سود:
- توانایی توضیح اینکه NDVI و سایر شاخص های پوشش گیاهی چه چیزی را اندازه گیری می کنند و کدام شاخص در چه موقعیتی مناسب است.
- امکان تفسیر نقشه های شاخص تولید شده از تصاویر ماهواره ای/پهپاد با کمک هوش مصنوعی و اولویت بندی مناطق استرس زا
- امکان حذف هشدارهای کاذب با بررسی ناهنجاری های شاخص با کنترل میدانی، هواشناسی و فنولوژی
پیمایش با چشم در یک میدان هم آهسته و هم در مناطق بزرگ گمراه کننده است: چشم خسته می شود، به آن عادت می کند و الگوهای بزرگتر را از دست می دهد. با این حال، هنگامی که از فضا یا هواپیمای بدون سرنشین مشاهده میشود، سلامت پوشش گیاهی به یک نقشه دیجیتال تبدیل میشود و مناطق تحت فشار به وضوح آشکار میشوند، خیلی زود است که چشم متوجه آن شود. ابزار اصلی این دگرگونی شاخصهای گیاهی است: فرمولهایی که سرزندگی گیاه را از نسبت نوارهای نوری مختلف در تصویر به عدد تبدیل میکنند. این واحد متداول ترین شاخص، NDVI و برادرانش را معرفی می کند، تفاوت بین ماهواره و پهپاد را توضیح می دهد و به شما نشان می دهد که چگونه این نقشه ها را با هوش مصنوعی تفسیر و - مهمتر از همه - تأیید کنید.
بیایید ابتدا فیزیک را درک کنیم. یک برگ سالم و فتوسنتزی نور قرمز را به شدت جذب می کند (چون کلروفیل از آن استفاده می کند) و نور مادون قرمز نزدیک (NIR؛ نوار فراتر از قرمز، نامرئی برای چشم) را به شدت منعکس می کند. همانطور که گیاه تحت تنش قرار می گیرد و کلروفیل را از دست می دهد، قرمزی کمتری جذب می کند و NIR را کمتر منعکس می کند. NDVI (شاخص تفاوت نرمال شده گیاهی) دقیقاً این تفاوت را اندازه گیری می کند:
NDVI = (NIR - قرمز) / (NIR + قرمز)
نتیجه بین -1 و +1 است. خاک و آب لخت مقادیری نزدیک به 0 یا منفی می دهد. گیاه تنک 0.2-0.4; پوشش متراکم و سالم در محدوده 0.7-0.9 است. NDVI به طور مستقیم عملکرد، بیماری یا رطوبت خاک را اندازه گیری نمی کند - فقط تراکم پوشش سبز و زنده را اندازه گیری می کند. NDVI پایین یک هشدار است، نه یک تشخیص.
چرا یک شاخص کافی نیست؟
NDVI قوی است اما دو نقطه ضعف دارد. اولین مورد اشباع است: هنگامی که پوشش بسیار متراکم می شود (مثلاً یک ذرت به خوبی توسعه یافته) NDVI در 0.8-0.9 به اوج خود می رسد و نشان دهنده افزایش بیشتر زیست توده نیست. دوم اثر خاک است: در پوشش کم، رنگ خاک پس زمینه شاخص را مخدوش می کند. به همین دلیل است که شاخص های مختلفی برای موقعیت های مختلف ایجاد شده است. جدول زیر پرکاربردترین آنها را خلاصه می کند. اینکه کدام شاخص را انتخاب می کنید به سوال شما بستگی دارد.
شاخص
برای چی خوبه
توجه داشته باشید
NDVI
زنده ماندن پوشش عمومی
اشباع را در پوشش متراکم فراهم می کند
NDRE (لبه قرمز)
نیتروژن/کلروفیل در پوشش متراکم
حساس به NDVI در اواخر دوره
GNDVI (سبز)
وضعیت کلروفیل/نیتروژن
از نوار سبز استفاده می کند
SAVI
پوشش کم، خاک لخت
اثر خاک را تصحیح می کند
NDWI/NDMI
محتوای آب گیاه/خاک
به تنش آبی نزدیک تر است
خانه
پوشش متراکم، جو اصلاح شده است
اشباع را کاهش می دهد
نکته: "کدام شاخص؟" پاسخ سوال مرحله توسعه محصول است. SAVI در دوره اولیه (پوشش پراکنده)؛ NDRE/GNDVI در پوشش متراکم افزایش یافته و نظارت بر نیتروژن. در تنش آب، NDWI/NDMI اغلب آموزنده تر از NDVI است.
