مقدمه

شاخص گیاهی(Vegetation index) تفاوت نرمال شده یا NDVI مفهوم جدیدی نیست و از سال 1973 مورد استفاده قرار گرفته است و به دانشمندان کمک می کند تا در کوتاه ترین زمان، سلامت گیاهان را ارزیابی و نظارت کنند. امروزه، با توجه به پیشرفت‌های اخیر در رصد زمین و فن‌آوری‌های ماهواره‌ها و هواپیماهای بدون سرنشین، NDVI به متداول‌ترین شاخص پوشش گیاهی در سنجش از دور، به‌ویژه تبدیل شده است.

NDVI یا شاخص گیاهی تفاوت نرمال شده چیست؟

NDVI یا Normalized Difference Vegetation Index یک روش سنجش از دور است که از بازتاب نور در طول موج های قرمز(Red) و مادون قرمز نزدیک (NIR) برای تعیین میزان و سلامت پوشش گیاهی در یک منطقه استفاده می کند. NDVI به طور گسترده در کشاورزی، جنگل‌داری و بوم‌شناسی برای بررسی و نظارت بر رشد و سلامت پوشش گیاهی و شناسایی مناطق استرس‌زا یا در معرض آسیب استفاده می‌شود. مقادیر NDVI همچنین می تواند برای نقشه برداری و طبقه بندی انواع پوشش گیاهی و تشخیص تغییرات پوشش گیاهی در طول زمان استفاده شود.

NDVI چگونه محاسبه می شود؟

گیاهان دارای ویژگی بازتابی منحصر به فردی هستند، آنها نور مادون قرمز نزدیک (NIR) را به میزان قابل توجهی نسبت به نور قرمز(R) بیشتر منعکس می کنند. هنگامی که گیاهان سالم هستند، محتوای کلروفیل بالایی دارند که به آنها اجازه می دهد نور بیشتری را در ناحیه طیف قرمز جذب کنند و نور بیشتری را در ناحیه NIR(near-infrared) منعکس کنند. بنابراین NDVI از این ویژگی گیاهان برای تمایز پوشش گیاهی سالم از پوشش گیاهی غیر گیاهی یا ناسالم استفاده می کند.

NDVI با تفریق بازتاب باند NIR از بازتاب باند قرمز و سپس تقسیم آن مقدار بر مجموع بازتاب باندهای NIR و قرمز محاسبه می‌شود. مقادیر NDVI از 1- تا 1 متغیر است که 1- نشان دهنده عدم وجود پوشش گیاهی، 0 نشان دهنده خاک یا آب لخت و مقادیر نزدیکتر به 1 نشان دهنده مقادیر بیشتر و پوشش گیاهی سالم تر است.

مقایسه بازتاب بازتاب باندهای نور قرمز و مادون قرمز نزدیک می‌تواند به تمایز بین گیاهان سالم و بیمار یا تمایز گیاهان غیر گیاهی از گیاهان کمک کند.

NDVI از فرمول زیر محاسبه می‌شود:

NDVI = (NIR-Red)/(NIR+Red)

اکنون، مقادیر از 1- تا 1+ متغیر است. مقدار مثبت بالاتر یا بیشتر نشان دهنده قدرت بیشتر گیاه و سلامت عمومی است.

 

به‌طور کلی، پوشش گیاهی سالم، که حاوی مقدار مناسبی از کلروفیل و ساختارهای سلولی است، میزان بیشتری از باند قرمز را در مقایسه با پوشش گیاهی ناسالم جذب می‌کند و لذا، NDVI بالاتری دارد. NDVI با استفاده از ویژگی بازتابی منحصر به فرد گیاهان سالم، امکان تمایز پوشش گیاهی را از پوشش غیر گیاهی یا ناسالم فراهم می‌کند و در نتیجه امکان نظارت بر رشد و سلامت پوشش گیاهی و شناسایی مناطق تحت تنش یا آسیب را فراهم می‌کند.

