบวัตถุ) NDVI อาจประสบปัญหาที่แก้ไขได้ยากซึ่งเกี่ยวข้องกับ MAUP โดยเฉพาะอย่างยิ่ง การศึกษาล่าสุดแสดงให้เห็นว่าเมื่อประมาณค่าเฉลี่ย NDVI สำหรับระยะบัฟเฟอร์ที่กำหนด ขนาดของการวิเคราะห์อาจส่งผลต่อการวัด NDVI เนื่องจากมีผลกระทบจากขนาดที่เกี่ยวข้องกับ MAUP ^{[ 17 ]}การศึกษาอีกชิ้นหนึ่งแสดงให้เห็นว่า MAUP ไม่ส่งผลกระทบอย่างมีนัยสำคัญในกรณีของพิกเซลพืชพรรณล้วนๆ ในสภาพแวดล้อมในเมือง^{[ 13 ]}การปรับเปลี่ยนที่เรียกว่า MAUI-NDVI แก้ไขปัญหาดังกล่าวโดยเฉพาะ^{[ 18 ]}

NDVI เป็นระบบที่ใช้กันอย่างแพร่หลายมาก อย่างไรก็ตาม การตีความอาจทำได้ยากเนื่องจากการลดทอนสัญญาณพื้นผิวที่ซับซ้อนเกินไป ข้อมูลจากดาวเทียมที่ใช้ประกอบด้วยส่วนผสมของพืชพรรณ ดิน เงา และชั้นบรรยากาศ ดังนั้นจึงไม่ได้แสดงถึงพืชพรรณเพียงอย่างเดียว เนื่องจากการลดทอนนี้ ข้อมูลอาจสูญหายและอาจถูกตีความผิดเกี่ยวกับสภาพพืชพรรณที่เกิดขึ้นจริงในขณะนั้น นอกจากนี้ แม้ว่า NDVI จะครอบคลุมพื้นที่ขนาดใหญ่ได้ แต่ก็ยากที่จะจับภาพพืชแต่ละต้น ซึ่งทำให้เกิดความไม่ตรงกันระหว่างข้อมูลภาคสนามและข้อมูลจากดาวเทียม ทำให้การเชื่อมโยงผลผลิตกับพื้นที่มีความไม่แน่นอนมากขึ้นสำหรับผู้คน เช่น เกษตรกร ความแตกต่างระหว่างเซ็นเซอร์และวิธีการประมวลผลข้อมูลอาจทำให้ค่า NDVI แตกต่างกันเล็กน้อย ทำให้ยากต่อการเปรียบเทียบชุดข้อมูลจากช่วงเวลาหรือแพลตฟอร์มที่แตกต่างกัน สิ่งนี้อาจเกิดขึ้นได้จากวิธีการตั้งค่าการสอบเทียบเซ็นเซอร์หรือวิธีการประมวลผลความละเอียดที่ถ่ายในขณะนั้น ซึ่งอาจทำให้เกิดการเปลี่ยนแปลงเหล่านี้ได้ ด้วยเหตุนี้ เนื่องจากข้อจำกัดเหล่านี้ NDVI จึงสามารถใช้ได้อย่างน่าเชื่อถือมากขึ้นสำหรับรูปแบบพืชพรรณทั่วไปควบคู่ไปกับดัชนีอื่นๆ เพื่อให้การวิเคราะห์และการตีความที่แม่นยำยิ่งขึ้น^{[ 19 ]}

