Галерея индексов
Индексы изображений - это изображения, вычисленные из многоканальных изображений. Изображения помогают выявить определенный существующий феномен, при этом смягчая другие факторы, которые ухудшают эти эффекты в изображении. Например, индекс растительности покажет здоровую растительность ярким цветом в индексном изображении, при этом больная растительность имеет значения ниже, и пустынные территории выглядят темными. Поскольку тени от форм рельефа местности (холмов и долин) влияют на интенсивность изображений, индексы создаются таким образом, чтобы сильнее выделялся цвет объекта, а не интенсивность или яркость объекта. Значение индекса растительности для здоровых сосновых деревьев, затененных в долине, будет почти совпадать с индексом для сосновых деревьев, находящихся на прямом солнечном свету. Эти индексы часто создаются путем комбинирования, добавления и удаления каналов, поэтому представляют собой различные пропорции каналов. Они привязаны к определенным каналам, которые находятся в определенных частях электромагнитного спектра. Как результат, они могут быть корректными для некоторых сенсоров или классов сенсоров, поэтому очень важно, чтобы в этих вычислениях использовались нужные каналы.
Одним из основных способов использования этих индексов является сравнение одного и того же объекта на множестве изображений за период времени. Например, существует несколько снимков сельскохозяйственного поля, которые выполнялись каждую неделю с момента засеивания поля и в течение всего вегетационного сезона. Индекс растительности будет вычислен для каждого изображения. Когда вы анализируете эти еженедельные индексы растительности, вы ожидаете увидеть повышение яркости в течении вегетационного сезона. Затем, когда осенью начинается старение растительности, вы ожидаете уменьшение индекса, пока урожай не будет собран, или листья не опадут в конце сезона. Усредненный эффект индексов делает это сравнение резонным. Сравнивая различные поля в области, вы можете определить процветающие поля или поля, которые подвергаются стрессу. Этот тип анализа также может быть использован для определения полей, которые пострадали от урагана.
Выберите индекс в соответствии с явлением, который хотите проанализировать. Убедитесь, что входное изображение получено с сенсора, который имеет необходимые каналы (длины волн и диапазон) для поддержки выбранного индекса. Индексы считывают метаданные из изображения, чтобы проверить имена каналов. Когда они найдут совпадение, автоматически будет применен индекс. ArcGIS Pro обычно использует имена каналов из Landsat 8, но имена каналов других сенсоров могут отличаться. В этом случае вы можете подставить соответствующий канал с используемого вами сенсора в функцию индекса. Например, растровый продукт Landsat 5 TM содержит средне инфракрасный канал (7) под именем MIR, который сопоставим с аналогичным коротковолновым инфракрасным каналом Landsat 8 (7) с именем SWIR2. В этом случае индекс, который вы хотите применить, не сможет найти в метаданных изображения необходимую информацию об имени канала, и откроется диалоговое окно, в котором вам предложат ввести правильный номер канала для индекса.
Примечание:
При выборе индекса для применения к вашему изображению убедитесь, что исходное изображение содержит надлежащий диапазон для этого индекса. Например, Стандартизованный индекс различий снежного покрова (NDSI) требует наличия коротковолнового инфракрасного канала (SWIR) и не будет работать должным образом при его отсутствии.
Индексы растительности и почвы
CI Green
Метод индекса хлорофилла — зеленый (CI Green) — это индекс растительности для оценки содержания хлорофилла в листьях с использованием отношения отражательной способности в ближнем ИК-диапазоне и зеленых каналах.
\(CIg \space = \space (NIR \space / \space Green) - 1\)
NIR = значения пикселов из ближнего инфракрасного канала
Green = значения пикселов из зеленого канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и зеленый каналы в следующем порядке: NIR Green. Например, 7 3.
Литература: Gitelson, A.A., Kaufman, Y.J., Merzlyak, M.N., 1996. "Use of a green channel in remote sensing of global vegetation from EOS-MODIS," Remote Sensing of Environment, Vol. 58, 289–298.
CI Red-Edge
Метод Индекс хлорофилла — Крайний красный (CI Red-Edge) — это индекс растительности для оценки содержания хлорофилла в листьях с использованием отношения отражательной способности в ближнем ИК и крайней красном каналах.
