Расчет и оценка временных трендов в рядах вегетационных индексов

Размещено на http://www.allbest.ru/

Введение

Совершенствование методов прогнозирования урожайности сельскохозяйственных культур всегда было и остаётся одной из актуальнейших задач агрометеорологии. Новые, выверенные алгоритмы агрометеорологического прогнозирования позволяют более эффективно использовать потенциал современного сельского хозяйства, а также своевременно разрабатывать и внедрять новейшие технологии повышения урожайности.

Несмотря на то, что в последние годы в методики прогнозирования урожайности широко внедряются детальные имитационные модели продукционного процесса, основным инструментом, применяемым для этих целей, продолжают оставаться статистические модели. При разработке таких моделей традиционно используется приземная метеорологическая информация. При этом в качестве основных факторов, которые в наибольшей степени влияют на конечную урожайность сельскохозяйственных культур, используется температура приземного воздуха и атмосферные осадки. В некоторых случаях для таких целей используются комбинации агроклиматических показателей, выраженные в виде индексов.

В конце 20-го века были созданы первые спутниковые системы по мониторингу состояния подстилающей поверхности. Развитие таких систем привело к тому, что в настоящее время стали доступными непрерывные ряды дистанционных спутниковых наблюдений за достаточно продолжительные периоды, большие 20-25 лет. Поскольку такая продолжительность рядов уже может считаться достаточной для построения статистических моделей урожайности сельскохозяйственных культур, встал вопрос об эффективности использования такой спутниковой информации для прогностических целей. Несмотря на то, что к настоящему времени проведено определённое количество исследований, посвящённых данной проблеме, вопрос о развитии такого типа прогностических моделей продолжает оставаться весьма актуальным.

Цели и задачи курсовой работы:

1) Провести обзор современного состояния работ по использованию спутниковой информации в работах по мониторингу состояния сельскохозяйственных культур и в исследованиях по прогнозированию их продуктивности.

2) Выявить наличие временных трендов в имеющихся рядах спутниковых данных по вегетационным индексам VCI и TCI, с пространственным разрешением 16х16 квадратных километров и с недельной временной дискретностью.

3) Получить оценки статистической значимости выявленных трендов.

1. Методы прогнозирования урожайности

1.1 История вопроса

Изначально, основной прогностической задачей в агрометеорологии являлось создание агроклиматических прогнозов, базировавшихся на физиологических особенностях сельскохозяйственных культур. Основной идеей при составлении таких прогнозов являлось выделение критических стадий в формировании культуры. Для зерновых культур к таким стадиям относили кущение и колошение. Предполагалось, что совокупность агрометеорологических факторов именно в эти периоды наибольшим образом влияет на формирование конечной урожайности. Из-за ограниченной доступности данных по агрометеорологическим параметрам основными показателями для построения прогностических моделей считались температура и осадки. Исходя из предположения, что агрометеорологические факторы действуют не независимо, а в совокупности, то было предложено объединить эти факторы в один индекс. Такое объединение проводилось на основании физиолого-агрометеорологических и эмпирических выводов. Такого рода агроклиматические индексы были предложены Г.Т. Селяниновым (температура и осадки) и М.И. Будыко (радиационный баланс и осадки) (Селянинов, 1930; Будыко, 1956).

Главной задачей дальнейшего совершенствования прогнозов стала работа по увеличению точности прогнозов за счёт использования дополнительных данных, а также регионализация получаемых прогнозов и, тем самым, переход от более общих агроклиматических прогнозов к региональным. В качестве дополнительной информации использовались различные показатели, к которым относятся данные об увлажнённости почв, запасах снега, а также оценки, получаемые при обработке данных авиасъёмки. При этом по-прежнему использовалось предположение о главных (или критических) стадиях развития сельскохозяйственных культур, поэтому дополнительная информация собиралась не для всего периода вегетации, а только для этих периодов. Такой подход позволил значительно увеличить точность прогнозов, а также позволил составлять различные прогностические схемы для разных регионов, в зависимости от локальных агрометеорологических особенностей. Тем не менее, для использования таких прогнозов в масштабах страны (СССР) требовались большая техническая база и регулярное проведение комплексов измерений, сделавшие в дальнейшем такие прогнозы экономически не целесообразными.