มีการเสนออนุพันธ์และทางเลือกอื่น ๆ จำนวนมากแทน NDVI ในเอกสารทางวิทยาศาสตร์เพื่อแก้ไขข้อจำกัดเหล่านี้ รวมถึงดัชนีพืชพรรณตั้งฉาก^{[ 20 ]}ดัชนีพืชพรรณที่ปรับตามดิน [ ²¹^]ดัชนีพืชพรรณที่ทนต่อบรรยากาศ^[²²^]และดัชนีการตรวจสอบสิ่งแวดล้อมโลก^[²³^]แต่ละดัชนีเหล่านี้พยายามที่จะรวมการแก้ไขภายในสำหรับปัจจัยรบกวนอย่างน้อยหนึ่งปัจจัย ทางเลือกปัจจุบันที่ USGS นำมาใช้คือดัชนีพืชพรรณที่ปรับปรุงแล้ว⁽ EVI) ซึ่งแก้ไขผลกระทบของดิน พื้นหลังของเรือนยอด และอิทธิพลของละอองลอย^[²⁴^]

อย่างไรก็ตาม จนกระทั่งช่วงกลางทศวรรษ 1990 จึงได้มีการเสนออัลกอริทึมรุ่นใหม่เพื่อประมาณค่าตัวแปรทางชีวธรณีฟิสิกส์ที่สนใจโดยตรง (เช่นสัดส่วนของรังสีสังเคราะห์แสงที่ถูกดูดซับหรือ FAPAR) โดยใช้ประโยชน์จากประสิทธิภาพและคุณลักษณะที่ได้รับการปรับปรุงของเซ็นเซอร์สมัยใหม่ (โดยเฉพาะอย่างยิ่งความสามารถในการวิเคราะห์หลายสเปกตรัมและหลายมุม) เพื่อพิจารณาปัจจัยรบกวนทั้งหมด แม้ว่าจะมีปัจจัยรบกวนมากมายต่อค่า NDVI แต่ก็ยังคงเป็นเครื่องมือตรวจสอบพืชพรรณเชิงปริมาณที่มีคุณค่าเมื่อต้องการศึกษาความสามารถในการสังเคราะห์แสงของพื้นผิวโลกในระดับพื้นที่ที่เหมาะสมสำหรับปรากฏการณ์ต่างๆ

ดูเพิ่มเติม

ดัชนีขอบแดงความแตกต่างปกติ (Normalized Difference Red Edge Index) – ตัวชี้วัดในทางชีววิทยา
ดัชนีความแตกต่างของปริมาณน้ำแบบนอร์มาไลซ์ – ดัชนีที่ได้จากการสำรวจระยะไกลที่เกี่ยวข้องกับปริมาณน้ำในรูปของเหลว
การปฏิวัติเชิงปริมาณ – การเปลี่ยนแปลงกระบวนทัศน์ในทางภูมิศาสตร์
ขอบสีแดง – บริเวณที่มีการเปลี่ยนแปลงการสะท้อนแสงของพืชพรรณ
แบบจำลองชีวมณฑลอย่างง่ายฉบับปรับปรุง (SIB-2)

