Negative NDVI-Werte entsprechen Wasser. Werte nahe Null deuten im Allgemeinen auf karge Gebiete mit Fels, Sand oder Schnee hin. Niedrige positive Werte repräsentieren Buschland und Grasland (etwa 0,2–0,4), während hohe positive Werte gemäßigte und tropische Regenwälder kennzeichnen (Werte nahe 1).

Der normalisierte Differenzvegetationsindex ( NDVI ) ist ein weit verbreitetes Maß zur Quantifizierung des Zustands und der Dichte der Vegetation mithilfe von Sensordaten. Er wird aus spektrometrischen Daten in zwei spezifischen Spektralbändern berechnet: Rot und Nahinfrarot. Diese spektrometrischen Daten stammen üblicherweise von Fernerkundungssensoren wie Satelliten.

Der NDVI-Wert ist aufgrund seiner Genauigkeit in der Industrie weit verbreitet. Er korreliert stark mit dem tatsächlichen Zustand der Vegetation am Boden. Der Index ist leicht zu interpretieren: Der NDVI-Wert liegt zwischen -1 und 1, wobei Werte nahe null auf geringe oder keine Vegetation hinweisen, negative Werte auf Nicht-Landflächen oder Wasserflächen und höhere Werte auf gesunde, dichte Vegetation. Er findet Anwendung in Bereichen wie Landwirtschaft, Dürreüberwachung und Ökosystemanalyse.

Kurze Geschichte

Präzisionslandwirtschaft NDVI 4 cm / Pixel GSD
NDVI im Juni über den Britischen Inseln (NOAA AVHRR)
NDVI im Oktober über den Britischen Inseln (NOAA AVHRR)
NDVI-6-Monats-Durchschnitt für Australien, 1. Dezember 2012 bis 31. Mai 2013. [ 1 ]

Die Erforschung des Weltraums begann mit dem Start von Sputnik 1 durch die Sowjetunion am 4. Oktober 1957. Dies war der erste künstliche Satellit , der die Erde umkreiste . Weitere erfolgreiche Starts, sowohl in der Sowjetunion (z. B. die Sputnik- und Cosmos -Programme) als auch in den USA (z. B. das Explorer-Programm ), führten rasch zur Entwicklung und zum Betrieb von Wettersatelliten . Diese Satelliten umkreisen die Erde und tragen Instrumente, die speziell für die Beobachtung der Erdatmosphäre und -oberfläche entwickelt wurden, um die Wettervorhersage zu verbessern . Ab 1960 waren die Satelliten der TIROS- Serie mit Fernsehkameras und Radiometern ausgestattet. Später (ab 1964) folgten die Nimbus -Satelliten und die Familie der Advanced Very High Resolution Radiometer (AVHRR) -Instrumente an Bord der Plattformen der National Oceanic and Atmospheric Administration (NOAA). Letztere messen das Reflexionsvermögen der Erde im roten und nahinfraroten Bereich sowie im thermischen Infrarot. Parallel dazu entwickelte die NASA den Erdbeobachtungssatelliten ERTS (Earth Resources Technology Satellite), der zum Vorläufer des Landsat-Programms wurde . Diese frühen Sensoren wiesen eine minimale spektrale Auflösung auf , umfassten aber in der Regel Bänder im roten und nahinfraroten Bereich, die unter anderem zur Unterscheidung von Vegetation und Wolken nützlich sind.

Mit dem Start des ersten ERTS-Satelliten – der bald darauf in Landsat 1 umbenannt wurde – am 23. Juli 1972 und seinem Multispektralscanner (MSS) finanzierte die NASA eine Reihe von Untersuchungen, um dessen Fähigkeiten zur Erdfernerkundung zu ermitteln . Eine dieser frühen Studien befasste sich mit dem Ergrünen der Vegetation im Frühjahr und dem anschließenden Austrocknen im Sommer und Herbst (der sogenannten „Frühlingsveränderung“) in der Nord-Süd-Ausdehnung der Great Plains im zentralen Teil der USA. Diese Region erstreckte sich über einen weiten Breitengradbereich von der Südspitze von Texas bis zur Grenze zwischen den USA und Kanada, was zu einer großen Bandbreite an Sonnenzenitwinkeln zum Zeitpunkt der Satellitenbeobachtungen führte .