\(CIre \space = \space [(NIR \space / \space RedEdge)-1]\)
NIR = значения пикселов из ближнего инфракрасного канала
RedEdge = значения пикселов из крайнего красного канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и крайний красный (red-edge) каналы в следующем порядке: NIR RedEdge. Например, 7 6.
Литература:
- Gitelson, A.A., Merzlyak, M.N., 1994. "Quantitative estimation of chlorophyll using reflectance spectra, Journal of Photochemistry and Photobiology B 22, 247–252.
Green NDVI
Метод индекса растительности нормализованная разница зеленого (Green NDVI) — это индекс растительности для оценки фотосинтетической активности, который часто используется для определения поглощения воды и азота растительным пологом.
\(GNDVI \space = \space (NIR-Green)/(NIR+Green)\)
NIR = значения пикселов из ближнего инфракрасного канала
Green = значения пикселов из зеленого канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и зеленый каналы в следующем порядке: NIR Green. Например, 5 3.
Этот индекс выводит значения между -1,0 и 1,0.
Литература: Buschmann, C. и E. Nagel. 1993. "In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation," International Journal of Remote Sensing, Vol. 14, 711–722.
MSAVI
Метод Модифицированный индекс растительности с коррекцией по почве (Modified Soil Adjusted Vegetation Index, MSAVI2) минимизирует влияние обнаженной почвы на индекс SAVI.
\(MSAVI2 \space = \space (1/2) * (2(NIR+1)-sqrt((2 * NIR+1) ^{2} -8(NIR-Red)))\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из красного канала
Литература: Qi, J. et al., 1994, "A modified soil vegetation adjusted index," Remote Sensing of Environment, Vol. 48, No. 2, 119–126.
MTVI2
Метод Измененный триангуляционный индекс растительности (Modified Triangular Vegetation Index (MTVI2)) – это индекс растительности для определения содержания хлорофилла в листьях в масштабе растительного покрова, при этом он относительно независим от индекса площади самого листа. Он учитывает отражательную способность в зеленом, красном и ближнем инфракрасном каналах.
\(MTVI2 \space = \space [1.5(1.2(NIR-Green)-2.5(Red-Green))√((2NIR+1)²-(6NIR-5√(Red))-0.5)]\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из красного канала
Green = значения пикселов из зеленого канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR), красный и зеленый каналы в следующем порядке: NIR Red Green. Например, 7 5 3.
Литература: Haboudane, D., Miller, J.R., Tremblay, N., Zarco-Tejada, P.J., Dextraze, L., 2002. "Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture," Remote Sensing of Environment, Vol. 81, 416–426.
NDVI
Метод Стандартизованный индекс различия растительного покрова (Normalized Difference Vegetation Index (NDVI)) – стандартизированный индекс, позволяющий генерировать изображение, отображающее зелень (относительную биомассу). Этот индекс использует контраст характеристик двух каналов из набора мультиспектральных растровых данных: поглощения пигментом хлорофилла в красном канале и высокой отражательной способности растительного сырья в инфракрасном канале (NIR).
Документированное уравнение NDVI, используемое по умолчанию:
\(NDVI \space = \space ((NIR \space - \space Red)/(NIR \space + \space Red))\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из красного канала
Этот индекс выводит значения между -1,0 и 1,0.
PVI
Метод Перпендикулярный индекс растительности (Perpendicular Vegetation Index (PVI)) подобен разностному индексу растительности; однако он чувствителен к атмосферным отклонениям. При использовании этого метода для сравнения изображений его следует применять только к изображениям, скорректированным по атмосфере.
\(PVI \space = \space (NIR \space - \space a * Red \space - \space b) \space / \space (sqrt(1 \space + \space a ^{2} ))\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из красного канала
a = уклон линии почвы
b = градиент линии почвы
Этот индекс выводит значения между -1,0 и 1,0.
Red-Edge NDVI
Метод NDVI красного края — это индекс растительности для оценки состояния здоровья растительности с использованием Крайнего красного канала. Он особенно хорошо подходит для оценки состояния сельскохозяйственных культур на средней и поздних стадиях созревания, когда концентрация хлорофилла сравнительно высокая. Также NDVIre можно использовать для картографирования изменений содержания азота в листве в пределах одного поля, чтобы контролировать количество внесения удобрений.