Во второй половине 20-го века происходило развитие технических (автоматических, электронных средств получения данных и общее увеличение объёма доступной информации, а также бурное развитие спутниковых методов наблюдения за состоянием земной поверхности. Всё это, в свою очередь, привело к значительному увеличению вычислительного потенциала компьютеров и их всеобщему распространению. Благодаря этому, стало возможно создание и эффективное использование более сложных математических и статистических моделей урожайности c использованием значительно более сложных схем расчётов и учётом множества влияющих факторов.

Происходит разделение агрометеорологического прогнозирования на два направления. К первому относятся биолого-физиологические (или имитационные) модели урожайности. Такие модели применяются, в основном для регионального моделирования урожайности в пределах одного или нескольких лет. Ко второй группе моделей относятся эмпирико-статистические модели урожайности, используемые для построения агроклиматических прогнозов. В таких моделях в качестве зависимой переменной выступает конечная урожайность, а в качестве предикторов (независимых переменных) могут выступать любые переменные.

1.2 Статистические модели урожайности

Исследования этого направления основываются на универсальном приёме: с привлечением информации о дискретной динамике гидрометеорологических элементов и итоговой урожайности (или показателях состояния посева на определённый срок) выписывается конечное уравнение их связи. Коэффициенты таких зависимостей вычисляются с использованием «конкретных реализаций» этой связи за достаточное количество лет. Вычислительному этапу разработок предшествует тщательный анализ, необходимый для достоверного выделения наиболее значимых гидрометеорологических предикторов. Значительное внимание при физико-статистическом прогнозировании уделяется изучению физиологических особенностей развития сельскохозяйственных растений. При этом, в частности, выявляется последовательность и продолжительность фенофаз.

Эмпирико-статистические модели, построенные для различных регионов и сельскохозяйственных культур, представляют собой набор частных методик прогнозирования урожайности. В совокупности с полевыми наблюдениями этот комплекс методик сформировал компоненту государственного прогноза в СССР. Большинство иностранных исследований в области построения эмпирико-статистических моделей урожайности было проведено в США, Канаде и Японии. Первые подобные исследования в США были проведены в 60-е - 70-е годы 20-го века и были связаны с прогнозированием урожайности яровой пшеницы. Отличительной чертой американских исследований являлось то, что в них учитывались экономические факторы роста урожайности. Известны модифицированные варианты моделей такого же типа, которые применялись для оценок влияния климатических изменений на урожайность зерновых культур в США.

1.3 Математическое моделирование продуктивности сельскохозяйственных культур

С середины 60-х годов прошлого столетия в агрометеорологии значительное развитие получило направление, базирующееся на физических предпосылках. Можно сказать, что уже первые исследования, в которых ставилась задача расчёта интегрального фотосинтетического газообмена растительного покрова, предопределили развитие в дальнейшем прогностических методик. В этих разработках изучалось влияние на интегральный фотосинтез, главным образом, характеристик радиационного и углекислотного режимов растительности. Далее в число факторов, определяющих продуктивный газообмен, были включены и другие показатели, такие как водно-тепловой режим. Математические модели представляют собой блочные схемы, в которых численно воспроизводится динамика накопления фитомасс посевом. В блоках реализованы подмодели радиационного, метеорологического, углекислотного, почвенного и других режимов агрометеорологической системы. Главное преимущество использования математических моделей по сравнению с эмпирико-статистическими состоит в их универсальности и конкретности используемых методик.

К 1980-м годам развитие этого направления исследований привело к появлению моделей продукционного процесса растений. Несмотря на возможность использования таких моделей для прогнозов урожайности, они так и не стали применяться в агрометеорологии стандартно.