ماهواره یا پهپاد؟
این دو منبع رقیب نیستند بلکه مکمل یکدیگر هستند. ماهواره ها (به عنوان مثال Sentinel-2، Landsat) مناطق وسیعی را در فواصل زمانی منظم به صورت رایگان یا ارزان پوشش می دهند، اما وضوح آنها درشت است (پیکسل 10-30 متر) و ابر می تواند تصویر را مبهم کند. این پهپاد وضوح بسیار بالایی (پیکسل و سانتی متر) ارائه می کند و هر روز که بخواهید پرواز می کند، اما منطقه کوچکی را اشغال می کند و پرواز و پردازش نیاز به نیروی کار دارد. استراتژی عملی لایه لایه است: کل مزرعه را با یک ماهواره اسکن کنید و مناطق مشکوک را پیدا کنید، سپس آن مناطق را با یک پهپاد از نزدیک بررسی کنید و در نهایت به میدان بروید.
چگونه هوش مصنوعی نقشه شاخص را تفسیر می کند؟
هوش مصنوعی در تفسیر نه خود تصویر، بلکه خلاصههای عددی تولید شده از آن ارزشمند است: میانگینهای منطقه، تغییر در طول زمان، تفاوت با مناطق همسایه. به عنوان مثال، اگر به هوش مصنوعی خلاصه ای مانند "انتهای شمالی Plot-3 NDVI از 0.72 به 0.48 در 12 روز گذشته کاهش یافته است، انتهای جنوبی پایدار است" را ارائه دهید، به شما کمک می کند علل احتمالی را اولویت بندی کنید و یک برنامه کنترل میدانی تهیه کنید. اما به یاد داشته باشید: «چرا» که هوش مصنوعی پیشنهاد میکند، فهرستی از فرضیهها است. NDVI پایین می تواند ناشی از تنش آبی، بیماری، کمبود مواد مغذی، ظهور نادر، آسیب تگرگ، سایه ابر یا خاک تازه شخم زده باشد. فقط رشته، هواشناسی و فنولوژی اینها را متمایز می کند.
سه مورد کوچک: با اعداد
مورد 1 - گرفتن استرس زودهنگام. در مزرعه ذرت، ماهواره NDVI 0.15 امتیاز کمتر از منطقه اطراف در بخش 8 دسی جنوب غربی مزرعه بود. مهندس به آن منطقه رفت. گرفتگی در خط آبیاری پیدا کرد و 6 روز قبل از ظاهر شدن علائم قابل مشاهده (محو شدن) عیب رفع شد. از کاهش بهره وری تخمینی جلوگیری شد.
مورد 2 - هشدار کاذب. NDVI به طور ناگهانی در یک تاریخ ماهواره ای در یک قطعه گندم سقوط کرد. هوش مصنوعی گفت "بیماری احتمالی". با این حال، هواشناسی آن روز ابرهای سنگین را نشان داد. در تصویر بعدی بدون ابر، NDVI به حالت عادی بازگشت. سایه ابر زنگ خطر کاذب بود. این تصمیم بر اساس یک تاریخ گرفته نشد، سری زمانی بررسی شد.
مورد 3 - انتخاب شاخص. در یک مزرعه توسعه یافته چغندرقند NDVI در همه جا در 0.85 اشباع شد و تفاوت نیتروژن را نشان نداد. هنگام تغییر به شاخص NDRE، کمبود کلروفیل در نیمه شرقی مزرعه مشاهده شد. تجزیه و تحلیل برگ کمبود نیتروژن را تایید کرد و پانسمان بالایی در آن ناحیه اعمال شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
آیا این نقشه NDVI مشکلی دارد؟ چه کار کنم؟
اعلان قدرتمند:
نقش شما: کمک زراعت سنجش از دور. من خلاصه ای از سری های NDVI و NDREtime (تاریخ، منطقه، مقدار متوسط) را از نظر منطقه ارائه می کنم. وظیفه: - فهرست مناطقی که کاهش قابل توجهی را نشان می دهند با مقدار و مدت زمان کاهش نشان می دهند. - 2-4 فرضیه علت احتمالی برای هر منطقه (آب/بیماری/مواد مغذی/خاک/ابر) ارائه دهید.- در یک جمله بنویسید که چگونه آن را در میدان برای هر فرضیه تأیید می کنم.- علامت گذاری کنید. تک تاریخ تغییرات ناگهانی را به طور جداگانه علامت گذاری کنید. توصیه آفت کش ها/کودها؛ چک لیست اولویت بندی شده نسخه داده ها: [خلاصه سری زمانی]
اعلان قدرتمند هوش مصنوعی را از یک ماشین تشخیصی به یک دستیار طرح اولویتبندی و تأیید تبدیل میکند. به وضوح در مورد تله تاریخ واحد و محدودیت تشخیصی می نویسد.