หมายเหตุ

^ข้อมูลดาวน์โหลดจากสำนักงานอุตุนิยมวิทยาแห่งออสเตรเลียเมื่อวันที่ 13 มิถุนายน 2018 นำมาสร้างแผนที่ด้วยโปรแกรม R จัดเก็บไว้ที่ Wayback Machine เมื่อวันที่ 31 มกราคม 2023 (14 มิถุนายน 2018)
^ Rouse, JW, Haas, RH, Scheel, JA และ Deering, DW (1974) 'การติดตามระบบพืชพรรณในที่ราบใหญ่ด้วย ERTS'รายงานการประชุมสัมมนาดาวเทียมเทคโนโลยีทรัพยากรโลก (ERTS) ครั้งที่ 3เล่ม 1 หน้า 48-62 https://ntrs.nasa.gov/citations/19740022614 เก็บถาวรเมื่อวันที่ 31 มกราคม 2023 ที่ Wayback Machine
^ Kriegler, FJ, Malila, WA, Nalepka, RF และ Richardson, W. (1969) 'การแปลงข้อมูลก่อนการประมวลผลและผลกระทบต่อการจดจำภาพหลายสเปกตรัม'รายงานการประชุมสัมมนาวิชาการนานาชาติครั้งที่ 6 เรื่องการสำรวจระยะไกลของสิ่งแวดล้อมหน้า 97-131
^ Gates, David M. (1980)นิเวศวิทยาชีวฟิสิกส์ , Springer-Verlag, นิวยอร์ก, 611 หน้า
^ "การวัดพืชพรรณ" NASA Earth Observatory. 30 สิงหาคม 2000. เก็บถาวรจากต้นฉบับเมื่อ 16 มีนาคม 2011. สืบค้นเมื่อ13 พฤศจิกายน 2010 .
^ Crippen, RE (1990) 'การคำนวณดัชนีพืชพรรณได้เร็วขึ้น' การสำรวจระยะไกลของสิ่งแวดล้อม 34 , 71-73
^ Sellers, PJ (1985) 'การสะท้อนแสงของเรือนยอด การสังเคราะห์แสง และการคายน้ำ' วารสารนานาชาติว่าด้วยการสำรวจระยะไกล6 ,1335-1372.
^ Myneni, RB, FG Hall, PJ Sellers และ AL Marshak (1995) 'การตีความดัชนีพืชพรรณสเปกตรัม' IEEE Transactions on Geoscience and Remote Sensing , 33 , 481-486.
^ Kubaski, Kauan Mateus. "สภาพภูมิอากาศในเมือง: อุณหภูมิพื้นผิวและ NDVI การวิเคราะห์อิทธิพลใน Ponta Grossa-PR" (PDF) (เป็นภาษาโปรตุเกสบราซิล). UEPG (รองอธิการบดีฝ่ายวิจัยและบัณฑิตศึกษา-PROPESP). เก็บถาวรจากต้นฉบับ(PDF)เมื่อวันที่ 9 กรกฎาคม 2019 เรียกดูเมื่อวันที่ 10 กันยายน 2018
^ Lyseng, Ron (2 กุมภาพันธ์ 2017). "Sentera เชื่อมต่อโปรเซสเซอร์กับเซนเซอร์สำหรับ NDVI แบบเรียลไทม์" . Western Producer .
^ ^a^b^c Zeng, Yelu; Hao, Dalei; Huete, Alfredo; Dechant, Benjamin; Berry, Joe; Chen, Jing M.; Joiner, Joanna; Frankenberg, Christian; Bond-Lamberty, Ben; Ryu, Youngryel; Xiao, Jingfeng; Asrar, Ghassem R.; Chen, Min (2022-05-31). "ดัชนีพืชพรรณเชิงแสงสำหรับการตรวจสอบระบบนิเวศบนบกทั่วโลก" Nature Reviews Earth & Environment . 3 (7): 477– 493. doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X .
^ Huang, Sha; Tang, Lina; Hupy, Joseph P.; Wang, Yang; Shao, Guofan (2021-02-01). "บทวิจารณ์เชิงวิเคราะห์เกี่ยวกับการใช้ดัชนีพืชพรรณความแตกต่างปกติ (NDVI) ในยุคการสำรวจระยะไกลที่เป็นที่นิยม"วารสารวิจัยป่าไม้ 32 ( 1): 1– 6. doi : 10.1007/s11676-020-01155-1 . ISSN 1993-0607 .
^ ^a^b Nouri, Hamideh; Anderson, Sharolyn; Sutton, Paul; Beecham, Simon; Nagler, Pamela; Jarchow, Christopher J.; Roberts, Dar A. (เมษายน 2017). "NDVI, ความไม่แปรผันตามมาตราส่วน และปัญหาหน่วยพื้นที่ที่ปรับเปลี่ยนได้: การประเมินพืชพรรณใน Adelaide Parklands" (PDF) . Science of the Total Environment . 584– 585: 11– 18. Bibcode : 2017ScTEn.584...11N . doi : 10.1016/j.scitotenv.2017.01.130 . PMID 28131936 . เก็บถาวร(PDF)จากต้นฉบับเมื่อวันที่ 7 ธันวาคม 2023 . สืบค้นเมื่อ6 ธันวาคม 2023 .