Благодаря резкому увеличению вычислительной мощности компьютеров, исследования в области математического моделирования агрометеорологического комплекса становятся всё более актуальными. Именно развитие вычислительной техники позволяет теперь использовать сложные математические модели, с привлечением большого количества исходной информации. В современных динамических моделях урожайности используются научные знания о биологических процессах, регулирующих рост растений, интегрируются результаты работы учёных из разных областей. Благодаря такому подходу динамические модели являются мощным инструментом, имеющим два основных преимущества перед полевыми наблюдениями: во-первых, низкая цена и, во-вторых, экономия времени. Результатом работы имитационных моделей могут быть как конечные значения цикла роста растений, например, урожайность, так и некоторые промежуточные величины, такие как площадь листвы или весовая характеристика (величина наземной биомассы). В целом, построение таких моделей носит аналитический характер. Тем не менее, такие модели часто используются для целей прогнозирования урожайности. Считается, что более простые эмпирико-статистические модели, использующие в качестве предикторов основные агрометеорологические показатели (температуру, осадки, радиацию) могут быть более адекватными с точки зрения прогнозирования урожайности. Но статистические модели должны быть построены отдельно для каждой исследуемой области, тогда как для имитационных моделей требуется лишь калибровка под определённые условия. Более того, имитационные модели предоставляют более широкие возможности контроля поведения моделей в период роста растений. Существенным недостатком динамических моделей является то, что для получения наиболее качественных результатов необходимо обладать как можно более подробными сведениями о регионе, для которого производится расчёт. К таким данным относятся почвенные данные (тип почвы, условия увлажнения, вертикальная структура), биологические параметры конкретного вида растений, климатические и погодные параметры региона (температура, осадки), а также данные о количестве и типе вносимых удобрений. Чем полнее и детальнее сведения, тем точнее получаются прогнозы. Такого рода сведения не всегда можно получить для относительно небольших регионов, поэтому часто используются более обобщённые данные, для которых затем применяют методы калибровки модели, настраивая её параметры для определённого района, при этом качество модели неизбежно ухудшается.

1.4 Современный комплекс динамических моделей

К настоящему времени разработано множество динамических моделей урожайности для различных сортов сельскохозяйственных культур, произрастающих в разных агрометеорологических условиях. Для упрощения использования модели сведены в единый комплекс - DSSAT (Decision Support System for Agrotechnology Transfer). Этот комплекс в настоящее время состоит из 27 моделей для различных типов растительности и набора инструментов для упрощения и изменения исходных данных, анализа и обработки полученных результатов. Комплекс DSSAT используется и совершенствуется на протяжении уже более 15 лет исследователями в более, чем 100 странах мира. Таким образом, этот пакет объединяет в себе прикладные и исследовательские возможности. Более того, использование DSSAT ведёт к стандартизации полученных данных, что существенно упрощает анализ результатов.

1.5 Применение спутниковой информации в задачах прогнозирования урожайности

Применение данных спутникового зондирования в задачах прогнозирования урожайности можно условно разделить на два основных направления. Первым из них можно считать применение вегетационных индексов совместно с динамическими моделями урожайности. В этом случае спутниковая информация дополняет математическую модель урожайности или используется для калибровки модели. Такие исследования стали возможны лишь в последнее десятилетие, когда появились спутники с радиометрами высокого пространственного разрешения. Целью подобных исследований является увеличение точности агрометеорологических прогнозов для небольших площадей (отдельных полей). Решение таких задач особенно актуально для территории европейских государств, где сельскохозяйственные поля фрагментарны, и на соседних полях могут возделываться различные культуры. Поскольку получение полного набора агрометеорологических характеристик каждой столь малой территориальной единицы не всегда возможно в силу разных причин, то использование данных спутникового зондирования может помочь увеличить точность конечного прогноза урожайности.

Ко второму направлению можно отнести исследования, в которых урожайность прогнозируется методом построения многофакторных статистических моделей. При этом, предикторами выступают не только вегетационные индексы, но и данные наземных метеорологических измерений.

На сегодняшний день по-прежнему не существует универсального средства для составления прогнозов урожайности. Каждый из способов имеет свои достоинства и недостатки, поэтому исследования с целью увеличения эффективности агрометеорологического прогнозирования не теряют своей востребованности.

2. Вегетационные индексы

2.1 Определение вегетационного индекса подстилающей поверхности

Для построения регрессионных моделей урожайности сельскохозяйственных культур необходимо, чтобы исходные ряды данных о значениях расчётной и независимых переменных отвечали ряду требований. Главными требованиями являются достоверность, продолжительность и однородность рядов исходной сельскохозяйственной и спутниковой информации. В современной агрометеорологии исходные данные спутникового зондирования чаще всего представляются в виде вегетационных индексов. Вегетационный индекс - это показатель, рассчитываемый в результате операций с разными спектральными диапазонами и имеющий отношение к параметрам растительности в данном пикселе снимка. Наиболее известным и широко применяемым является индекс NDVI (Normalised Difference Vegetation Index), представляющий собой отношение разности потоков отражённой от земной поверхности солнечной радиации в видимом и близком инфракрасном (БИКР) диапазоне к их сумме.