تاریخچه مختصری از NDVI:

NDVI (شاخص تفاوت نرمال شده گیاهی) یک روش سنجش از دور است که برای اولین بار در دهه 1970 توسعه یافت. مفهوم استفاده از بازتاب نور در طول موج های مرئی و مادون قرمز نزدیک(NIR) برای تعیین میزان و سلامت پوشش گیاهی اولین بار توسط دانشمندی به نام Rouse در سال 1973 ارائه شد. او از دو فیلتر استفاده کرد، یکی برای تشخیص نور قرمز و دیگری برای تشخیص نور مادون قرمز نزدیک. او NDVI را با کم کردن بازتاب باند NIR از بازتاب نوار قرمز و سپس تقسیم آن مقدار بر مجموع بازتاب باندهای NIR و قرمز محاسبه کرد.

در دهه 1980، NDVI بیشتر توسعه یافت و در تصاویر ماهواره ای به کار رفت و امکان نظارت در مقیاس بزرگ پوشش گیاهی را فراهم کرد. اولین تصاویر NDVI از ماهواره ها در اوایل دهه 1980 تولید شد و برای نقشه برداری و طبقه‌بندی انواع پوشش گیاهی و نظارت بر تغییرات پوشش گیاهی استفاده شد.

در دهه 1990، NDVI برای نظارت بر سلامت پوشش گیاهی و بهره‌وری در کشاورزی و همچنین برای نظارت بر اکوسیستم‌های جنگلی و مرتعی استفاده شد. با ظهور تصاویر ماهواره ای با وضوح بالا و وسایل نقلیه هوایی بدون سرنشین (پهپادها)، NDVI به طور فزاینده‌ای در دسترس و به طور گسترده‌ای در کاربردهای مختلفی مانند کشاورزی دقیق، نقشه‌برداری کاربری زمین و پوشش زمین و نظارت بر سلامت اکوسیستم مورد استفاده قرار گرفته است.

امروزه NDVI به‌طور گسترده در بسیاری از کاربردها مانند نظارت بر محصولات زراعی، سلامت پوشش گیاهی، کشاورزی هوشمند، تهیه نقشه‌های کاربری و پوشش زمین و نظارت بر سلامت اکوسیستم استفاده می‌شود.

کاربردهای NDVI

NDVI ، یک تکنیک سنجش از دور پرکاربرد با کاربردهای متنوع در کشاورزی، جنگل‌داری و نظارت بر محیط زیست است. چند مثال خاص از نحوه استفاده از NDVI در این زمینه‌ها عبارتند از:

1. NDVI در کشاورزی

NDVI معمولا با نظارت بر سلامت و بهره وری محصولات، به کشاورزان در شناسایی مناطقی از مزرعه که تحت استرس یا کمبود مواد مغذی هستند، کمک می‌کند و می‌تواند برای بهینه‌سازی شیوه‌های آبیاری و کوددهی استفاده شود. NDVI همچنین می تواند برای نظارت بر رشد و توسعه محصولات در طول زمان و تخمین عملکرد استفاده شود.

NDVI می‌تواند در کشاورزی هوشمند با استفاده از فناوری برای بهینه‌سازی تصمیمات مدیریت محصول استفاده گردد. مقادیر NDVI را می‌توان برای بررسی تغییرات در رشد و سلامت محصول با شیوه‌های مدیریتی خاص، مانند کوددهی و آبیاری، در مناطقی از مزرعه که بیشتر به آن نیاز دارند، استفاده کرد. این موضوع به استفاده کارآمدتر از منابع شود و می‌تواند عملکرد و کیفیت محصول را بهبود بخشد.

2. NDVI در جنگل‌داری

NDVI با ارزیابی تراکم و سلامت جنگل‌ها و نظارت بر تغییرات پوشش جنگلی در طول زمان، به شناسایی مناطقی از جنگل که ممکن است تحت استرس یا آسیب ناشی از آفات، بیماری ها یا عوامل دیگر باشد کمک می‌کند. NDVI همچنین برای تخمین پتانسیل زیست توده و ترسیب کربن در جنگل ها مورد استفاده قرار می‌گیرد. از دیگر کاربردهای NDVI در جنگل‌داری و جنگل‌شناسی، نظارت بر سلامت جنگل‌ها در مناطق وسیع، با تشخیص تغییرات میزان تاج پوشش، شاخص سطح برگ و زیست توده پوشش گیاهی است.

