Zyski:
- Umiejętność wyjaśnienia, co mierzy NDVI i inne wskaźniki roślinności oraz który wskaźnik jest odpowiedni w danej sytuacji.
- Możliwość interpretacji map indeksowych utworzonych na podstawie zdjęć satelitarnych/dronów za pomocą sztucznej inteligencji i ustalania priorytetów obszarów obciążonych
- Możliwość eliminacji fałszywych alarmów poprzez weryfikację anomalii wskaźników za pomocą kontroli terenowej, meteorologii i fenologii
Nawigowanie po polu na oko jest powolne i mylące na dużych obszarach: oko się męczy, przyzwyczaja się do tego i pomija większe wzory. Jednak oglądany z kosmosu lub drona stan roślinności staje się cyfrową mapą, a obszary narażone na stres są wyraźnie widoczne, zbyt wcześnie, aby oko mogło je zauważyć. Głównym narzędziem tej transformacji są wskaźniki wegetacyjne: wzory, które przeliczają żywotność rośliny na liczbę wynikającą ze stosunku różnych pasm światła na obrazie. Ta jednostka przedstawia najpopularniejszy indeks NDVI i jego rodzeństwo, wyjaśnia różnicę między satelitą a dronem oraz pokazuje, jak interpretować i – co najważniejsze – weryfikować te mapy za pomocą sztucznej inteligencji.
Najpierw zrozummy fizykę. Zdrowy, fotosyntetyczny liść intensywnie pochłania światło czerwone (ponieważ wykorzystuje je chlorofil) i silnie odbija światło bliskiej podczerwieni (NIR; pasmo poza czerwienią, niewidoczne dla oka). Gdy roślina ulega stresowi i traci chlorofil, absorbuje mniej czerwieni i mniej odbija NIR. NDVI (Normalized Difference Vegetation Index) mierzy dokładnie tę różnicę:
NDVI = (NIR – czerwony) / (NIR + czerwony)
Wynik mieści się w przedziale od -1 do +1. Naga gleba i woda dają wartości bliskie 0 lub ujemne; rzadka roślina 0,2-0,4; gęste, zdrowe pokrycie mieści się w przedziale 0,7-0,9. NDVI nie mierzy bezpośrednio plonów, chorób ani wilgotności gleby – jedynie gęstość zielonej, żywej pokrywy. Niski NDVI jest ostrzeżeniem, a nie diagnozą.
Dlaczego jeden indeks nie wystarczy?
NDVI jest silny, ale ma dwie słabości. Pierwszym z nich jest nasycenie: gdy pokrywa staje się bardzo gęsta (powiedzmy, dobrze rozwinięta kukurydza) NDVI osiąga szczyt przy 0,8-0,9 i nie oznacza dalszego wzrostu biomasy. Drugi to efekt gleby: w przypadku rzadkiej pokrywy kolor gleby w tle zniekształca wskaźnik. Dlatego dla różnych sytuacji opracowano różne wskaźniki. Poniższa tabela podsumowuje najczęściej używane; Wybór indeksu zależy od Twojego pytania.
indeks
Do czego to jest dobre
uwaga
NDVI
Ogólna żywotność osłony
Zapewnia nasycenie w gęstych osłonach
NDRE (czerwona krawędź)
Azot/chlorofil w gęstej pokrywie
W późnym okresie wrażliwy na NDVI
GNDVI (zielony)
Stan chlorofilu/azotu
Używa zielonej taśmy
SAVI
Rzadkie pokrycie, goła gleba
Koryguje efekt gleby
NDWI/NDMI
Zawartość wody w roślinie/glebie
Bliżej stresu wodnego
DOM
Gęsta okładka, poprawiona atmosfera
Zmniejsza nasycenie
Podpowiedź: „Jaki indeks?” Odpowiedzią na pytanie jest faza rozwoju produktu. SAVI we wczesnym okresie (rzadka osłona); NDRE/GNDVI w wzmocnionym monitoringu gęstej pokrywy i azotu; W przypadku stresu wodnego NDWI/NDMI często dostarcza więcej informacji niż NDVI.
Satelita czy dron?