↑ราโดชาจ, โดริจาน; ชิลเยก, อันเต; มาริโนวิช, ราจโก้; จูริซิช, มลาเดน (18-03-2566) "สถานะของดัชนีพืชพรรณหลักในการศึกษาเกษตรกรรมที่แม่นยำจัดทำดัชนีใน Web of Science: การทบทวน " เกษตรกรรม . 13 (3): 707. ดอย : 10.3390 / agriculture13030707 ISSN 2077-0472 .
^ Zeng, Yelu; Hao, Dalei; Huete, Alfredo; Dechant, Benjamin; Berry, Joe; Chen, Jing M.; Joiner, Joanna; Frankenberg, Christian; Bond-Lamberty, Ben; Ryu, Youngryel; Xiao, Jingfeng; Asrar, Ghassem R.; Chen, Min (2022-05-31). "ดัชนีพืชพรรณเชิงแสงสำหรับการตรวจสอบระบบนิเวศบนบกทั่วโลก" Nature Reviews Earth & Environment . 3 (7): 477– 493. doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X .
^ Holben, BN (1986) 'ลักษณะเฉพาะของภาพคอมโพสิตค่าสูงสุดจากข้อมูล AVHRR เชิงเวลา'วารสารนานาชาติการสำรวจระยะไกล 7 (11) , 1417-1434
^ Labib, SM; Lindley, Sarah; Huck, Jonny J. (กรกฎาคม 2020). "ผลกระทบของขนาดต่อตัวชี้วัดพื้นที่สีเขียวที่ตรวจวัดจากระยะไกลและวิธีการบรรเทาผลกระทบเหล่านั้นสำหรับการประเมินความเสี่ยงต่อสุขภาพสิ่งแวดล้อม" Computers , Environment and Urban Systems . 82 101501. Bibcode : 2020CEUS...8201501L . doi : 10.1016/j.compenvurbsys.2020.101501 .
^ Nouri, Hamideh; Anderson, Sharolyn; Sutton, Paul; Beecham, Simon; Nagler, Pamela; Jarchow, Christopher J.; Roberts, Dar A. (15 เมษายน 2560). "NDVI, ความไม่แปรผันตามมาตราส่วน และปัญหาหน่วยพื้นที่ที่ปรับเปลี่ยนได้: การประเมินพืชพรรณใน Adelaide Parklands" (PDF) . Science of the Total Environment . 584– 585: 11– 18. Bibcode : 2017ScTEn.584...11N . doi : 10.1016/j.scitotenv.2017.01.130 . PMID 28131936 . เก็บถาวร(PDF)จากต้นฉบับเมื่อวันที่ 7 ธันวาคม 2566 . สืบค้นเมื่อ6 ธันวาคม 2566 .
^ Zeng, Yelu; Hao, Dalei; Huete, Alfredo; Dechant, Benjamin; Berry, Joe; Chen, Jing M.; Joiner, Joanna; Frankenberg, Christian; Bond-Lamberty, Ben; Ryu, Youngryel; Xiao, Jingfeng; Asrar, Ghassem R.; Chen, Min (2022-05-31). "ดัชนีพืชพรรณเชิงแสงสำหรับการตรวจสอบระบบนิเวศบนบกทั่วโลก" Nature Reviews Earth & Environment . 3 (7): 477– 493. doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X .
^ Richardson, AJ และ CL Wiegand (1977) 'การแยกแยะพืชพรรณออกจากข้อมูลพื้นหลังของดิน'วิศวกรรมโฟโตแกรมเมตริกและการสำรวจระยะไกล 43, 1541-1552
^ Huete, AR (1988) 'ดัชนีพืชพรรณที่ปรับตามดิน (SAVI)'การสำรวจระยะไกลของสิ่งแวดล้อม 25 53-70
^ Kaufman, YJ และ D. Tanre (1992) 'ดัชนีพืชพรรณที่ทนต่อบรรยากาศ (ARVI) สำหรับ EOS-MODIS' ใน 'Proc. IEEE Int. Geosci. and Remote Sensing Symp. '92″, IEEE, นิวยอร์ก, 261-270
^ Pinty, B.; Verstraete, MM (1992). "GEMI: ดัชนีไม่เชิงเส้นสำหรับติดตามพืชพรรณทั่วโลกจากดาวเทียม" Vegetatio . 101 (1). Springer Nature: 15– 20. doi : 10.1007/bf00031911 . ISSN 0042-3106 . S2CID 32216977 .
^ A. Huete, K. Didan, T. Miura, EP Rodriguez, X. Gao, LG Ferreira.ภาพรวมของประสิทธิภาพทางรังสีและชีวฟิสิกส์ของดัชนีพืชพรรณ MODISการสำรวจระยะไกลของสิ่งแวดล้อม 83(2002) 195-213 doi : 10.1016/S0034-4257(02)00096-2 .