Die Forscher dieser Studie in den Great Plains (Doktorand Donald Deering und sein Betreuer Dr. Robert Hass) stellten fest, dass die Korrelation bzw. Quantifizierung der biophysikalischen Eigenschaften der Weidevegetation dieser Region anhand der spektralen Satellitensignale durch die Unterschiede im Sonnenzenitwinkel entlang dieses starken Breitengradgradienten erschwert wurde. Mithilfe des ortsansässigen Mathematikers Dr. John Schell untersuchten sie Lösungsansätze für dieses Problem und entwickelten schließlich das Verhältnis der Differenz der roten und infraroten Strahlungsintensitäten zu ihrer Summe, um die Auswirkungen des Sonnenzenitwinkels zu korrigieren bzw. zu „normalisieren“. Ursprünglich nannten sie dieses Verhältnis „ Vegetationsindex “ (und eine Variante, die Quadratwurzeltransformation des Differenz-Summen-Verhältnisses, den „Transformierten Vegetationsindex“). Da jedoch mehrere andere Fernerkundungsforscher das einfache Rot/Infrarot-Verhältnis und andere Spektralverhältnisse als „Vegetationsindex“ bezeichneten, begannen sie schließlich, die Formulierung des Differenz-Summen-Verhältnisses als normalisierten Differenzvegetationsindex zu bezeichnen. Die erste dokumentierte Anwendung des NDVI in der Great-Plains-Studie stammt von Rouse et al. [ 2 ] aus dem Jahr 1973 (Dr. John Rouse war Direktor des Fernerkundungszentrums der Texas A&M University, wo die Great-Plains-Studie durchgeführt wurde). Allerdings hatten Kriegler et al. bereits 1969 einen normalisierten Differenzspektralindex entwickelt [ 3 ] . Kurz nach dem Start von ERTS-1 (Landsat-1) veröffentlichte Compton Tucker vom Goddard Space Flight Center der NASA eine Reihe früher wissenschaftlicher Artikel, in denen er die Anwendung des NDVI beschrieb.

Der NDVI war somit einer der erfolgreichsten Versuche, Vegetationsflächen und ihren Zustand einfach und schnell zu erfassen, und ist nach wie vor der bekannteste und am häufigsten verwendete Index zur Erkennung lebender grüner Pflanzenbestände in multispektralen Fernerkundungsdaten. Nachdem die Machbarkeit der Vegetationserkennung nachgewiesen war, nutzten Anwender den NDVI häufig auch zur Quantifizierung der Photosynthesekapazität von Pflanzenbeständen. Dies kann jedoch, wie im Folgenden erläutert wird, recht komplex sein, wenn es nicht korrekt durchgeführt wird.

Begründung

Typisches PAR-Wirkungsspektrum, dargestellt neben den Absorptionsspektren für Chlorophyll-A, Chlorophyll-B und Carotinoide.

Lebende grüne Pflanzen absorbieren Sonnenstrahlung im photosynthetisch aktiven Strahlungsbereich (PAR) und nutzen diese als Energiequelle für die Photosynthese . Blattzellen haben zudem die Fähigkeit entwickelt, Sonnenstrahlung im nahen Infrarotbereich (der etwa die Hälfte der gesamten einfallenden Sonnenenergie enthält) wieder abzugeben, da die Photonenenergie bei Wellenlängen über etwa 700 Nanometern zu gering ist, um organische Moleküle zu synthetisieren. Eine starke Absorption in diesem Wellenlängenbereich würde lediglich zu einer Überhitzung der Pflanze und möglicherweise zu Gewebeschäden führen. Daher erscheinen lebende grüne Pflanzen im PAR-Bereich relativ dunkel und im nahen Infrarot relativ hell. [ 4 ] Im Gegensatz dazu sind Wolken und Schnee im roten Bereich (sowie in anderen sichtbaren Wellenlängen) eher hell und im nahen Infrarot recht dunkel. Das Pigment in Pflanzenblättern, Chlorophyll , absorbiert sichtbares Licht (von 400 bis 700 nm) stark und nutzt es für die Photosynthese. Die Zellstruktur der Blätter reflektiert hingegen stark Nahinfrarotlicht (von 700 bis 1100 nm). Je mehr Blätter eine Pflanze besitzt, desto stärker wird diese Lichtwellenlänge beeinflusst. Da frühe Erdbeobachtungsinstrumente wie NASAs ERTS und NOAAs AVHRR Daten im sichtbaren und nahinfraroten Bereich erfassten, lag es nahe, die deutlichen Unterschiede in der Pflanzenreflexion zu nutzen, um deren räumliche Verteilung in diesen Satellitenbildern zu bestimmen.