Индекс NDVIre рассчитывается на основе значений ближнего ИК и крайнего красного каналов.
\(NDVIre \space = \space (NIR \space - \space RedEdge)/(NIR \space + \space RedEdge)\)
NIR = значения пикселов из ближнего инфракрасного канала
RedEdge = значения пикселов из крайнего красного канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и крайний красный (red-edge) каналы в следующем порядке: NIR RedEdge. Например, 7 6.
Этот индекс выводит значения между -1,0 и 1,0.
Литература: Gitelson, A.A., Merzlyak, M.N., 1994. "Quantitative estimation of chlorophyll using reflectance spectra, Journal of Photochemistry and Photobiology B 22, 247–252.
Red-Edge SR
Метод простого отношения с использованием крайнего красного канала (Red-Edge SR) представляет собой вегетационный индекс для оценки объёма здоровой растительности и растительности, находящейся в стрессовом состоянии. Это отношение коэффициентов рассеяния света в ближнем инфракрасном (БИК) и крайнем красном диапазонах спектра, что снижает влияние атмосферных факторов и рельефа местности.
Высокие значения присущи здоровой растительности с высокой степенью покрытия почвы, ниже - для угнетенной густой растительности, самые низкие - для воды, почвы и других нерастительных объектов. Значения варьируются от 0 до примерно 30, при этом для здоровой растительности характерны значения от 1 до 10.
\(SRre \space = \space NIR \space / \space RedEdge\)
NIR = значения пикселов из ближнего инфракрасного канала
RedEdge = значения пикселов из крайнего красного канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и крайний красный (red-edge) каналы в следующем порядке: NIR RedEdge. Например, 7 6.
Литература: Anatoly A. Gitelson, Yoram J. Kaufman, Robert Stark, and Don Rundquist, 2002, "Novel algorithms for remote estimation of vegetation fraction," Remote Sensing of Environment, Vol. 80, 76–87.
RTVIcore
Метод Триангулированный индекс растительности красного края (Red-Edge Triangulated Vegetation Index (RTVICore)) – это индекс растительности для оценки индекса площади листьев и всей биомассы. Этот индекс использует отражения в ближнем и дальнем инфракрасных и в зеленом каналах спектра.
\(RTVICore \space = \space [100(NIR-RedEdge)-10(NIR-Green)]\)
NIR = значения пикселов из ближнего инфракрасного канала
RedEdge = значения пикселов из крайнего красного канала
Green = значения пикселов из зеленого канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный, крайний красный и зеленый каналы в следующем порядке: NIR RedEdge Green. Например, 7 6 3.
Литература: Haboudane, D., Miller, J.R., Pattey, E., Zarco-Tejada, P.J., Strachan, I.B., 2004. «Гиперспектральные индексы растительности и новые алгоритмы для прогнозирования зеленого LAI растительного полога: моделирование и валидация в контексте точного земледелия», Дистанционное зондирование окружающей среды, том 90, 337–352.
SAVI
Метод Индекс растительности с коррекцией по почве (Soil-Adjusted Vegetation Index (SAVI)) – это индекс растительности, который пытается минимизировать влияние яркости почвы с помощью коэффициента коррекции яркости почвы. Он часто используется в пустынных областях, где растительное покрытие незначительно, а результатами будут значения от -1.0 и 1.0.
\(SAVI \space = \space ((NIR \space - \space Red) \space / \space (NIR \space + \space Red \space + \space L)) \space x \space (1 \space + \space L)\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из ближнего красного канала
L = значение покрытия зеленой растительности
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и красный (red) каналы, а также значение L в следующем порядке: NIR Red L. Например, 4 3 0.5.
Литература: Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)," Remote Sensing of Environment, Vol 25, 295–309.
SR
Метод Простое отношение (SR) является общим индексом вегетации для оценки количества растительности. Это отношение света, рассеянного в ближнем ИК-диапазоне и поглощенного в красных каналах спектра, таким образом вводится поправка за искажения за счет атмосферы и топографии.