ลิงก์ภายนอก

ข้อมูลเบื้องต้นเกี่ยวกับ NOAA AVHRR
ข้อมูลเบื้องต้นเกี่ยวกับ NDVI
โครงการพืชพรรณ

[BOMNDVI-1] ข้อมูลดาวน์โหลดจากสำนักงานอุตุนิยมวิทยาแห่งออสเตรเลียเมื่อวันที่ 13 มิถุนายน 2018 นำมาสร้างแผนที่ด้วยโปรแกรม R จัดเก็บไว้ที่ Wayback Machine เมื่อวันที่ 31 มกราคม 2023 (14 มิถุนายน 2018)

[2] Rouse, JW, Haas, RH, Scheel, JA และ Deering, DW (1974) 'การติดตามระบบพืชพรรณในที่ราบใหญ่ด้วย ERTS'รายงานการประชุมสัมมนาดาวเทียมเทคโนโลยีทรัพยากรโลก (ERTS) ครั้งที่ 3เล่ม 1 หน้า 48-62 https://ntrs.nasa.gov/citations/19740022614 เก็บถาวรเมื่อวันที่ 31 มกราคม 2023 ที่ Wayback Machine

[3] Kriegler, FJ, Malila, WA, Nalepka, RF และ Richardson, W. (1969) 'การแปลงข้อมูลก่อนการประมวลผลและผลกระทบต่อการจดจำภาพหลายสเปกตรัม'รายงานการประชุมสัมมนาวิชาการนานาชาติครั้งที่ 6 เรื่องการสำรวจระยะไกลของสิ่งแวดล้อมหน้า 97-131

[4] Gates, David M. (1980)นิเวศวิทยาชีวฟิสิกส์ , Springer-Verlag, นิวยอร์ก, 611 หน้า

[5] "การวัดพืชพรรณ" NASA Earth Observatory. 30 สิงหาคม 2000. เก็บถาวรจากต้นฉบับเมื่อ 16 มีนาคม 2011. สืบค้นเมื่อ13 พฤศจิกายน 2010 .

[6] Crippen, RE (1990) 'การคำนวณดัชนีพืชพรรณได้เร็วขึ้น' การสำรวจระยะไกลของสิ่งแวดล้อม 34 , 71-73

[7] Sellers, PJ (1985) 'การสะท้อนแสงของเรือนยอด การสังเคราะห์แสง และการคายน้ำ' วารสารนานาชาติว่าด้วยการสำรวจระยะไกล6 ,1335-1372.

[8] Myneni, RB, FG Hall, PJ Sellers และ AL Marshak (1995) 'การตีความดัชนีพืชพรรณสเปกตรัม' IEEE Transactions on Geoscience and Remote Sensing , 33 , 481-486.