چهار قالب قابل کپی
1) مشاوره انتخاب شاخص:
محصول: [زراعت]، مرحله نمو: [مرحله]، سوال من: [تنش آب / نیتروژن / بنیه عمومی]. 2 شاخص پوشش گیاهی مناسب برای این وضعیت، چرایی و مزیت آنها نسبت به NDVI را به طور خلاصه توضیح دهید. فرمول ها رو هم بنویس
2) خلاصه ناهنجاری سری های زمانی:
در جدول منطقه-تاریخ-NDVI زیر: به طور جداگانه فهرست کنید: (الف) کاهش بیش از 0.1 و حداقل برای 2 تاریخ متوالی ادامه دارد، (ب) پرش های تک تاریخ. نظر اضافه نکنید، فقط جدول را استخراج کنید.
3) طرح کنترل میدانی:
یک برنامه سفر میدانی برای مناطق دارای اولویت زیر تهیه کنید: بنویسید که چه اندازه گیری (رطوبت، نمونه برگ، بررسی ریشه) را در هر منطقه انجام خواهم داد و چرا به آن نیاز است. نقاط GPS را به مرکز منطقه ای توصیه کنید.
4) فیلتر هشدار کاذب:
چک لیستی برای رد این افت NDVI قبل از تصمیم گیری: ابر/سایه، زاویه سایه، برداشت/انتشار، تاریخ حسگر، ثبات منطقه همسایه. هر مورد را علامت بزنید "آیا بررسی شده است؟" ارائه به عنوان.
اشتباهات رایج
- تصمیم گیری بر اساس یک تاریخ واحد. ابرها، سایه ها و جو تصویر واحد را مخدوش می کنند. همیشه سری های زمانی را نگاه کنید
- NDVI پایین = با بیماری اشتباه گرفته می شود. شاخص دلیل را نمی گوید. مشکلات آب، مواد مغذی، خاک و خروجی نیز همین کاهش را به همراه دارد.
- نادیده گرفتن اشباع NDVI در پوشش متراکم به اوج می رسد. در پایش نیتروژن به NDRE/GNDVI بروید.
- فراموش کردن وضوح یک پیکسل ماهواره ای 10 متری می تواند یک وصله استرس کوچک را پنهان کند. پهپاد را در محل مشکوک فرود آورید.
- پرش از میدان. نقشه یک انگشت اشاره است. تشخیص در خاک و برگ انجام می شود.
توجه: نقشه شاخص به سؤال «کجا باید نگاه کرد» پاسخ می دهد، نه سؤال «مشکل چیست». ترجمه نمودار مستقیماً به تصمیم دارویی یا کود، خطر مداخله در علت اشتباه است.
به طور خلاصه
شاخص های پوشش گیاهی قدرت گیاه را از نسبت نوارهای نوری مختلف به اعداد تبدیل می کند. در حالی که NDVI رایج ترین است، به دلیل اشباع و اثرات خاک در هر موقعیتی مناسب نیست - خواهر و برادرهای آن مانند NDRE، SAVI، NDWI در برخی از سوالات قوی تر هستند. ماهواره اسکن گسترده است، پهپاد بازرسی نزدیک است، و میدان لایه تایید نهایی است. هوش مصنوعی در اولویت بندی خلاصه های شاخص و ایجاد یک طرح اعتبار سنجی ارزشمند است. اما شاخص پایین یک فرضیه است نه یک تشخیص. در دام تک تاریخ نیفتید، فهرست را با سوال انتخاب کنید و هر سیگنال را در میدان آزمایش کنید.
وظیفه کاربردی
یک جدول کوچک حاوی حداقل سه NDVI دارای تاریخ و در صورت امکان مقادیر NDRE برای یک بسته (واقعی یا نماینده) تهیه کنید. یک افت عمدی در یک منطقه و یک بار پرش در تاریخ قرار دهید. با الگوهای «خلاصه ناهنجاری سری زمانی» و «فیلتر هشدار نادرست» در این واحد آن را به هوش مصنوعی بدهید. در خروجی، ارزیابی کنید که آیا هوش مصنوعی میتواند افت واقعی را از جهش ابری جدا کند، آیا تلاش میکند تشخیص دهد یا خیر، و معیاری را که در فیلد برای هر منطقه مشاهده خواهید کرد، یادداشت کنید.
چک لیست
- [ ] من آگاهانه شاخص (NDVI/NDRE/SAVI/NDWI) را متناسب با سوالم انتخاب کردم.
- [ ] من تصمیم را بر اساس سری زمانی قرار دادم، نه تک تصویر.
- [ ] قطرات ناگهانی را در صورت ابرها/سایه ها/ رانش ها فیلتر کردم.
- [ ] من دلایل ارائه شده توسط هوش مصنوعی را به عنوان فرضیه در نظر گرفتم نه به عنوان تشخیص.
- [ ] من یک اندازه گیری راستی آزمایی میدانی برای هر منطقه اولویت برنامه ریزی کردم.