NDVI = (F_vis - F_nir)/(F_vis + F_nir).

В этой формуле F_vis - поток радиации в видимом диапазоне, F_nir - поток радиации в близком инфракрасном диапазоне.

Кроме этого индекса используются и другие индексы, хотя практически все из них основаны на данных об индексе NDVI. Вегетационные индексы, или индексы состояния наземной растительности, имеют ряд существенных преимуществ перед данными приземных метеорологических наблюдений. Во-первых, в настоящее время данные спутникового зондирования покрывают практически всю поверхность земного шара и имеют высокое пространственное разрешение. Ряды данных спутникового зондирования уже достаточно продолжительны - с 1982 года до настоящего времени. В настоящее время пространственное разрешение данных спутникового зондирования применительно к задачам агрометеорологического характера доведено до нескольких десятков метров. Во-вторых, многие вегетационные индексы являются аккумулятивными показателями, отражающими интегральную динамику интегральных показателей развития растительности.

Можно отметить и то, что вегетационные индексы, которые характеризуют уровень «зелёности» растительности, устойчивы к кратковременным аномалиям метеорологических факторов. В-третьих, для вегетационных индексов принята величина временного осреднения в одну неделю, тогда как большинство из доступных метеорологических показателей являются помесячно осреднёнными характеристиками. Следует заметить, что до настоящего времени ряды вегетационных индексов ещё не столь продолжительны и могут содержать некоторые погрешности, связанные с использованием сложной спутниковой аппаратуры - высокоточных радиометров, подверженных так называемому «дроп-эффекту». В связи с этим, спутники приходится довольно часто обновлять.

2.2 Начальный этап использования вегетационных индексов в агрометеорологических исследованиях

Первым и самым простым индексом вегетации стало простое отношение излучения в ближнем инфракрасном и видимом диапазоне. Этот индекс был предложен Джорданом в 1969 году (Jordan, 1969).

После запуска спутника Landsat-1 в 1972 году было проведено множество исследований, целью которых было определить эффективность использования этой информации при изучении поверхности Земли. При исследованиях, проводимых для больших регионов, учёные столкнулись с проблемой изменения значений отражённой радиации в зависимости от освещённости. Роберт Хаас нашёл решение этой проблемы. Он использовал отношение суммы излучения в видимом и БИКР диапазоне к их разности и, таким образом, «нормировал» значения к высоте Солнца. Это отношение стали называть «нормированно-разностным вегетационным индексом» (NDVI). Первый официальный доклад по NDVI был сделан в 1973 году Роусом (Rouse et al., 1973). Использование индекса NDVI является, и по сей день, самым удачным подходом из множества попыток быстро и просто идентифицировать области вегетации и оценить их состояние. Он остаётся самым известным и наиболее используемым при работе со спутниковой информацией. Значения индекса NDVI изменяются от -1 до +1. В областях с плотной растительностью значения индекса положительны и находятся в пределах от 0.3 до 0.8. Над облаками, снегом и льдом значения индекса отрицательные. Над водными объектами индекс NDVI принимает слабо положительные или слабо отрицательные значения из-за их слабой отражательной способности как в видимом, так и в инфракрасном диапазоне излучения. Почвы, благодаря большему излучению в БИКР диапазоне, характеризуются небольшими положительными значениями (от 0.1 до 0.3).В дальнейшем, другими исследователями были предложены различные варианты вегетационных индексов, однако ни один из них не стал столь же популярным, как NDVI. В частности, в 1990-м году Криппен предположил, что только сумма излучений в видимом и БИКР спектре имеет значение для обработки спутниковых данных. Он предложил использовать Процентный Вегетационный Индекс (Percentage Vegetation Index (PVI)), к преимуществу которого можно отнести то, что значения такого индекса изменяются в пределах от 0 до 1, а не от -1 до 1, как в случае с NDVI (Crippen, 1990). Большая часть других вариантов индексов была разработана для использования при районировании и построении карт землепользования.

К вегетационным индексам, являющимся производными от индекса NDVI, относится индекс VCI (Vegetation Condition Index), характеризующий угнетённость растительного покрова. Этот индекс, а также температурный индекс TCI (Temperature Condition Index) были предложены в 1995 году Ф. Коганом. Позднее Ф. Коган ввёл, так называемый, индекс здоровья растительности (VHI), который является производным от индексов VCI и TCI.

