Lợi nhuận:
- Khả năng giải thích NDVI và các chỉ số thực vật khác đo lường những gì và chỉ số nào phù hợp trong tình huống nào.
- Khả năng diễn giải các bản đồ chỉ mục được tạo từ hình ảnh vệ tinh/máy bay không người lái với sự trợ giúp của AI và ưu tiên các khu vực căng thẳng
- Khả năng loại bỏ các cảnh báo sai bằng cách xác minh các bất thường về chỉ số bằng kiểm soát hiện trường, khí tượng học và hiện tượng học
Việc điều hướng một trường bằng mắt vừa chậm vừa gây nhầm lẫn trên các khu vực rộng lớn: mắt mỏi, quen và bỏ lỡ các mẫu lớn hơn. Tuy nhiên, khi nhìn từ không gian hoặc máy bay không người lái, tình trạng của thảm thực vật sẽ trở thành một bản đồ kỹ thuật số và các khu vực bị căng thẳng sẽ được bộc lộ rõ ràng, còn quá sớm để mắt có thể nhận thấy. Công cụ chính cho phép chuyển đổi này là chỉ số thực vật: công thức quy đổi sức sống của cây thành một con số từ tỷ lệ của các dải sáng khác nhau trong ảnh. Phần này giới thiệu chỉ số phổ biến nhất, NDVI và các chỉ số anh chị em của nó, giải thích sự khác biệt giữa vệ tinh và máy bay không người lái, đồng thời chỉ cho bạn cách diễn giải và—quan trọng nhất—xác minh các bản đồ này bằng trí tuệ nhân tạo.
Trước tiên hãy hiểu vật lý. Một chiếc lá quang hợp khỏe mạnh sẽ hấp thụ ánh sáng đỏ rất mạnh (vì chất diệp lục sử dụng nó) và phản chiếu mạnh mẽ ánh sáng cận hồng ngoại (NIR; dải ngoài màu đỏ, không nhìn thấy được bằng mắt). Khi cây trở nên căng thẳng và mất đi chất diệp lục, nó sẽ hấp thụ ít màu đỏ hơn và phản xạ NIR ít hơn. NDVI (Chỉ số thực vật khác biệt chuẩn hóa) đo lường chính xác sự khác biệt này:
NDVI = (NIR - Đỏ) / (NIR + Đỏ)
Kết quả nằm trong khoảng từ -1 đến +1. Đất trống và nước cho giá trị gần bằng 0 hoặc âm; cây thưa 0,2-0,4; độ che phủ dày, khỏe nằm trong khoảng 0,7-0,9. NDVI không đo trực tiếp năng suất, bệnh tật hoặc độ ẩm của đất mà chỉ đo mật độ của lớp phủ xanh, sống. NDVI thấp là một cảnh báo, không phải là một chẩn đoán.
Tại sao một chỉ số không đủ?
NDVI mạnh nhưng có hai điểm yếu. Đầu tiên là độ bão hòa: khi lớp phủ trở nên rất dày đặc (chẳng hạn như ngô phát triển tốt), đỉnh NDVI ở mức 0,8-0,9 và không cho thấy sinh khối tăng thêm. Thứ hai là hiệu ứng đất: ở những nơi có lớp phủ thưa, màu của đất nền làm sai lệch chỉ số. Đó là lý do tại sao các chỉ số khác nhau đã được phát triển cho các tình huống khác nhau. Bảng dưới đây tóm tắt những cái được sử dụng nhiều nhất; Chỉ số nào bạn chọn phụ thuộc vào câu hỏi của bạn.
chỉ số
Nó tốt cho cái gì
ghi chú
NDVI
Khả năng tồn tại của bảo hiểm chung
Cung cấp độ bão hòa trong lớp phủ dày đặc
NDRE (Cạnh đỏ)
Nitơ/chất diệp lục trong lớp phủ dày đặc
Nhạy cảm với NDVI ở giai đoạn muộn
GNDVI (Xanh)
Tình trạng chất diệp lục/nitơ
Sử dụng băng màu xanh lá cây
SAVI
Lớp phủ thưa thớt, đất trống
Hiệu chỉnh hiệu ứng đất
NDWI/NDMI
Hàm lượng nước trong đất/thực vật
Gần hơn với căng thẳng về nước
NHÀ
Lớp phủ dày đặc, bầu không khí được điều chỉnh
Giảm độ bão hòa
Gợi ý: "Chỉ số nào?" Câu trả lời cho câu hỏi là giai đoạn phát triển của sản phẩm. SAVI thời kỳ đầu (lớp phủ thưa thớt); NDRE/GNDVI trong việc tăng cường giám sát lớp phủ dày đặc và nitơ; Trong tình trạng căng thẳng về nước, NDWI/NDMI thường mang lại nhiều thông tin hơn NDVI.
Vệ tinh hay Drone?