NDVI، برای تشخیص تغییرات در ساختار جنگل، مانند تغییرات در تراکم درختان، و برای شناسایی مناطق بازسازی جنگل استفاده می‌شود. NDVI همچنین می‌تواند برای نظارت بر اثرات شیوه‌های مدیریت جنگل‌داری، مانند برش شفاف، نازک‌کردن یا سوزاندن تجویز شده، بر رشد و سلامت جنگل استفاده شود.

مقادیر NDVI را می توان برای شناسایی مناطقی که به خوبی از اقدامات مدیریتی بهبود می یابند و همچنین برای شناسایی مناطقی که در حال بازیابی نیستند استفاده کرد. NDVI با ترکیب با سایر منابع داده مانند داده های LiDAR برای به دست آوردن اطلاعات دقیق تر در مورد ساختار جنگل و زیست توده استفاده می‌شود. با استفاده روزافزون از پهپادها، داده‌های NDVI را می توان به طور مکرر، مقرون به صرفه و کارآمدتر به‌دست آورد.

3. NDVI برای نظارت بر محیط زیست

NDVI برای نظارت بر سلامت و بهره وری پوشش گیاهی در اکوسیستم‌های طبیعی مانند علفزارها، ساواناها و تالاب ها استفاده می‌شود. هم‌چنین از این شاخص برای تشخیص تغییرات پوشش گیاهی ناشی از فعالیت‌های انسانی یا رویدادهای طبیعی مانند جنگل‌زدایی، تغییر کاربری زمین و خشک‌سالی استفاده کرد. از NDVI برای نظارت بر بهبود پوشش گیاهی پس از اختلالات، مانند آتش سوزی یا سیل نیز استفاده می‌شود.

NDVI برای تشخیص تغییراتی مانند، تغییرات در پوشش تاج پوشش، شاخص سطح برگ (leaf area index) و زیست توده(biomass) در پوشش گیاهی، استفاده می‌گردد. NDVI می تواند برای تشخیص تغییرات در ساختار اکوسیستم، مانند تغییرات در تراکم پوشش گیاهی، و شناسایی مناطق بازسازی اکوسیستم استفاده شود.

NDVI برای نظارت بر اثرات شیوه‌های مدیریت زیست محیطی مانند احیاء یا حفاظت جنگل‌ها بر سلامت اکوسیستم نیز استفاده می‌شود. مقادیر NDVI را می توان برای شناسایی مناطقی که به خوبی از اقدامات مدیریتی بهبود می‌یابند و هم‌چنین برای شناسایی مناطقی که در حال بازیابی نیستند استفاده کرد.

5 کاربرد عملی برتر NDVI در کشاورزی

آیا می دانستید که NDVI بر اساس تغییرات فصلی می تواند مطالب زیادی در مورد محصول بگوید؟

به عنوان مثال، به درک چگونگی زنده ماندن گیاه در طول زمستان کمک می‌کند. مقدار کمتر از 0.15 نشان می‌دهد که همه گیاهان در آن قسمت خاص از مزرعه از بین رفته‌اند.

علاوه بر ارزیابی کلی، برخی از کاربردهای عملی دیگر NDVI در کشاورزی به شرح زیر است:

1. NDVI به ردیابی سلامت محصول کمک می کند

اکثر دانشمندان و کشاورزان، استفاده از NDVI برای ردیابی سلامت محصولات را با بررسی نقشه‌های NDVI در طول فصل رشد و یا در سال‌های مختلف، به ابزار دیگر ترجیح می‌دهند.

این سری مقادیر NDVI، زمانی که به طور میانگین محاسبه شوند، می‌توانند به تعیین شرایط رشد طبیعی محصولات در یک منطقه خاص و در یک زمان معین از سال کمک کنند.

داده های NDVI را می توان برای شناسایی کمبود مواد مغذی در محصولات استفاده کرد. به‌عنوان مثال، مقادیر پایین NDVI در مناطق خاصی از مزرعه ممکن است نشان دهد که محصولات در آن مناطق کمبود یک ماده غذایی خاص مانند نیتروژن یا فسفر را تجربه می‌کنند. این اطلاعات می‌تواند به کشاورزان کمک کند تا شیوه‌های کوددهی را برای رفع کمبود و بهبود سلامت محصول هدف قرار دهند.

