Альтернативные показатели растительности


16

Я использовал NDVI с ограниченным успехом, чтобы идентифицировать деревья в центральном регионе Великих равнин США. Проблема, с которой я столкнулся, состоит в том, что отражательная способность от полей / пастбищ фермы имеет по существу ту же спектральную сигнатуру, что и деревья, которые я идентифицирую. Есть ли растительный индекс, который можно получить из 4-полосных изображений NAIP, которые могут лучше справляться с изоляцией древесного покрова, смешанного в сельскохозяйственных районах? Возможно, этап предварительной / последующей обработки может быть наиболее эффективным?

Пример NDVI


Одна из групп около Инфра Ред?
Якуб Сисак GeoGraphics

Да, полоса 4 = NIR для изображений NAIP.
Аарон

Как выглядит изображение, когда вы используете NIR? Разве это не поможет лучше изолировать древесный покров? Хотя растительность будет выглядеть красной, я нахожу, что часто легче обнаружить различные образцы. Можете ли вы опубликовать одно и то же изображение в NIR? Это ручной процесс, или вы запускаете изображения через какой-то алгоритм, который идентифицирует деревья?
Якуб Сисак GeoGraphics

@Jakub: я использую автоматизированный процесс, который идентифицирует деревья на основе объектно-ориентированного алгоритма. Извините, я забыл, какое изображение использовалось для примера, однако, базовые изображения - это стандартный 4-полосный NAIP с NIR и RGB.
Аарон

Ответы:


8

Я широко использовал данные Enhanced Vegetation Index (EVI) для анализа сельскохозяйственных районов. Хотя я никогда не использовал его с изображениями NAIP, все, что вам нужно, это красные, синие и ИК данные.

Для ваших целей самое большое преимущество EVI состоит в том, что он не «насыщается» так же легко, как NDVI, - он предлагает больший контраст (динамический диапазон) при исследовании участков с сильной растительностью, таких как возделанные сельскохозяйственные поля. Компромисс заключается в том, что контраст между районами с низким EVI (например, пустынями или залежными полями) и посевными площадями не так велик. Но для ваших целей это не имеет значения.

На этой гистограмме данных NDVI вы можете видеть, как большинство сельскохозяйственных пикселей находится в дальнем правом конце распределения. Существует большой динамический диапазон от 0 до 0,5, который тратится впустую. Это похоже на фотографию с неправильно настроенными уровнями. Ваше дерево и сельскохозяйственные поля, вероятно, оба в этом горбе, но, поскольку они сжаты в одну небольшую область, они выглядят одинаково серого цвета.

Гистограмма NDVI

NDVI

На этой гистограмме точно такой же площади, но рассчитанной с помощью EVI, вы можете увидеть, насколько более равномерным является распределение. Различия в интенсивности и охвате растительности представлены более широким диапазоном значений, что облегчает проведение классификаций. Это сделает ваши деревья и сельскохозяйственные поля более разнородными оттенками серого.

Гистограмма EVI

ИЭУ


3
@Aaron Вы можете использовать все, что угодно: ENVI, IDL, ArcGIS, NumPy, MATLAB и т. Д. Расчет EVI не является особенно сложной формулой, уравнение находится на странице Википедии . Вам просто нужно использовать красный, синий и инфракрасный диапазоны, и тогда это просто подключи и пей.
dmahr

@ Аарон Работал ли EVI над задачей идентификации деревьев?
dmahr

EVI, которые были созданы из одного набора наипов, работали фантастически. Странно, однако, что EVI, полученный из наип-изображений другого государства, привел к соли и перцу. Еще раз спасибо.
Аарон

@Aaron Проблема соли и перца может быть связана с разной маркировкой полос. Все индексы растительности используют «красный край» растительности в ближней инфракрасной области.
dmahr

2

Вот заявление о растровой алгебре, которое даст вам EVI.

((«band4» - «Band1») / («Band4» + 6 * «Band1» - 7,5 * «Band3» + 1)) * 2,5


1
Я думаю, что для ArcGIS вам понадобится оператор Float, чтобы убедиться, что результаты сохраняются с плавающей точкой. (Float ("band4" - "Band1") / Float ("Band4" + 6 * "Band1" - 7,5 * "Band3" + 1)) * 2,5
Джеффри Эванс

2

У вас есть доступ к другому изображению того же года, но к другой стадии зрелости? Представьте, что ваше изображение с весны, если у вас есть изображение с конца лета, вы получите изменения в посевах, которые помогут отличить сельское хозяйство от леса.

В любом случае у вас есть много вариантов индексов растительности,

Наиболее распространенными являются:

реже:

  • Перпендикулярный индекс растительности почвы
  • Скорректированный индекс растительности
  • Атмосферостойкий индекс растительности
  • Глобальный индекс мониторинга окружающей среды

Спасибо за ответ. К сожалению, эти наборы данных доступны только в середине вегетационного периода. Я изучаю, с некоторым первоначальным успехом, использование EVI.
Аарон

-1

NDVI и EVI являются лучшими показателями для таких задач. Однако вы можете поэкспериментировать с другими индексами по умолчанию в LandViewer или создать свой собственный индекс с помощью встроенного калькулятора. Пример такого анализа можно увидеть здесь:

введите описание изображения здесь


Избегайте явной саморекламы. Сообщество склонно отклонять открытую саморекламу и помечать ее как спам Публикуйте хорошие, релевантные ответы, и если некоторые (но не все) касаются вашего продукта или веб-сайта, это нормально. Однако вы должны раскрывать свою принадлежность в своих ответах.] ( Genealogy.stackexchange.com/help/behavior ). На практике это означает, что любой ответ, который рекомендует ваш собственный продукт, должен включать в себя что-то вроде « Раскрытие информации: я [позиция] [компании], которая разрабатывает / распространяет это программное обеспечение / тест».
PolyGeo
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.