Der NDVI wird aus diesen Einzelmessungen wie folgt berechnet:

Dabei stehen „Rot“ und „NIR“ für die spektralen Reflexionsmessungen im roten (sichtbaren) bzw. nahinfraroten Bereich. [ 5 ] Diese spektralen Reflexionsgrade sind Verhältnisse der reflektierten zur einfallenden Strahlung in jedem Spektralband und nehmen daher Werte zwischen 0 und 1 an. Der NDVI selbst variiert somit definitionsgemäß zwischen -1 und +1. Der NDVI ist funktional, aber nicht linear, äquivalent zum einfachen Infrarot/Rot-Verhältnis (NIR/VIS). Der Vorteil des NDVI gegenüber einem einfachen Infrarot/Rot-Verhältnis beschränkt sich daher im Allgemeinen auf eine mögliche Linearität seiner funktionalen Beziehung zu Vegetationseigenschaften (z. B. Biomasse). Das einfache Verhältnis (im Gegensatz zum NDVI) ist immer positiv, was praktische Vorteile bieten kann, aber auch einen mathematisch unendlichen Bereich (0 bis unendlich) aufweist, was im Vergleich zum NDVI ein praktischer Nachteil sein kann. In diesem Zusammenhang ist auch zu beachten, dass der VIS-Term im Zähler des NDVI das Ergebnis lediglich skaliert und dadurch negative Werte erzeugt. Der NDVI ist funktional und linear äquivalent zum Verhältnis NIR / (NIR+VIS), das Werte zwischen 0 und 1 annimmt und somit weder negativ noch unbegrenzt ist. [ 6 ] Das wichtigste Konzept zum Verständnis der algebraischen NDVI-Formel ist jedoch, dass es sich trotz seines Namens um eine Transformation eines Spektralverhältnisses (NIR/VIS) handelt und keine funktionale Beziehung zu einer Spektraldifferenz (NIR-VIS) besteht.

Im Allgemeinen gilt: Wenn im Nahinfrarotbereich deutlich mehr Strahlung reflektiert wird als im sichtbaren Bereich, ist die Vegetation in dem entsprechenden Pixel wahrscheinlich dicht und enthält möglicherweise einen Wald. Weiterführende Untersuchungen haben gezeigt, dass der NDVI direkt mit der Photosynthesekapazität und damit der Energieabsorption von Pflanzenbeständen zusammenhängt. [ 7 ] [ 8 ] Obwohl der Index negative Werte annehmen kann, weist der NDVI selbst in dicht besiedelten Stadtgebieten üblicherweise einen (kleinen) positiven Wert auf. Negative Werte werden eher in der Atmosphäre und bei bestimmten Materialien beobachtet . [ 9 ]

Landwirtschaftliche Anwendungen

In der Präzisionslandwirtschaft werden NDVI-Daten zur Beurteilung des Pflanzenzustands eingesetzt. Heutzutage werden hierfür häufig Agrardrohnen verwendet , die mit NDVI-Daten kombiniert werden, um diese zu vergleichen und Probleme im Pflanzenzustand zu erkennen. Ein Beispiel hierfür sind die Agrardrohnen von PrecisionHawk und Sentera, die es Landwirten ermöglichen, NDVI-Daten innerhalb eines Tages zu erfassen und zu verarbeiten – ein Fortschritt gegenüber den traditionellen NDVI-Anwendungen mit ihren langen Verzögerungszeiten. [ 10 ] Zahlreiche aktuelle Forschungsarbeiten haben gezeigt, dass NDVI-Bilder durch einige Modifikationen sogar mit herkömmlichen digitalen RGB-Kameras aufgenommen werden können, um ähnliche Ergebnisse wie mit Multispektralkameras zu erzielen. Sie lassen sich effektiv in Systemen zur Überwachung des Pflanzenzustands implementieren.