مزیت خاص روش‌های مذکور این است که، با NDVI، به آنچه که چشم غیرمسلح نمی‌تواند ببیند، نگاه دقیق‌تری خواهیم داشت. نواحی مشکل‌دار از قبل به ما نشان داده می‌شود و در نتیجه این فرصت را برای ما فراهم می‌کند که سریع‌تر آنها را برطرف کنیم. البته، NDVI نمی‌تواند جایگزین مداخله انسان شود، اما کار را به طرز چشم‌گیری ساده می‌کند.

2. NDVI به متخصصان اگرونومیست، کمک می‌کند تا نقشه های نسخه متغیر را توسعه دهند.

با نقشه‌های NDVI، کشاورزان و سایر ذی‌نفعان می‌توانند کمبودهای مواد مغذی را شناسایی ، و با استفاده از نقشه‌های NDVI قبل و بعد از اعمال گزینه‌های مختلف مدیریت و قراردادن نتایج در اختیار کشاورزان، انقلابی در ترویج و امکان‌پذیر کردن کشاورزی هوشمند صورت می‌گیرد.

داده‌های NDVI را می‌توان برای بهینه‌سازی برنامه‌های آبیاری با شناسایی مناطقی از مزرعه که بیشتر به آب نیاز دارند، استفاده کرد. به عنوان مثال، اگر مقادیر NDVI در مناطق خاصی از مزرعه کمتر باشد، ممکن است نشان دهد که محصولات در آن مناطق تحت تنش آبی هستند و ممکن است از آبیاری اضافی بهره مند شوند.

در نتیجه، کشاورزان و شرکت های کشاورزی دیگر نیازی به هزینه اضافی ندارند. با مشاوره‌های مبتنی بر داده‌های کشاورزان، آنها می‌توانند فقط در صورت نیاز سمپاشی و بذرپاشی کنند تا در زمان، هزینه و منابع به میزان قابل توجهی صرفه‌جویی کنند.

3. NDVI به Scout Fields(Scout Fields به کشاورزان و محققان کمک می‌کند تا با بررسی و ارزیابی، مشکلات موجود در مزارع را شناسایی کرده و اقداماتی برای بهبود وضعیت خاک و محصول انجام دهند) سریعتر کمک می کند

فرآیند فیزیکی سنتی ارزیابی یا ردیابی یک مزرعه می‌تواند برای محصولات زیان آورتر باشد. به علاوه، این روش زمان‌بر و توام با کار فشرده است. از طرفی با NDVI می‌توانید مناطق مشکل‌دار را زودتر شناسایی کنید و اقدامات لازم را برای بهبود سلامت و عملکرد محصول انجام دهید. یک موقعیت برد-برد مطلق هم برای کشاورز و هم برای برند مرتبط!

4. NDVI به شناسایی زودتر مشکلات محصول کمک می‌کند

NDVI همچنین به کشاورزان کمک می‌کند تا محصولات تحت استرس را تا 2 هفته قبل از دیدن چشم غیر مسلح شناسایی کنند. از آنجایی که تنش محصول در طیف نور مادون قرمز نزدیک بیشتر از طیف مرئی آشکار است، می‌تواند به تولیدکنندگان کمک کند تا آفات، بیماری‌ها، قارچ ها و شرایط خشک را زودتر از بین ببرند. علاوه بر این، مقادیر پایین NDVI به طور مداوم در یک مکان در هر چرخه محصول می‌تواند مشکلات مربوط به زهکشی، pH خاک یا حتی فشرده شدن خاک را نشان دهد.