прогнозирование урожайность сельскохозяйственный вегетационный

2.3 Обзор современной литературы, посвящённой использованию спутниковой информации в сельском хозяйстве

В последние годы было проведено несколько исследований, целью которых было сравнение индексов вегетации, полученных по-разному. В таких работах оценивалась точность, с которой индексы вегетации характеризуют реальное состояние биомассы. Эта информация также необходима при построении карт различных типов подстилающей поверхности. При этом использовались индексы, полученные с различных спутников, так и индексы, полученные посредством наземных измерений с помощью радиометров. Представляют интерес исследования, в которых использована информация, полученная при использовании радиометра высокого разрешения - AVHRR (Advanced Very High Resolution Radiometer) для районирования южной области Италии. Индекс NDVI применялся совместно с почвенным индексом (SAVI). В процессе исследований был определён наиболее оптимальный алгоритм обработки данных, и была составлена карта типов подстилающей поверхности исследуемого региона. Затем эта карта сравнивалась с подобной картой, построенной на данных интерпретации аэрофотосъёмки. В результате сравнения было получено хорошее совпадение обоих карт.

Одной из наиболее интересных работ в области сравнения эффективности использования различного рода индексов для описания состояния растительного покрова можно считать работу «Сравнительное исследование индексов засушливости NOAA-AVHRR c использованием «change vector analysis». Целью этой работы было сравнение пространственного распространения засушливых явлений, обнаруженных при помощи индексов засушливости, измеренных со спутника, в пустынных и полупустынных областях Монголии. В исследовании сравнивались три группы индексов. К первой из них относились индексы, рассчитанные на основе спутниковых измерений в областях видимого и ближнего инфракрасного излучения. К таким индексам относятся NDVI и VCI. Ко второй группе индексов относились индексы, полученные на основе яркостной температуры поверхности, включая TCI. Яркостная температура - это параметр, применяемый для количественной характеристики спектральной плотности энергетической яркости любого тела, нагретого до определённой температуры и имеющего непрерывный спектр. В третью группу вошли индексы, являющиеся комбинацией измерений в видимом, БИКР и ИК спектрах. К таким индексам относятся LST/NDVI, где LST - это яркостная температура подстилающей поверхности и VH, базирующийся на комбинации VCI и TCI. В результате проведения сравнительного анализа было выявлено, что между всеми рассматриваемыми индексами нет пространственного совпадения. Даже при том, что весь вегетационный период был разделён на 2-х месячные подпериоды (начало, середина и окончание). Наибольшие и статистически значимые корреляции были выявлены между индексами из первой группы, тогда как между индексами второй и третьей групп значимых корреляций найдено не было. Более того, было проведено сравнение пространственного распространения засушливых явлений по данным спутниковых индексов и индексов, рассчитанных по данным наземных метеорологических наблюдений. Было отмечено, что спутниковые индексы могут определять засушливые явления на больших площадях, чем это возможно с использованием метеорологических данных. Таким образом, главным выводом авторов стало утверждение о том, что трудно выделить наиболее надёжный индекс засушливости, а наземные наблюдения дают недостаточно информации для проведения более точного сравнения.

Здесь можно отметить и ряд других работ, посвящённых как сравнению спутниковых индексов с наземными данными, так и сравнению индексов, полученных с разных приборов (Gallo, Flesch, 1989).

2.4 Перечень вегетационных индексов и определяющих их формул

Значения вегетационных индексов определяется особенностями отражения. Вегетационные индексы выведены, главным образом, эмпирически. Основное предположение по их использованию состоит в том, что некоторые математические операции с разными спектральными диапазонами могут дать полезную информацию о растительности. Это подтверждается множеством эмпирических данных. Второе предположение - это идея, что открытая почва на снимке будет формировать в спектральном пространстве прямую линию (т.н. почвенная линия). Почти все распространённые вегетационные индексы используют соотношение красного - ближнего инфракрасного спектральных диапазонов. Предполагается, что в ближней инфракрасной области лежит линия поглощения открытой почвы. Подразумевается, что эта линия означает нулевое количество растительности.