Te dwa zasoby nie są konkurentami, ale uzupełniają się nawzajem. Satelity (np. Sentinel-2, Landsat) pokrywają duże obszary w regularnych odstępach czasu za darmo lub tanio, ale ich rozdzielczość jest kiepska (piksele 10-30 m), a chmury mogą przesłaniać obraz. Dron zapewnia bardzo wysoką rozdzielczość (w pikselach i centymetrach) i lata w dowolny dzień, jednak zajmuje niewielką powierzchnię, a lot i obróbka wymagają pracy. Praktyczna strategia jest wielowarstwowa: przeskanuj całą farmę za pomocą satelity i znajdź podejrzane obszary, następnie dokładnie zbadaj te obszary za pomocą drona, a na koniec udaj się na pole.
Jak sztuczna inteligencja interpretuje mapę indeksu?
Sztuczna inteligencja jest cenna w interpretacji nie samego obrazu, ale wygenerowanych na jego podstawie podsumowań liczbowych: średnich regionalnych, zmian w czasie, różnic w stosunku do regionów sąsiadujących. Na przykład, jeśli przekażesz AI podsumowanie w stylu „Północny kraniec działki-3 NDVI spadł z 0,72 do 0,48 w ciągu ostatnich 12 dni, południowy kraniec jest stabilny”, pomoże ci to ustalić priorytety możliwych przyczyn i sporządzić plan kontroli w terenie. Pamiętaj jednak: „dlaczego” sugeruje sztuczna inteligencja to lista hipotez. Niski NDVI może być spowodowany niedoborem wody, chorobami, niedoborem składników odżywczych, rzadkimi wschodami, uszkodzeniami spowodowanymi gradem, cieniem chmur lub świeżo zaoraną glebą. Rozróżnia je jedynie dziedzina, meteorologia i fenologia.
Trzy mini etui: w liczbach
Przypadek 1 – Wczesne wychwytywanie stresu. Na polu kukurydzy satelita NDVI znajdował się o 0,15 punktu niżej niż otaczający go obszar w południowo-zachodniej części pola w odległości 8 dekarów. Inżynier udał się w to miejsce; Znalazłem zator w linii irygacyjnej i usterkę usunięto 6 dni przed pojawieniem się widocznych objawów (zanikanie). Uniknięto szacunkowej utraty produktywności.
Przypadek 2 – Fałszywy alarm. Wartość NDVI spadła nagle podczas jednej daty satelitarnej na polu pszenicy. AI stwierdziła „możliwa choroba”. Jednak tego dnia meteorologia pokazała ciężkie chmury; Na następnym pozbawionym chmur obrazie NDVI wróciło do normy. Cień chmur był fałszywym alarmem; Decyzja nie została podjęta na podstawie jednej daty, brano pod uwagę szereg czasowy.
Przypadek 3 – Wybór indeksu. Na rozwiniętym polu buraka cukrowego NDVI wszędzie było nasycone na poziomie 0,85 i nie wykazywało żadnej różnicy w zawartości azotu. Po przejściu na wskaźnik NDRE niedobór chlorofilu stwierdzono we wschodniej części pola; Analiza liści potwierdziła niedobór azotu i na tym obszarze zastosowano ukierunkowany nawóz pogłówny.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Czy jest jakiś problem z tą mapą NDVI? Co powinienem zrobić?
Potężny monit:
Twoja rola: Agronom wspomagany teledetekcją. Podaję regionalne podsumowanie serii NDVI i NDREtime (data, region, średnia wartość). Zadanie: - Wymień regiony wykazujące znaczny SPADEK wraz z wielkością i czasem trwania spadku. - Podaj 2-4 MOŻLIWE hipotezy przyczynowe dla każdego regionu (woda/choroba/składniki odżywcze/gleba/chmura). - Napisz jednym zdaniem, jak zweryfikuję to w terenie dla każdej hipotezy. - Zaznacz oddzielnie nagłe zmiany z jedną datą, ponieważ mogą to być chmury/cienie. - NIE DIAGNOZUJ, zalecając pestycydy/nawozy; lista kontrolna z priorytetami ver.Data:[podsumowanie szeregów czasowych]
Potężny monit zmienia sztuczną inteligencję z maszyny diagnostycznej w asystenta planu ustalania priorytetów i weryfikacji; wyraźnie pisze o pułapce pojedynczej daty i limicie diagnostycznym.
Cztery szablony do kopiowania
1) Konsultacje dotyczące wyboru indeksu:
Uprawa: [uprawa], faza rozwojowa: [stadium], moje pytanie: [stres wodny / azot / wigor ogólny]. Krótko wyjaśnij 2 wskaźniki roślinności najbardziej odpowiednie w tej sytuacji, dlaczego i ich przewagę nad NDVI. Napisz też formuły.