5. NDVI به نشان دادن شرایط خشکسالی کمک می‌کند

ناسا برای استفاده از NDVI به عنوان شاخص خشک‌سالی موردی را مطرح کرد. ناسا در وب سایت خود بیان داشته: "یک گیاه هر چه بیشتر فتوسنتز ‌کند، بیشتر تولید می‌کند." برعکس، هر چه گیاه نور خورشید کمتری را جذب کند، مولد نیست." این به ما مقادیر NDVI را در یک دوره زمانی مشخص می‌دهد. هنگامی که میانگین می‌شوند، مقادیر NDVI ظرفیت جذب/انعکاس یک منطقه را نشان می‌دهند. بنابراین، NDVI سلامت پوشش گیاهی را در مقایسه با میانگین در آن منطقه نشان می‌دهد.

ناسا با استفاده از داده های 20 ساله NDVI در سراسر جهان، اکنون می تواند NDVI امروزی را با میانگین 20 ساله مقایسه کند تا مشخص کند بهره وری یک منطقه خاص بیشتر، کمتر یا یکسان است. منطقه‌ای که کاهش رشد گیاه را نشان می دهد که با مقادیر NDVI کمتر در مقایسه با میانگین مشخص می شود، می تواند به عنوان "در شرایط خشکسالی" در نظر گرفته شود. هرچند نه همیشه. پوشش ابری و سرمای شدید نیز می‌تواند باعث ایجاد NDVI کمتر از حد معمول شود.

فن آوری برای تولید داده های NDVI برای کشاورزی

1. تصاویر ماهواره ای

سنسورهای ماهواره‌ای مانند Landsat، Sentinel-2 و MODIS بازتاب پوشش گیاهی را در محدوده‌های طول موج مختلف اندازه‌گیری می‌کنند که می‌توان از آن برای محاسبه NDVI استفاده کرد. تصاویر ماهواره ای به طور گسترده در دسترس است و می‌تواند مناطق وسیعی را پوشش دهد، اما وضوح فضایی ممکن است محدود باشد و داده‌ها ممکن است تحت تأثیر پوشش ابر قرار گیرند.

2. سنسورهای از راه دور

NDVI همچنین می تواند به طور مستقیم بر روی زمین با استفاده از سنسورهای دستی یا نصب شده در خودرو اندازه‌گیری شود. این حس‌گرها ممکن است شامل طیف‌سنج‌هایی باشند که بازتاب پوشش گیاهی را در محدوده‌های طول موج مختلف اندازه‌گیری می‌کنند یا کلروفیل مترها که میزان کلروفیل در برگ‌ها را اندازه‌گیری می‌کنند.

تجزیه و تحلیل و تفسیر داده های NDVI در کشاورزی

1. تفسیر بصری

داده های NDVI را می توان به صورت نقشه یا تصاویر نمایش داد و می توان از نظر الگوها و روندها به صورت بصری بازرسی کرد. به عنوان مثال، محصولات سالم ممکن است با مقادیر بالای NDVI مرتبط باشند، در حالی که محصولات تحت تنش یا آسیب دیده ممکن است مقادیر NDVI کمتری داشته باشند. تفسیر بصری می تواند برای شناسایی مناطقی از حوزه که ممکن است نیاز به بررسی یا مدیریت بیشتر داشته باشد مفید باشد.

2. تجزیه و تحلیل آماری

داده‌های NDVI را می‌توان با استفاده از تکنیک‌های آماری، مانند تحلیل رگرسیون یا تحلیل مؤلفه‌های اصلی(PCA)، تجزیه و تحلیل کرد. این تکنیک‌ها می‌توانند به شناسایی روابط بین NDVI و سایر متغیرها، مانند عملکرد محصول یا شرایط آب و هوایی کمک کنند.

3. یادگیری ماشینی(Machine learning)

داده های NDVI را می توان به عنوان ورودی برای الگوریتم‌های یادگیری ماشین استفاده کرد، که می‌توانند برای شناسایی الگوها و پیش‌بینی بر اساس داده ها آموزش ببینند. به عنوان مثال، یک مدل یادگیری ماشینی می‌تواند برای پیش‌بینی عملکرد محصول بر اساس داده‌های NDVI یا شناسایی مناطقی از مزرعه که ممکن است دچار استرس یا آسیب باشند، آموزش ببیند.