Hai nguồn lực này không phải là đối thủ cạnh tranh mà bổ sung cho nhau. Các vệ tinh (ví dụ: Sentinel-2, Landsat) bao phủ các khu vực rộng lớn đều đặn miễn phí hoặc với giá rẻ, nhưng độ phân giải của chúng rất thô (pixel 10-30 m) và đám mây có thể che khuất hình ảnh. Máy bay không người lái cung cấp độ phân giải rất cao (pixel và cm) và chuyến bay bất kỳ ngày nào bạn muốn, nhưng nó chiếm một diện tích nhỏ và việc bay và xử lý đòi hỏi lao động. Chiến lược thực tế được phân lớp: quét toàn bộ trang trại bằng vệ tinh và tìm các khu vực đáng ngờ, sau đó kiểm tra kỹ các khu vực đó bằng máy bay không người lái và cuối cùng đi đến hiện trường.
Trí tuệ nhân tạo giải thích bản đồ chỉ mục như thế nào?
Trí tuệ nhân tạo có giá trị trong việc giải thích không phải bản thân hình ảnh mà là những tóm tắt bằng số được tạo ra từ nó: mức trung bình của khu vực, sự thay đổi theo thời gian, sự khác biệt với các khu vực lân cận. Ví dụ: nếu bạn cung cấp cho AI một bản tóm tắt như “Đầu phía bắc của Lô-3 NDVI giảm từ 0,72 xuống 0,48 trong 12 ngày qua, đầu phía nam ổn định”, nó sẽ giúp bạn ưu tiên các nguyên nhân có thể xảy ra và lập kế hoạch kiểm soát hiện trường. Nhưng hãy nhớ: “tại sao” AI gợi ý là một danh sách các giả thuyết. NDVI thấp có thể do căng thẳng về nước, bệnh tật, thiếu chất dinh dưỡng, nảy mầm không thường xuyên, mưa đá, bóng mây hoặc đất mới cày. Chỉ có lĩnh vực, khí tượng học và hiện tượng học mới phân biệt được những điều này.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Nắm bắt căng thẳng sớm. Tại một cánh đồng ngô, vệ tinh NDVI thấp hơn 0,15 điểm so với khu vực xung quanh ở phần 8 decare phía Tây Nam của cánh đồng. Người kỹ sư đã đến khu vực đó; phát hiện tắc nghẽn ở đường tưới và lỗi đã được khắc phục 6 ngày trước khi xuất hiện các triệu chứng rõ ràng (mờ dần). Ước tính tổn thất năng suất đã tránh được.
Trường hợp 2 - Báo động sai. NDVI đột ngột giảm vào một ngày vệ tinh duy nhất trên một thửa ruộng lúa mì. AI cho biết "có thể có bệnh". Tuy nhiên, khí tượng hôm đó cho thấy mây mù dày đặc; Trong hình ảnh không có mây tiếp theo, NDVI đã trở lại bình thường. Bóng mây là một báo động giả; Quyết định không được đưa ra dựa trên một ngày cụ thể mà được xem xét theo chuỗi thời gian.
Trường hợp 3 - Lựa chọn chỉ mục. Trong một cánh đồng củ cải đường đã phát triển, NDVI bão hòa ở mức 0,85 ở mọi nơi và không có sự khác biệt về nitơ. Khi chuyển sang chỉ số NDRE, quan sát thấy thiếu diệp lục ở nửa phía đông ruộng; Phân tích lá đã xác nhận tình trạng thiếu nitơ và việc bón thúc có mục tiêu đã được áp dụng cho khu vực đó.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Có vấn đề gì với bản đồ NDVI này không? Tôi nên làm gì?
Lời nhắc mạnh mẽ:
Vai trò của bạn: Nhà nông học được hỗ trợ viễn thám. Tôi đang cung cấp cho bạn bản tóm tắt chuỗi NDVI và NDREtime theo khu vực (ngày, khu vực, giá trị trung bình). Nhiệm vụ:- Liệt kê các khu vực có SỰ GIẢM GIÁ đáng kể cùng với số lượng và thời gian giảm.- Đưa ra 2-4 giả thuyết nguyên nhân CÓ THỂ cho từng khu vực (nước/bệnh/dinh dưỡng/đất/mây).- Viết một câu về cách tôi sẽ xác minh nó trên hiện trường cho mỗi giả thuyết.- Đánh dấu riêng những thay đổi đột ngột trong một ngày vì chúng có thể là mây/bóng tối.- KHÔNG CHẨN ĐOÁN, khuyến nghị thuốc trừ sâu/phân bón; ver.Data danh sách kiểm tra ưu tiên: [tóm tắt chuỗi thời gian]
Lời nhắc mạnh mẽ biến AI từ một máy chẩn đoán thành trợ lý kế hoạch xác minh và ưu tiên; viết rõ ràng về bẫy ngày duy nhất và giới hạn chẩn đoán.
Bốn mẫu có thể sao chép
1) Tư vấn lựa chọn chỉ số:
Cây trồng: [cây trồng], giai đoạn phát triển: [giai đoạn], câu hỏi của tôi: [căng thẳng về nước / nitơ / sức sống chung]. Giải thích ngắn gọn 2 chỉ số thực vật phù hợp nhất cho tình huống này, lý do và ưu điểm của chúng so với NDVI. Viết các công thức quá.