В настоящее время существуют две разных идеи о направлении линий одинаковой растительности (изовегетационных линий):

1. Все изовегетационные линии сходятся в одной точке. Индексы, которые придерживаются этого предположения - это «ratio-based», относительные индексы, которые измеряют наклон линий между точкой конвергенции и точки RED-NIR соотношения в пикселе. Примерами являются индексы NDVI, SAVI и RVI.

2. Все изовегетационные линии идут параллельно почвенной линии. Эти индексы обычно называют «перпендикулярными» индексами. Они измеряют перпендикулярное расстояние от почвенной линии до точки RED-NIR в пикселе. Примеры таких индексов: PVI, WDVI и DVI.

Случай разреженной растительности

При всём своём разнообразии, вегетационные индексы, как правило, работают очень плохо для территорий с разреженным растительным покровом. Если растительный покров скудный, то спектр снимка зависит, в основном, от почвы. Почвы могут очень сильно различаться по отражению, даже если для анализа используются очень широкие спектральные диапазоны. Huete et al. (1985) и Elvidge and Lyon (1985) показали, что почвенный фон сильно влияет на индексы - если он яркий, то значение индекса будет меньше, если фон тёмный, то индекс будет больше. Elvidge and Lyon (1985) показали, что многие фоновые материалы (почва, камни, растительная подстилка) сильно варьируют в красном - ближнем инфракрасном диапазоне, и это может сильно изменить индекс. Для решения этих проблем более эффективным методом является применение анализа спектральных смесей.

Для определённых индексов существуют свои пороги чувствительности к разреженности растительности (например, NDVI не стоит применять, если растительный покров меньше 30%):

RVI, NDVI, IPVI = 30%

SAVI, MSAVI1, MSAVI2 = 15%

DVI = 30%

PVI, WDVI, GVI = 15%

Свойства различных вегетационных индексов

NDVI - самый известный индекс, и ему больше всего доверяют. NDVI прост для вычисления, имеет самый широкий динамический диапазон из распространённых индексов и лучшую чувствительность к изменениям в растительном покрове. Он умеренно чувствителен к изменениям почвенного и атмосферного фона, кроме случаев с бедной растительностью. Для того чтобы просто посмотреть на растительность на снимке с количественной точки зрения, нет ничего лучшего, чем NDVI, только если не имеется территория с бедной растительностью.

PVI - несколько менее, но тоже широко распространён. Имеет узкий динамический диапазон и меньшую чувствительность и очень чувствителен к изменению атмосферы. Относительно прост в использовании и нахождении почвенной линии, что важно для использования других индексов. Иногда он надёжней чем NDVI, если имеется бедная растительность. SAVI - хороший вариант, если цель исследования - разреженная растительность. В этом случае, если исследователь использует корректирующий фактор L больше, чем 0.5, он должен быть готов к указанию статьи Huete (1988) и того факта, что корректирующий фактор должен быть больше, чем 0.5, если растительный покров мал.

Индекс MSAVI также хорош, но он очень редко используется. Многие индексы, корректирующие влияние почвы, требуют предварительной коррекции.

Если специалист планирует использовать вегетационные индексы для долговременного мониторинга, он должен очень внимательно проанализировать вариабельность почв и выполнить атмосферную коррекцию. Существуют некоторые нюансы в изменениях значений вегетационных индексов, если точка съёмки отличается от надира, но всё зависит от конкретного случая.

Самые распространённые вегетационные индексы: NDVI, RVI, IPVI, WDVI.

Вегетационные индексы, минимизирующие влияние почвы: SAVI, TSAVI, MSAVI, MSAVI2, минимизирующие влияние атмосферы: GEMI, ARVI, SARVI, GVI.

Относительный вегетационный индекс RVI=NIR/RED впервые описан в работе Jordan (1969). Это широко распространённый индекс растительности, хотя его редко так называют. Обычная практика в обработке данных спектральных диапазонов - использование отношения каналов для нивелирования различных эффектов альбедо.

Параметры индекса RVI:

1. Изовегетационные линии сходятся в начале координат.

2. Почвенная линия с наклоном, равным 1, проходит через начало координат.

3. Диапазон изменений: от нуля до бесконечности.