2) Podsumowanie anomalii szeregów czasowych:
W poniższej tabeli region-data-NDVI: wypisz oddzielnie: (a) spadki o więcej niż 0,1 i trwające co najmniej 2 kolejne daty, (b) skoki o jedną datę. Nie dodawaj komentarzy, po prostu wyodrębnij tabelę.
3) Plan kontroli terenowej:
Przygotuj plan wycieczki terenowej dla następujących obszarów priorytetowych: zapisz, jakie pomiary (wilgotność, próbka liści, kontrola korzeni) przeprowadzę w każdym obszarze i dlaczego jest to potrzebne. Polecaj punkty GPS do regionalnego centrum.
4) Filtr fałszywych alarmów:
Lista kontrolna, aby wykluczyć spadek NDVI przed podjęciem decyzji: chmura/cień, kąt cienia, zbiory/uwolnienie, data czujnika, spójność sąsiedniej strefy. Sprawdź każdy element „czy został sprawdzony?” Obecny jako.
Typowe błędy
- Podejmowanie decyzji na podstawie jednej daty. Chmury, cienie i atmosfera zniekształcają pojedynczy obraz; zawsze patrz na szereg czasowy.
- Niski NDVI = mylony z chorobą. Indeks nie podaje przyczyny; Problemy z wodą, składnikami odżywczymi, glebą i wylotem powodują ten sam spadek.
- Pomijając nasycenie. Piki NDVI w gęstej pokrywie; Przełącz na NDRE/GNDVI w monitorowaniu azotu.
- Zapominając o rozdzielczości. Piksel satelitarny o średnicy 10 m może ukryć niewielką plamę naprężenia; Wyląduj dronem w podejrzanym miejscu.
- Omijanie pola. Mapa jest palcem wskazującym; Diagnozę przeprowadza się na glebie i liściach.
Uwaga: Mapa indeksu odpowiada na pytanie „gdzie szukać”, a nie na pytanie „w czym tkwi problem”. Bezpośrednie przełożenie wykresu na decyzję dotyczącą leku lub nawozu wiąże się z ryzykiem interwencji w niewłaściwej sprawie.
Podsumowując
Wskaźniki wegetacyjne przekładają wigor roślin na liczby wynikające ze stosunku różnych pasm światła; Chociaż NDVI jest najpowszechniejszy, nie pasuje do każdej sytuacji ze względu na nasycenie i wpływ gleby - jego rodzeństwo, takie jak NDRE, SAVI, NDWI, jest silniejsze w niektórych kwestiach. Satelita to szeroki skan, dron to dokładna inspekcja, a pole to ostateczna warstwa weryfikacyjna. Sztuczna inteligencja jest cenna przy ustalaniu priorytetów podsumowań indeksów i ustalaniu planu walidacji; Ale niski wskaźnik jest hipotezą, a nie diagnozą. Nie wpadnij w pułapkę jednej daty, wybierz indeks według pytania i przetestuj każdy sygnał w terenie.
Zadanie aplikacji
Przygotuj małą tabelę zawierającą co najmniej trzy datowane wartości NDVI i, jeśli to możliwe, NDRE dla przesyłki (rzeczywistej lub reprezentatywnej); umieścić celowy spadek w regionie i jednorazowy skok w dacie. Przekaż to sztucznej inteligencji, korzystając z szablonów „podsumowania anomalii szeregów czasowych” i „filtru fałszywych alarmów” w tym urządzeniu. W wynikach oceń, czy sztuczna inteligencja jest w stanie oddzielić rzeczywisty spadek od odbicia się od chmury, czy próbuje postawić diagnozę, i zapisz jeden wskaźnik, który będziesz sprawdzał w terenie dla każdego regionu.
lista kontrolna
- [ ] Świadomie wybrałem indeks (NDVI/NDRE/SAVI/NDWI) odpowiedni do mojego pytania.
- [ ] Podjąłem decyzję na podstawie szeregów czasowych, a nie pojedynczego obrazu.
- [ ] Odfiltrowałem nagłe spadki w przypadku chmur/cieni/zasp.
- [ ] Powody podane przez sztuczną inteligencję przyjąłem jako hipotezy, a nie diagnozy.
- [ ] Zaplanowałem terenowy pomiar weryfikacyjny dla każdej strefy priorytetowej.