Высокие значения присущи растительности с высоким значением индекса площади листа, либо с высокой степенью покрытия почвы, а низкие - для почвы, воды и других нерастительных объектов. Значения варьируются от 0 до примерно 30, при этом для здоровой растительности характерны значения от 2 до 8.
\(SR \space = \space NIR \space / \space Red\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из красного канала
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и красный (red) каналы в следующем порядке: NIR Red. Например, 4 3.
Литература: Birth, G.S., and G.R. McVey, 1968. "Measuring color of growing turf with a reflectance spectrophotometer," Agronomy Journal Vol. 60, 640-649.
TSAVI
Метод Преобразованный индекс растительности с коррекцией по почве (Transformed Soil Adjusted Vegetation Index (TSAVI)) – это индекс растительности, который пытается минимизировать влияние яркости почвы путем предположения, что линия почвы имеет произвольный уклон и пересечение.
\(TSAVI = \Large \frac {( s\ *\ (NIR\ -\ (s \ *\ Red)\ -\ a) )}{( \ (a\ *\ NIR)\ +\ Red\ -\ (a\ *\ s)\ +\ ({X\ *\ (1\ +\ s^{2})) \ )} }\)
NIR = значения пикселов из ближнего инфракрасного канала
Red = значения пикселов из красного канала
s = уклон линии почвы
a = пересечение линии почвы
X = коэффициент коррекции, установленный для минимизации искажений из-за почвы
Литература: Baret, F. и G. Guyot, 1991, "Potentials and limits of vegetation indices for LAI and APAR assessment," Remote Sensing of Environment, Vol. 35, 161–173.
VARI
Индекс устойчивости к видимой атмосфере (VARI) разработан для выделения растительности в видимой части спектра, при ослаблении влияния разницы освещения и атмосферных явлений. Он идеально подходит для RGB или цветных изображений; использует все три цветовых канала.
\(VARI \space = \space (Green \space - \space Red)/ \space (Green \space + \space Red \space - \space Blue)\)
Green = значения пикселов из зеленого канала
Red = значения пикселов из красного канала
Blue = значения пикселов из синего канала
Литература: Gitelson, A., et al. "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction." International Journal of Remote Sensing 23 (2002): 2537−2562.
Индексы воды
NDMI
Стандартизованный индекс различий увлажненности (NDMI) чувствителен к уровню влажности в растительности. Используется для отслеживания засух, а также указывает уровень горючих материалов в пожароопасных зонах. Использует каналы NIR и SWIR для создания коэффициента, предназначенного для приглушения освещения и атмосферных эффектов.
\(NDMI \space = \space (NIR \space - \space SWIR1)/(NIR \space + \space SWIR1)\)
NIR = значения пикселов из ближнего инфракрасного канала
SWIR1 = значения пикселов из коротковолнового инфракрасного канала 1
Литература:
Wilson, E.H. and Sader, S.A., 2002, "Detection of forest harvest type using multiple dates of Landsat TM imagery." Remote Sensing of Environment, 80 , pp. 385-396.
Skakun, R.S., Wulder, M.A. and Franklin, .S.E. (2003). "Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage." Remote Sensing of Environment, Vol. 86, Pp. 433-443.
MNDWI
Модифицированный стандартизованный индекс различий воды (MNDWI) использует зеленый канал и канал SWIR для улучшения отображения объектов открытых водных пространств. Он также снижает значения областей застройки, которые часто коррелированы с открытыми водными пространствами в других индексах.
\(MNDWI \space = \space (Green \space - \space SWIR) \space / \space (Green \space + \space SWIR)\)
Green = значения пикселов из зеленого канала
SWIR = значения пикселов из коротковолнового инфракрасного канала
Справочная информация: Xu, H. "Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery." International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.
NDSI
Стандартизованный индекс различий снежного покрова (NDSI) разработан для использования данных MODIS (каналы 4 и 6) и Landsat TM (каналы 2 и 5) с целью идентификации снежного покрова при игнорировании облачного покрова. Поскольку он основан на соотношении, он также уменьшает влияние атмосферных эффектов.