Neben Drohnen wird der NDVI (Normalized Difference Vegetation Index) zur Überwachung des Pflanzenwachstums in verschiedenen Stadien eingesetzt, von der frühen Wachstumsphase bis zur Reife. So lässt sich nachvollziehen, wie die Vegetation während der Vegetationsperiode wächst. Diese Datenerfassung hilft, räumliche Unterschiede innerhalb des Feldes zu erkennen und zu überprüfen, ob einige Bereiche gesünder wachsen als andere und ob der Zeitpunkt des jeweiligen Wachstumsstadiums korrekt ist. Landwirte nutzen den NDVI insbesondere, um Bewässerungsintensität und Düngemitteleinsatz zu überwachen und so Abfall und Kosten zu reduzieren. Er ermöglicht die Schätzung des Blattflächenindex (LAI), der Biomasse und der Vegetationsbedeckung, die Landwirte zur Bestimmung des Ernteertrags benötigen. [ 11 ] Dazu gehört auch die Möglichkeit, Pflanzenstress frühzeitig zu erkennen. Dieser kann beispielsweise durch Wassermangel, Nährstoffmangel oder Krankheiten verursacht werden. [ 12 ] Da der NDVI auch eine Vorhersagekraft besitzt, wird er in Ertragsprognosemodellen eingesetzt, da ein höherer NDVI-Wert häufig mit höherer Produktivität bzw. Biomasse einhergeht. Mithilfe von NDVI-Zeitreihendaten können Landwirte saisonale Trends verfolgen, diese mit denen der Vorjahre vergleichen und sich auf Veränderungen durch die künftige Klimavariabilität , wie beispielsweise vermehrte Dürreperioden oder Hitzewellen, vorbereiten. [ 11 ]

Der NDVI kann beispielsweise zur Überwachung von Dürreperioden eingesetzt werden, indem Veränderungen der Vegetationsdichte im Zeitverlauf verfolgt werden. Niedrigere Werte können auf planetaren Stress aufgrund verringerter Wasserverfügbarkeit hinweisen. Dies hilft bei der Analyse großflächiger Ökosystemveränderungen, einschließlich saisonaler Vegetationszyklen und langfristiger Veränderungen durch Klimawandel und Landnutzungsänderungen. Der NDVI findet auch Anwendung bei der Erkennung von Entwaldung und Schäden an der Landbedeckung , da sinkende Werte häufig auf Vegetationsverlust oder -degradation hinweisen. [ 11 ] Diese Daten werden in der Stadtforschung genutzt, um den Zusammenhang zwischen Oberflächentemperatur und Vegetationsbedeckung zu untersuchen, was insbesondere für die Forschung zu städtischen Wärmeinseln relevant ist. [ 13 ]

Einschränkungen

Die umliegenden Felder und Gewässer, wie der Staudamm im Nordosten, tragen dazu bei, die hohen Werte in Ponta Grossa im Süden Brasiliens zu verschleiern .

Aus der mathematischen Definition geht hervor, dass der NDVI-Wert eines Gebiets mit dichter Vegetation tendenziell positive Werte (etwa 0,3 bis 0,8) aufweist, während Wolken und Schneefelder durch negative Werte dieses Index gekennzeichnet sind. Weitere vom Weltraum aus sichtbare Objekte auf der Erde sind:

  • Freistehende Gewässer (z. B. Ozeane, Meere, Seen und Flüsse), die in beiden Spektralbändern eine eher geringe Reflexion aufweisen (zumindest abseits der Ufer) und daher zu sehr niedrigen positiven oder sogar leicht negativen NDVI-Werten führen.
  • Böden , die im Allgemeinen eine spektrale Reflexion im nahen Infrarotbereich aufweisen, die etwas größer ist als im roten Bereich, und die daher tendenziell auch eher kleine positive NDVI-Werte (etwa 0,1 bis 0,2) erzeugen.

Neben der Einfachheit des Algorithmus und seiner Fähigkeit, Vegetationsflächen grob von anderen Oberflächentypen zu unterscheiden, bietet der NDVI auch den Vorteil, dass er die Größe der zu verarbeitenden Daten um den Faktor 2 (oder mehr) komprimiert, da er die beiden Spektralbänder durch ein einziges neues Feld ersetzt (das schließlich mit 8 Bit anstatt der 10 oder mehr Bit der Originaldaten codiert wird).

Der NDVI wird häufig in Anwendungen eingesetzt, für die er ursprünglich nicht entwickelt wurde. Die Verwendung des NDVI für quantitative Bewertungen (im Gegensatz zu den oben genannten qualitativen Erhebungen) wirft eine Reihe von Problemen auf, die die tatsächliche Nützlichkeit dieses Index erheblich einschränken können, wenn sie nicht adäquat behandelt werden. [ 14 ] In den folgenden Abschnitten werden einige dieser Probleme näher erläutert.