4. ادغام با سایر منابع داده های کشاورزی

داده‌های NDVI را می‌توان با انواع دیگر داده‌ها، مانند داده‌های عملکرد، داده‌های آب و هوا یا داده‌های خاک ترکیب کرد تا به درک کامل‌تری از عواملی که ممکن است بر سلامت و بهره‌وری محصول تأثیر بگذارند، دست یافت.

محدودیت های NDVI

NDVI به تغییرات در شرایط جوی، مانند ابرها، مه، و ذرات معلق در هوا حساس است، که می‌تواند بر بازتاب نور در طول موج مرئی و مادون قرمز نزدیک تاثیر بگذارد. این موضوع می تواند منجر به خطا در مقادیر NDVI شود و تفسیر دقیق تصاویر NDVI را دشوار کند.

یکی دیگر از محدودیت‌های NDVI این است که قادر به تشخیص انواع مختلف پوشش گیاهی یا وضعیت های مختلف سلامت پوشش گیاهی نیست. مقادیر NDVI می تواند برای انواع مختلف پوشش گیاهی مانند درختان و درختچه ها مشابه باشد و مقادیر NDVI نیز می تواند برای پوشش گیاهی سالم و تحت تنش مشابه باشد. مقادیر NDVI همچنین می‌تواند تحت‌تاثیر ویژگی‌های سنسور مانند قدرت تفکیک‌های مکانی، طیفی و رادیومتریک، که می‌تواند بر مقادیر NDVI تأثیر بگذارد، قرار گیرد.

مقادیر NDVI از سنسورهای مختلف یا باندهای مختلف ممکن است مستقیماً قابل مقایسه نباشند و مقادیر NDVI می توانند تحت تأثیر ویژگی های سنسور قرار گیرند. مقادیر NDVI می توانند تحت تأثیر زاویه خورشید قرار گیرند، و بسته به ساعات‌ مختلف تصویربرداری در روز یا زمانی از سال که تصاویر به دست می آیند، تغییر کنند. این موضوع می‌تواند مقایسه مقادیر NDVI از تصاویر مختلف یا تشخیص تغییرات در پوشش گیاهی در طول زمان را دشوار کند.

آینده NDVI

حس‌گرهایی که داده‌های کشاورزی را برای محاسبه NDVI ضبط می‌کنند ممکن است شامل هواپیماهای بدون سرنشین، بالون‌ها یا ماهواره‌های کوچک باشند که داده‌های دقیق را با هزینه کمتری نسبت به ماهواره‌های سنتی ارائه می‌دهند. تحقیقات و توسعه مداومی در زمینه حس‌گرهای جدید و پیشرفته‌تر وجود دارد که می‌توانند وضوح بالاتر، داده‌های دقیق‌تر و پرتکرارتری ارائه دهند.

در حال حاضر، داده های NDVI اغلب در فواصل زمانی منظم جمع آوری شده و به صورت گذشته نگر تجزیه و تحلیل می‌شوند. در آینده، ممکن است تلاش‌های بیشتری برای استفاده از داده‌های NDVI در زمان واقعی انجام شود و کشاورزان و سایر کاربران را قادر می‌سازد تا تصمیمات به موقع و آگاهانه‌تری بگیرند.

آینده فناوری NDVI احتمالاً شامل پیشرفت‌های بیشتر در فناوری حس‌گرهاست ، مانند استفاده از حس‌گرهای فراطیفی و چند طیفی، که می‌تواند اطلاعات دقیق‌تر و دقیق‌تری در مورد پوشش گیاهی ارائه دهد. علاوه بر این، ادغام فناوری NDVI با سایر منابع داده، مانند داده‌های آب و هوا و خاک، تحلیل‌ها و کاربردهای پیچیده‌تری مانند کشاورزی هوشمند و نظارت بر سلامت اکوسیستم را ممکن می‌سازد. با استفاده روزافزون از پهپادها و ماهواره‌ها، NDVI در دسترس افراد بیشتری قرار می‌گیرد و آن را در دسترس‌تر، مقرون به صرفه‌تر و کارآمدتر می‌کند.

منبع:

https://www.cropin.com/blogs/ndvi-normalized-difference-vegetation-index#:~:text=Today%20NDVI%20is%20widely%20used,and%20monitoring%20of%20ecosystem%20health.