Нормализованный разностный вегетационный индекс (Normalized Difference Vegetation Index)

NDVI= (NIR-RED)/ (NIR+RED) = (RVI-1)/ (RVI+1)

впервые описан в работе Rouse et al. (1973), концепция его впервые представлена - в статье Kriegler et al. (1969). NDVI чаще всего имеют в виду при упоминании вегетационного индекса. Одно из его преимуществ состоит в том, что его значения изменяются от -1 до 1, в отличие от RVI. RVI и NDVI функционально равнозначны и связаны друг с другом следующим образом:

NDVI = (RVI-1) / (RVI+1)

Параметры индекса:

1. Изовегетационные линии сходятся в начале координат.

2. Почвенная линия с наклоном, равным 1, проходит через начало координат.

3. Возможные значения: -1….+1.

Инфракрасный вегетационный индекс (Infrared Percentage VI, IPVI).

IPVI = NIR / (NIR+RED) = (NDVI+1)/2

впервые описал Crippen (1990), который обнаружил, что вычитание красной компоненты из числителя необязательно, что делает его вычисления менее трудоемкими. Индекс может принимать значения от 0 до 1, что устраняет необходимость сохранять знак и убирает отрицательные значения индекса. Функционально IPVI и NDVI эквивалентны.

Параметры индекса:

1. Изовегетационные линии сходятся в начале координат.

2. Почвенная линия с наклоном, равным 1, проходит через начало координат.

3. Возможные значения: 0….+1.

Разностный ВИ (Difference VI, DVI) определяется формулой

DVI=NIR-RED

Параметры этого индекса:

1. Перпендикулярный индекс.

2. Изовегетационная линия может иметь произвольный наклон и проходит через начало координат.

3. Возможные значения: любые.

Результаты и выводы:

1) Проведен обзор современного состояния исследований по использованию спутниковой информации при мониторинге состояния сельскохозяйственных культур и в работах по прогнозированию их продуктивности.

2) Проведены расчеты трендов в рядах спутниковых данных по вегетационным индексам VCI и TCI для территориальных единиц двух штатов США и некоторых областей России, имеющих пространственное разрешение 16х16 квадратных километров и недельную временную дискретность.

3) Получены оценки статистической значимости выявленных трендов вегетационных индексов.

Список литературы

1. Будыко М.И. Тепловой баланс земной поверхности. - Л.:Гидрометеоиздат, 1956. 156

2. Селянинов Г.Т. К вопросу о классификации сельскохозяйственных культур по климатическому признаку. Труды по сельскохозяйственной метеорологии. 1930. вып. 21. №2. с. 130-174.

3. Crippen, R.E. 1990. Calculating the Vegetation Index Faster, Remote Sensing of Environment, vol. 34, pp. 71-73.

4. Elvidge, C.D. and Lyon, R.J.P. 1985. Influence of rock-soil spectral variation on the assessment of green biomass, Remote Sensing of Environment, vol. 17, pp. 265-269.

5. Gallo, K.P. and T.K. Flesch. 1989: Large area crop monitoring with the NOAA AVHRR: estimating the silking stage of corn development. Remote Sensing Env., 27, 73-80.

6. Huete, A.R., Jackson, R.D., and Post, D.F. 1985. Spectral response of a plant canopy with different soil backgrounds, Remote Sensing of Environment, vol.17. pp. 37-53.

7. Huete, A.R., 1988: A soil-adjusted vegetation index (SAVI). Remote Sens. Env., 25: 295-309.

8. Jordan, C.F. 1969. Derivation of leaf area index from quality of light on the forest floor. Ecology, vol. 50, pp. 663-666.

9. Kriegler, F.J., Malila, W.A., Nalepka, R.F., and Richardson, W. 1969. Preprocessing transformations and their effects on multispectral recognition, in Proceedings of the Sixth International Symposium on Remote Sensing of Environment, University of Michigan, Ann Arbor, MI, pp.97-131.

10. Lillesand, T.M. and Kiefer, R.W. 1987. Remote Sensing and Image Interpretation. John Wiley and Sons, New York, Chichester, Brisbane, Toronto, Singapore, 721.

11. Rao, C.R.N., 1993: Nonlinearity corrections for the thermal infrared channels of the Advanced Very High Resolution Radiometer. Assessment and recommendations for corrections. NOAA Tech. Rpt. NESDIS 69, US Dept. of Commerce, NOAA, 25 pp.

12. Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1973: Monitoring vegetation systems in the great plains with ERTS, Third ERTS Symposium, NASA SP-351 I: 309-317.

Размещено на Allbest.ru