NDVI-Vergleich von gesunder und gestresster Vegetation mittels Nahinfrarot- und sichtbarer Reflexion
  • Mathematisch gesehen enthalten die Summe und die Differenz der beiden Spektralkanäle dieselben Informationen wie die Originaldaten. Die Differenz allein (oder die normalisierte Differenz) enthält jedoch nur einen Teil der ursprünglichen Information. Ob die fehlenden Informationen relevant oder wertvoll sind, muss der Nutzer beurteilen. Wichtig ist jedoch zu verstehen, dass ein NDVI-Produkt nur einen Bruchteil der in den ursprünglichen spektralen Reflexionsdaten enthaltenen Informationen wiedergibt.
  • Generierter normalisierter Differenzvegetationsindex (NDVI) aus den Satellitenbildern
    Nutzer des NDVI schätzen häufig eine Vielzahl von Vegetationseigenschaften anhand des Indexwertes. Typische Beispiele hierfür sind der Blattflächenindex , die Biomasse , die Chlorophyllkonzentration in Blättern, die Pflanzenproduktivität, der Vegetationsbedeckungsgrad, die Niederschlagsmenge usw. Solche Zusammenhänge werden oft durch Korrelation von satellitengestützten NDVI-Werten mit bodengestützten Messungen dieser Variablen ermittelt. Dieser Ansatz wirft weitere Probleme hinsichtlich der räumlichen Skala der Messungen auf, da Satellitensensoren Strahlungsgrößen stets für deutlich größere Gebiete messen als die von Feldinstrumenten erfassten. Darüber hinaus ist es natürlich unlogisch anzunehmen, dass all diese Zusammenhänge gleichzeitig gelten, denn dies würde bedeuten, dass alle diese Umwelteigenschaften direkt und eindeutig miteinander verknüpft wären.
  • Die Reflexionsmessungen sollten sich auf dieselbe Fläche beziehen und gleichzeitig durchgeführt werden. Dies kann bei Instrumenten, die unterschiedliche Spektralkanäle über verschiedene Kameras oder Fokalebenen erfassen, schwierig sein. Eine fehlerhafte Registrierung der Spektralbilder kann zu erheblichen Fehlern und unbrauchbaren Ergebnissen führen.

Darüber hinaus ist die Berechnung des NDVI-Wertes von einer Reihe von Faktoren abhängig, wie etwa atmosphärischen Einflüssen, Unterschieden zwischen Sensoren , Boden-, Eis- oder Schneebedingungen und räumlichen Inkonsistenzen in den Daten [ 15 ].