[:0-9] Kubaski, Kauan Mateus. "สภาพภูมิอากาศในเมือง: อุณหภูมิพื้นผิวและ NDVI การวิเคราะห์อิทธิพลใน Ponta Grossa-PR" (PDF) (เป็นภาษาโปรตุเกสบราซิล). UEPG (รองอธิการบดีฝ่ายวิจัยและบัณฑิตศึกษา-PROPESP). เก็บถาวรจากต้นฉบับ(PDF)เมื่อวันที่ 9 กรกฎาคม 2019 เรียกดูเมื่อวันที่ 10 กันยายน 2018

[10] Lyseng, Ron (2 กุมภาพันธ์ 2017). "Sentera เชื่อมต่อโปรเซสเซอร์กับเซนเซอร์สำหรับ NDVI แบบเรียลไทม์" . Western Producer .

[:1-11] Zeng, Yelu; Hao, Dalei; Huete, Alfredo; Dechant, Benjamin; Berry, Joe; Chen, Jing M.; Joiner, Joanna; Frankenberg, Christian; Bond-Lamberty, Ben; Ryu, Youngryel; Xiao, Jingfeng; Asrar, Ghassem R.; Chen, Min (2022-05-31). "ดัชนีพืชพรรณเชิงแสงสำหรับการตรวจสอบระบบนิเวศบนบกทั่วโลก" Nature Reviews Earth & Environment . 3 (7): 477– 493. doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X .

[:02-12] Huang, Sha; Tang, Lina; Hupy, Joseph P.; Wang, Yang; Shao, Guofan (2021-02-01). "บทวิจารณ์เชิงวิเคราะห์เกี่ยวกับการใช้ดัชนีพืชพรรณความแตกต่างปกติ (NDVI) ในยุคการสำรวจระยะไกลที่เป็นที่นิยม"วารสารวิจัยป่าไม้ 32 ( 1): 1– 6. doi : 10.1007/s11676-020-01155-1 . ISSN 1993-0607 .

[:2-13] Nouri, Hamideh; Anderson, Sharolyn; Sutton, Paul; Beecham, Simon; Nagler, Pamela; Jarchow, Christopher J.; Roberts, Dar A. (เมษายน 2017). "NDVI, ความไม่แปรผันตามมาตราส่วน และปัญหาหน่วยพื้นที่ที่ปรับเปลี่ยนได้: การประเมินพืชพรรณใน Adelaide Parklands" (PDF) . Science of the Total Environment . 584– 585: 11– 18. Bibcode : 2017ScTEn.584...11N . doi : 10.1016/j.scitotenv.2017.01.130 . PMID 28131936 . เก็บถาวร(PDF)จากต้นฉบับเมื่อวันที่ 7 ธันวาคม 2023 . สืบค้นเมื่อ6 ธันวาคม 2023 .

[14] ราโดชาจ, โดริจาน; ชิลเยก, อันเต; มาริโนวิช, ราจโก้; จูริซิช, มลาเดน (18-03-2566) "สถานะของดัชนีพืชพรรณหลักในการศึกษาเกษตรกรรมที่แม่นยำจัดทำดัชนีใน Web of Science: การทบทวน " เกษตรกรรม . 13 (3): 707. ดอย : 10.3390 / agriculture13030707 ISSN 2077-0472 .

[15] Zeng, Yelu; Hao, Dalei; Huete, Alfredo; Dechant, Benjamin; Berry, Joe; Chen, Jing M.; Joiner, Joanna; Frankenberg, Christian; Bond-Lamberty, Ben; Ryu, Youngryel; Xiao, Jingfeng; Asrar, Ghassem R.; Chen, Min (2022-05-31). "ดัชนีพืชพรรณเชิงแสงสำหรับการตรวจสอบระบบนิเวศบนบกทั่วโลก" Nature Reviews Earth & Environment . 3 (7): 477– 493. doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X .