2) Tóm tắt sự bất thường của chuỗi thời gian:
Trong bảng khu vực-ngày-NDVI bên dưới: liệt kê riêng: (a) mức giảm hơn 0,1 và kéo dài trong ít nhất 2 ngày liên tiếp, (b) bước nhảy trong một ngày. Không thêm nhận xét, chỉ trích xuất bảng.
3) Kế hoạch kiểm soát hiện trường:
Lập kế hoạch chuyến đi thực tế cho các lĩnh vực ưu tiên sau: viết ra phép đo nào (độ ẩm, mẫu lá, kiểm tra rễ) tôi sẽ thực hiện ở từng khu vực và lý do cần thực hiện phép đo đó. Đề xuất các điểm GPS đến trung tâm khu vực.
4) Bộ lọc cảnh báo sai:
Danh sách kiểm tra để loại trừ sự sụt giảm NDVI này trước khi đưa ra quyết định: đám mây/bóng tối, góc bóng, thu hoạch/giải phóng, ngày cảm biến, tính nhất quán của vùng lân cận. Kiểm tra từng mục "đã được kiểm tra chưa?" Trình bày dưới dạng.
Những lỗi thường gặp
- Đưa ra quyết định dựa trên một ngày duy nhất. Những đám mây, những cái bóng và bầu không khí làm biến dạng hình ảnh duy nhất; luôn luôn nhìn vào chuỗi thời gian.
- NDVI thấp = nhầm với bệnh tật. Chỉ số không nói lý do; Các vấn đề về nước, chất dinh dưỡng, đất và lối thoát cũng có mức độ suy giảm tương tự.
- Bỏ qua độ bão hòa. đỉnh NDVI trong lớp phủ dày đặc; Chuyển sang NDRE/GNDVI trong giám sát nitơ.
- Quên độ phân giải. Một pixel vệ tinh 10 m có thể che giấu một mảng áp lực nhỏ; Hạ cánh máy bay không người lái tại vị trí đáng ngờ.
- Bỏ qua lĩnh vực này. Bản đồ là ngón trỏ; Chẩn đoán được thực hiện trong đất và lá.
Lưu ý: Bản đồ chỉ mục trả lời câu hỏi "bạn nên tìm ở đâu", chứ không phải câu hỏi "vấn đề là gì". Việc chuyển trực tiếp biểu đồ sang quyết định về thuốc hoặc phân bón có nguy cơ can thiệp sai nguyên nhân.
Tóm lại
Các chỉ số thực vật chuyển đổi sức sống của thực vật thành các con số theo tỷ lệ của các dải ánh sáng khác nhau; Mặc dù NDVI là phổ biến nhất nhưng nó không phù hợp với mọi tình huống do độ bão hòa và ảnh hưởng của đất - những người anh em của nó như NDRE, SAVI, NDWI mạnh hơn ở một số câu hỏi nhất định. Vệ tinh là quét rộng, máy bay không người lái là kiểm tra chặt chẽ và hiện trường là lớp xác minh cuối cùng. AI có giá trị trong việc ưu tiên tóm tắt chỉ mục và thiết lập kế hoạch xác thực; Nhưng chỉ số thấp là một giả thuyết, không phải là một chẩn đoán. Đừng rơi vào bẫy ngày tháng duy nhất, hãy chọn chỉ mục theo câu hỏi và kiểm tra từng tín hiệu trong trường.
Nhiệm vụ ứng dụng
Chuẩn bị một bảng nhỏ chứa ít nhất ba giá trị NDVI ghi ngày tháng và, nếu có thể, các giá trị NDRE cho một bưu kiện (thực tế hoặc đại diện); cố tình bỏ một vùng và nhảy một lần vào một ngày. Cung cấp nó cho AI với các mẫu “tóm tắt bất thường chuỗi thời gian” và “bộ lọc cảnh báo sai” trong đơn vị này. Ở đầu ra, hãy đánh giá xem liệu AI có thể tách mức giảm thực tế khỏi số lần thoát khỏi đám mây hay không, liệu AI có cố gắng đưa ra chẩn đoán hay không và ghi lại một số liệu mà bạn sẽ xem xét tại hiện trường cho từng khu vực.
danh sách kiểm tra
- [ ] Tôi đã chủ ý chọn chỉ số (NDVI/NDRE/SAVI/NDWI) phù hợp với câu hỏi của mình.
- [ ] Tôi đưa ra quyết định dựa trên chuỗi thời gian chứ không phải một hình ảnh duy nhất.
- [ ] Tôi đã lọc những giọt nước đột ngột trong trường hợp có mây/bóng/trôi.
- [ ] Tôi coi những lý do do AI đưa ra là giả thuyết chứ không phải chẩn đoán.
- [ ] Tôi đã lên kế hoạch đo đạc xác minh hiện trường cho từng vùng ưu tiên.