  • Atmosphärische Einflüsse: Die tatsächliche Zusammensetzung der Atmosphäre (insbesondere hinsichtlich Wasserdampf und Aerosolen ) kann die im Weltraum durchgeführten Messungen erheblich beeinflussen. Daher können diese Messungen falsch interpretiert werden, wenn diese Einflüsse nicht ausreichend berücksichtigt werden (wie es beispielsweise der Fall ist, wenn der NDVI direkt auf Basis von Rohmessdaten berechnet wird).
  • Wolken: Tiefe (optisch dichte) Wolken sind auf Satellitenbildern oft gut erkennbar und liefern charakteristische NDVI-Werte, die ihre Aussortierung erleichtern. Dünne Wolken (wie die allgegenwärtigen Zirren ) oder kleine Wolken, deren typische lineare Abmessungen kleiner sind als der Durchmesser des von den Sensoren erfassten Bereichs, können die Messungen jedoch erheblich verfälschen. Auch Wolkenschatten in scheinbar wolkenlosen Gebieten können die NDVI-Werte beeinflussen und zu Fehlinterpretationen führen. Diese Einschränkungen werden minimiert, indem aus täglichen oder nahezu täglichen Aufnahmen zusammengesetzte Bilder erstellt werden. [ 16 ] Zusammengesetzte NDVI-Bilder haben zu einer Vielzahl neuer Anwendungen im Bereich der Vegetationsbeobachtung geführt, bei denen der NDVI oder die photosynthetische Kapazität zeitlich variiert.
  • Bodeneinflüsse: Böden neigen dazu, sich bei Nässe zu verdunkeln, sodass ihr Reflexionsvermögen direkt vom Wassergehalt abhängt. Wenn die spektrale Reaktion auf Feuchtigkeitsänderungen in den beiden Spektralbändern nicht exakt übereinstimmt, kann der NDVI eines Gebiets scheinbar aufgrund von Bodenfeuchtigkeitsänderungen (Niederschlag oder Verdunstung) und nicht aufgrund von Vegetationsänderungen verändert sein.
  • Anisotrope Effekte: Alle Oberflächen (natürliche wie künstliche) reflektieren Licht in unterschiedlichen Richtungen unterschiedlich. Diese Anisotropie ist im Allgemeinen spektralabhängig, auch wenn die allgemeine Tendenz in diesen beiden Spektralbändern ähnlich sein kann. Daher kann der NDVI-Wert von der spezifischen Anisotropie des Messobjekts, der Winkelgeometrie der Beleuchtung und Beobachtung zum Messzeitpunkt und somit von der Position des Messobjekts innerhalb des Messstreifens oder dem Zeitpunkt des Satellitenüberflugs abhängen. Dies ist besonders wichtig bei der Analyse von AVHRR -Daten, da sich die Umlaufbahn der NOAA-Plattformen im Laufe der Zeit verändert hat. Gleichzeitig minimiert die Verwendung von zusammengesetzten NDVI-Bildern diese Einschränkungen und hat zu globalen NDVI-Zeitreihendatensätzen mit einer Spanne von über 25 Jahren geführt.
  • Spektrale Effekte: Da jeder Sensor seine eigenen Eigenschaften und Leistungsmerkmale aufweist, insbesondere hinsichtlich der Position, Breite und Form der Spektralbänder, liefert eine einzige Formel wie NDVI unterschiedliche Ergebnisse, wenn sie auf die mit verschiedenen Instrumenten erfassten Messungen angewendet wird.
  • Das Problem der modifizierbaren Flächeneinheit (MAUP): Der NDVI ist als Vegetationsindex weit verbreitet. Da die Kartierung und Überwachung von Vegetation mittels Bildverarbeitungssystemen mit großen Datenmengen erfolgt , verwenden diese Systeme pixel- oder objektbasierte Algorithmen zur Beurteilung des Vegetationszustands, der Evapotranspiration und anderer Ökosystemfunktionen. Besteht eine Vegetationskategorie aus mehreren Pixeln, kann die Berechnung eines Mittelwerts entweder als Mittelwert der NDVI-Werte für jedes Pixel (pixelbasiert) oder als Mittelwert der Rotwerte und der NIR-Werte für alle Pixel erfolgen, wobei der mittlere NDVI das Verhältnis dieser Werte darstellt (objektbasiert). Der NDVI kann unter den schwer lösbaren Problemen des MAUP leiden. Insbesondere zeigte eine aktuelle Studie, dass bei der Schätzung von NDVI-Mittelwerten für bestimmte Pufferabstände der Maßstab der Analyse die NDVI-Messwerte aufgrund von Skaleneffekten im Zusammenhang mit dem MAUP beeinflussen kann. [ 17 ] Eine andere Studie zeigte, dass das MAUP bei reinen Vegetationspixeln in einer urbanen Umgebung keine signifikanten Auswirkungen hat. [ 13 ] Eine Modifikation namens MAUI-NDVI befasst sich speziell mit diesem Problem. [ 18 ]

NDVI ist ein weit verbreitetes System, dessen Interpretation jedoch aufgrund der Vereinfachung komplexer Oberflächensignale schwierig sein kann. Die verwendeten Satellitendaten umfassen eine Mischung aus Vegetation, Boden, Schatten und der Atmosphäre selbst und bilden daher nicht nur die Vegetation ab. Durch diese Vereinfachung können Informationen verloren gehen und die tatsächlichen Vegetationsbedingungen falsch interpretiert werden. Obwohl NDVI größere Gebiete abdecken kann, ist es schwierig, einzelne Pflanzen zu erfassen, was zu Diskrepanzen zwischen Feld- und Satellitendaten führt. Dies erschwert die Zuordnung der Produktivität zu einem Gebiet, beispielsweise für Landwirte. Unterschiede zwischen Sensoren und Datenverarbeitungsmethoden können leicht abweichende NDVI-Werte erzeugen, was den Vergleich von Datensätzen aus verschiedenen Zeiträumen oder von unterschiedlichen Plattformen erschwert. Diese Abweichungen können auch durch die Konfiguration der Sensorkalibrierung oder die Verarbeitung der aufgenommenen Auflösung bedingt sein. Aufgrund dieser Einschränkungen eignet sich NDVI daher nur zur zuverlässigen Darstellung allgemeiner Vegetationsmuster in Kombination mit anderen Indizes, um eine genauere Analyse und Interpretation zu ermöglichen. [ 19 ]

Um die Einschränkungen des NDVI zu beheben, wurden in der wissenschaftlichen Literatur verschiedene Ableitungen und Alternativen vorgeschlagen, darunter der Perpendicular Vegetation Index [ 20 ] , der bodenkorrigierte Vegetationsindex [ 21 ] , der atmosphärisch resistente Vegetationsindex [ 22 ] und der globale Umweltüberwachungsindex [ 23 ] . Alle diese Indizes versuchen, Korrekturen für einen oder mehrere Störfaktoren vorzunehmen. Eine aktuell vom USGS verwendete Alternative ist der Enhanced Vegetation Index (EVI), der Bodeneffekte, den Hintergrund der Vegetationsdecke und Aerosoleinflüsse berücksichtigt [ 24 ] .