\(NDSI \space = \space (Green \space - \space SWIR) \space / \space (Green \space + \space SWIR)\)
Green = значения пикселов из зеленого канала
SWIR = значения пикселов из коротковолнового инфракрасного канала
Литература: Riggs, G., D. Hall, and V. Salomonson. "A Snow Index for the Landsat Thematic Mapper and Moderate Resolution Imaging Spectrometer." Geoscience and Remote Sensing Symposium, IGARSS '94, Volume 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.
Геологические индексы
Глинистые минералы
Коэффициент глиносодержащих минералов - это соотношение каналов SWIR1 и SWIR2. Этот коэффициент использует тот факт, что водосодержащие минералы, такие как глина и квасцовый камень, поглощают излучение в части спектра 2,0-2,3 микрон. Этот индекс снижает изменения в освещении, относящиеся к рельефу, поскольку он является коэффициентом.
\(Clay \space Minerals \space Ratio \space = \space SWIR1 \space / \space SWIR2\)
SWIR1 = значения пикселов из коротковолнового инфракрасного канала 1
SWIR2 = значения пикселов из коротковолнового инфракрасного канала 2
Литература: Dogan, H., 2009. "Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing," Journal of Earth System Science, Vol. 118, 701-710.
Железистые минералы
Коэффициент железистых минералов выделяет все железосодержащие материалы. Он использует соотношение между каналом SWIR и каналом NIR.
\(Ferrous\ Minerals\ Ratio\ =\ SWIR \space / \space NIR\)
SWIR = значения пикселов из коротковолнового инфракрасного канала
NIR = значения пикселов из ближнего инфракрасного канала
Справочная информация: Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data." Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.
Оксид железа
Коэффициент оксида железа - это соотношение красной и синей длин волн. Наличие биотитов простирания лимонита и изменения окислов озерных руд приводит к поглощению в синем канале и отражению в красном канале. Это приводит к тому, что области с сильным изменением железа выглядят ярче. Природа данного соотношения позволяет этому индексу приглушать разницу в освещении, вызванную затененностью поверхности.
\(Iron \space Oxide \space Ratio \space = \space Red \space / \space Blue\)
Red = значения пикселов из красного канала
Blue = значения пикселов из синего канала
Справочная информация: Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data." Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.
Ландшафтные индексы
BAI
Индекс выгоревших областей (BAI) использует значения отражения в красной и ближней инфракрасной области спектра для идентификации областей поверхности, подвергшихся огню.
\(BAI = \Large \frac {1}{((0.1\ -\ RED)^2 \ + \ (0.06\ -\ NIR)^2)}\)
Red = значения пикселов из красного канала
NIR = значения пикселов из ближнего инфракрасного канала
Литература: Chuvieco, E., M. Pilar Martin, and A. Palacios. "Assessment of Different Spectral Indices in the Red-Near-Infrared Spectral Domain for Burned Land Discrimination." Remote Sensing of Environment 112 (2002): 2381-2396.
NBR
Нормализованный индекс гарей (NBRI) использует каналы NIR и SWIR для выделения выжженных областей, одновременно приглушая разницу в освещении и атмосферных явлений. Перед использованием этого индекса ваши изображения должны быть скорректированы до значений отражательной способности; более подробно см. функцию Видимое отражение.
\(NBR \space = \space (NIR \space - \space SWIR) \space / \space (NIR+ \space SWIR)\)
NIR = значения пикселов из ближнего инфракрасного канала
SWIR = значения пикселов из коротковолнового инфракрасного канала
Литература: Key, C. and N. Benson, N. "Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio; and Ground Measure of Severity, the Composite Burn Index." FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: USDA Forest Service, Rocky Mountain Research Station (2005).
NDBI
Стандартизованный индекс различий застройки (NDBI) использует каналы NIR и SWIR (ближний инфракрасный и коротковолновый инфракрасный) для выделения областей застройки. Этот коэффициент позволяет приглушать разницу в освещении поверхности, а также атмосферные эффекты.
\(NDBI \space = \space (SWIR \space - \space NIR) \space / \space (SWIR \space + \space NIR)\)
SWIR = значения пикселов из коротковолнового инфракрасного канала
NIR = значения пикселов из ближнего инфракрасного канала
Литература: Zha, Y., J. Gao, and S. Ni. "Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery." International Journal of Remote Sensing 24, no. 3 (2003): 583-594.