[16] Holben, BN (1986) 'ลักษณะเฉพาะของภาพคอมโพสิตค่าสูงสุดจากข้อมูล AVHRR เชิงเวลา'วารสารนานาชาติการสำรวจระยะไกล 7 (11) , 1417-1434

[17] Labib, SM; Lindley, Sarah; Huck, Jonny J. (กรกฎาคม 2020). "ผลกระทบของขนาดต่อตัวชี้วัดพื้นที่สีเขียวที่ตรวจวัดจากระยะไกลและวิธีการบรรเทาผลกระทบเหล่านั้นสำหรับการประเมินความเสี่ยงต่อสุขภาพสิ่งแวดล้อม" Computers , Environment and Urban Systems . 82 101501. Bibcode : 2020CEUS...8201501L . doi : 10.1016/j.compenvurbsys.2020.101501 .

[18] Nouri, Hamideh; Anderson, Sharolyn; Sutton, Paul; Beecham, Simon; Nagler, Pamela; Jarchow, Christopher J.; Roberts, Dar A. (15 เมษายน 2560). "NDVI, ความไม่แปรผันตามมาตราส่วน และปัญหาหน่วยพื้นที่ที่ปรับเปลี่ยนได้: การประเมินพืชพรรณใน Adelaide Parklands" (PDF) . Science of the Total Environment . 584– 585: 11– 18. Bibcode : 2017ScTEn.584...11N . doi : 10.1016/j.scitotenv.2017.01.130 . PMID 28131936 . เก็บถาวร(PDF)จากต้นฉบับเมื่อวันที่ 7 ธันวาคม 2566 . สืบค้นเมื่อ6 ธันวาคม 2566 .

[:12-19] Zeng, Yelu; Hao, Dalei; Huete, Alfredo; Dechant, Benjamin; Berry, Joe; Chen, Jing M.; Joiner, Joanna; Frankenberg, Christian; Bond-Lamberty, Ben; Ryu, Youngryel; Xiao, Jingfeng; Asrar, Ghassem R.; Chen, Min (2022-05-31). "ดัชนีพืชพรรณเชิงแสงสำหรับการตรวจสอบระบบนิเวศบนบกทั่วโลก" Nature Reviews Earth & Environment . 3 (7): 477– 493. doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X .

[20] Richardson, AJ และ CL Wiegand (1977) 'การแยกแยะพืชพรรณออกจากข้อมูลพื้นหลังของดิน'วิศวกรรมโฟโตแกรมเมตริกและการสำรวจระยะไกล 43, 1541-1552

[21] Huete, AR (1988) 'ดัชนีพืชพรรณที่ปรับตามดิน (SAVI)'การสำรวจระยะไกลของสิ่งแวดล้อม 25 53-70

[22] Kaufman, YJ และ D. Tanre (1992) 'ดัชนีพืชพรรณที่ทนต่อบรรยากาศ (ARVI) สำหรับ EOS-MODIS' ใน 'Proc. IEEE Int. Geosci. and Remote Sensing Symp. '92″, IEEE, นิวยอร์ก, 261-270

[23] Pinty, B.; Verstraete, MM (1992). "GEMI: ดัชนีไม่เชิงเส้นสำหรับติดตามพืชพรรณทั่วโลกจากดาวเทียม" Vegetatio . 101 (1). Springer Nature: 15– 20. doi : 10.1007/bf00031911 . ISSN 0042-3106 . S2CID 32216977 .

[24] A. Huete, K. Didan, T. Miura, EP Rodriguez, X. Gao, LG Ferreira.ภาพรวมของประสิทธิภาพทางรังสีและชีวฟิสิกส์ของดัชนีพืชพรรณ MODISการสำรวจระยะไกลของสิ่งแวดล้อม 83(2002) 195-213 doi : 10.1016/S0034-4257(02)00096-2 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 10 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 20 ]

21

22

23

[