Erst Mitte der 1990er-Jahre wurde jedoch eine neue Generation von Algorithmen entwickelt, um die relevanten biogeophysikalischen Variablen (z. B. den Anteil der absorbierten photosynthetisch aktiven Strahlung , FAPAR) direkt zu schätzen. Diese Algorithmen nutzten die verbesserte Leistungsfähigkeit und die Eigenschaften moderner Sensoren (insbesondere deren multispektrale und multiangulare Fähigkeiten), um alle Störfaktoren zu berücksichtigen. Trotz der vielen möglichen Störfaktoren bleibt der NDVI ein wertvolles quantitatives Instrument zur Vegetationsüberwachung, wenn die photosynthetische Kapazität der Landoberfläche im geeigneten räumlichen Maßstab für verschiedene Phänomene untersucht werden soll.

Siehe auch

Anmerkungen

  1. ^ Daten heruntergeladen vom australischen Wetterdienst (Australian Bureau of Meteorology) am 13. Juni 2018, kartiert in R. Archiviert am 31. Januar 2023 in der Wayback Machine (14. Juni 2018).
  2. ^ Rouse, JW, Haas, RH, Scheel, JA und Deering, DW (1974) „Monitoring Vegetation Systems in the Great Plains with ERTS.“ Proceedings, 3rd Earth Resource Technology Satellite (ERTS) Symposium , Bd. 1, S. 48–62. https://ntrs.nasa.gov/citations/19740022614 (Archiviert am 31. Januar 2023 im Internet Archive)
  3. ^ Kriegler, FJ, Malila, WA, Nalepka, RF, und Richardson, W. (1969) „Vorverarbeitungstransformationen und ihre Auswirkungen auf die multispektrale Erkennung.“ Proceedings of the Sixth International Symposium on Remote Sensing of Environment, S. 97-131.
  4. ^ Gates, David M. (1980) Biophysikalische Ökologie , Springer-Verlag, New York, 611 S.
  5. ^ „Vegetationsmessung“ . NASA Earth Observatory. 30. August 2000. Archiviert vom Original am 16. März 2011. Abgerufen am 13. November 2010 .
  6. ^ Crippen, RE (1990) 'Schnellere Berechnung des Vegetationsindex', Remote Sensing of Environment , 34 , 71-73.
  7. ^ Sellers, PJ (1985) 'Canopy reflectance, photosynthesis, and transpiration', International Journal of Remote Sensing , 6 , 1335-1372.
  8. ^ Myneni, RB, FG Hall, PJ Sellers und AL Marshak (1995) 'Die Interpretation spektraler Vegetationsindizes', IEEE Transactions on Geoscience and Remote Sensing , 33 , 481-486.
  9. ^ Kubaski, Kauan Mateus. „Stadtklima: Oberflächentemperatur und NDVI – Eine Analyse der Einflüsse in Ponta Grossa, PR“ (PDF) (in brasilianischem Portugiesisch). UEPG (Prorektor für Forschung und Postgraduiertenstudium – PROPESP). Archiviert vom Original (PDF) am 9. Juli 2019. Abgerufen am 10. September 2018 .
  10. ^ Lyseng, Ron (2. Februar 2017). „Sentera verbindet Prozessor mit Sensor für Live-NDVI“ . Western Producer .
  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 (31.05.2022). „ Optische Vegetationsindizes zur globalen Überwachung terrestrischer Ökosysteme“ . Nature Reviews Earth & Environment . 3 (7): 477–493 . doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X . 
  12. ^ Huang, Sha; Tang, Lina; Hupy, Joseph P.; Wang, Yang; Shao, Guofan (01.02.2021). „Ein Kommentar zur Verwendung des normalisierten Differenzvegetationsindex (NDVI) im Zeitalter der weitverbreiteten Fernerkundung“ . Journal of Forestry Research . 32 (1): 1–6 . doi : 10.1007/s11676-020-01155-1 . ISSN 1993-0607 . 
  13. ^ a b Nouri, Hamideh; Anderson, Sharolyn; Sutton, Paul; Beecham, Simon; Nagler, Pamela; Jarchow, Christopher J.; Roberts, Dar A. (April 2017). „NDVI, Scale Invariance and the Modifiable Areal Unit Problem: An Assessment of Vegetation in the 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. Archiviert (PDF) vom Original am 7. Dezember 2023. Abgerufen am 6. Dezember 2023 . 
  14. ^ Radočaj, Dorijan; Siljeg, Ante; Marinović, Rajko; Jurišić, Mladen (18.03.2023). „Stand der wichtigsten Vegetationsindizes in Präzisionslandwirtschaftsstudien, indexiert im Web of Science: A Review“ . Landwirtschaft . 13 (3): 707. doi : 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 (31.05.2022). „Optische Vegetationsindizes zur globalen Überwachung terrestrischer Ökosysteme“ . Nature Reviews Earth & Environment . 3 (7): 477–493 . doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X . 
  16. ^ Holben, BN (1986)'Characteristics of Maximum-Value Composite Images from Temporal AVHRR Data', International Journal of Remote Sensing , 7(11) , 1417-1434.
  17. ^ Labib, SM; Lindley, Sarah; Huck, Jonny J. (Juli 2020). „Skaleneffekte in Fernerkundungsdaten von Grünflächen und wie diese für die Bewertung der gesundheitlichen Belastung durch Umwelteinflüsse gemildert werden können“ . 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. April 2017). „NDVI, Skaleninvarianz und das Problem der modifizierbaren Flächeneinheiten: Eine Bewertung der Vegetation in den 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. Archiviert (PDF) vom Original am 7. Dezember 2023. Abgerufen am 6. Dezember 2023 . 
  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 (31.05.2022). „Optische Vegetationsindizes zur globalen Überwachung terrestrischer Ökosysteme“ . Nature Reviews Earth & Environment . 3 (7): 477–493 . doi : 10.1038/s43017-022-00298-5 . ISSN 2662-138X . 
  20. ^ Richardson, AJ und CL Wiegand (1977) 'Distinguishing vegetation from soil background information', Photogrammetric Engineering and Remote Sensing , 43 , 1541-1552.
  21. ^ Huete, AR (1988)'A soil-adjusted vegetation index (SAVI)', Remote Sensing of Environment , 25 , 53-70.
  22. ^ Kaufman, YJ und D. Tanre (1992) 'Atmosphärisch resistenter Vegetationsindex (ARVI) für EOS-MODIS', in 'Proc. IEEE Int. Geosci. and Remote Sensing Symp. '92″', IEEE, New York, 261-270.
  23. ^ Pinty, B.; Verstraete, M. M. (1992). „GEMI: ein nichtlinearer Index zur Überwachung der globalen Vegetation mittels Satelliten“. 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. Überblick über die radiometrischen und biophysikalischen Eigenschaften der MODIS-Vegetationsindizes . Remote Sensing of Environment 83 (2002) 195-213 doi : 10.1016/S0034-4257(02)00096-2 .

Referenzen

  • Deering, DW 1978. Reflexionseigenschaften von Weideland, gemessen mit Flugzeug- und Raumfahrzeugsensoren. Dissertation. Texas A&M Univ., College Station, 338 S.
  • Deering DW, JW Rouse, Jr., RH Haas und JA Schell. 1975. Messung der Futterproduktion von Weideflächen anhand von Landsat-MSS-Daten, S. 1169–1178. In: Tagungsband des Zehnten Internationalen Symposiums zur Fernerkundung der Umwelt. Universität Michigan, Ann Arbor.
  • Rouse, JW, Jr., RH Haas, JA Schell und DW Deering. 1973. Überwachung des Vorrückens und Zurückweichens der natürlichen Vegetation im Frühjahr (Grünwelleneffekt). Prog. Rep. RSC 1978-1, Remote Sensing Center, Texas A&M Univ., College Station, 93 S. (NTIS Nr. E73-106393)
  • Rouse, JW, RH Haas, JA Schell und DW Deering (1973) „Überwachung von Vegetationssystemen in den Great Plains mit ERTS“, Drittes ERTS-Symposium , NASA SP-351 I, 309-317.
  • Tucker, CJ (1979) 'Rote und fotografische Infrarot-Linearkombinationen zur Überwachung der Vegetation', Remote Sensing of Environment , 8(2) ,127-150.