SAVI. Часть 3

‍Сравним NDVI и SAVI.

На рисунке 1️⃣ показана разница между NDVI и SAVI при различной плотности растительности. При редкой и умеренной растительности NDVI имеет значительный разброс значений из-за чувствительности к цвету почвы. SAVI имеет гораздо меньший разброс. Разброс NDVI уменьшается, когда плотность растительности высока и почва закрыта растительным покровом.

Кроме малой чувствительности к цвету почвы, существует еще одно преимущество, которое SAVI приобретает благодаря дополнительному члену L: порог насыщения SAVI выше, чем NDVI.

Вспомним формулу NDVI

NDVI = (NIR – Red) / (NIR + Red),

Когда Red приближается к нулю, NDVI будет расти вместе с NIR, асимптотически приближаясь к единице. Все большее увеличение NIR оказывает все меньшее влияние на NDVI, то есть происходит насыщение.

Рассмотрим эффект от добавления L к знаменателю

SAVI = (1 + L)(NIR – Red) / (NIR + Red + L)

SAVI тоже достигнет насыщения, но это произойдет при большем значении NIR. Чтобы понять как это работает, зададим RED = 0 и сделаем L гораздо больше, чем NIR. В таком случае, в знаменателе формулы будет преобладать L, а вся формула сводится к (1+L)NIR/L. Она линейно возрастает с увеличением NIR, выпуклости графика нет, а значит, нет и насыщения 2️⃣. Таким образом, точка насыщения увеличивается вместе с увеличением L.

‍Таким образом, дополнительный член в знаменателе позволяет SAVI регистрировать увеличение плотности растительности даже после того, как NDVI вошел в насыщение.

Подведем итоги:

1. SAVI, как правило, используется вместо NDVI в ситуации, когда видна значительная часть почвы и возможны изменения ее яркости.
2. SAVI не имеет однозначного превосходства перед NDVI: смягчая эффекты яркости почвы, в нем нарушается нечувствительность индекса к общей интенсивности света (за счет добавления L).
3. Меньшая чувствительность SAVI к насыщению позволяет использовать этот индекс для оценки состояния густой растительности.
‍
#индексы #сельхоз #основы

GEE-44. qualityMosaic или самый зелёный пиксель Беларуси

Самым зелёным будем считать пиксель с максимальным значением вегетационного индекса NDVI, который используется как показатель количества зелёной растительности. Необходимо найти максимальное значение NDVI в заданной области в течение календарного года, установить день года, в который оно достигается, и, наконец, построить карту.

Областью исследований стала Республика Беларусь. Выбор спутниковых данных в задаче не важен. Мы используем снимки Landsat 8.

Основная работа заключается в: 1) создании коллекции изображений l8, 2) добавлении к снимкам коллекции слоя NDVI, а также слоя, содержащего номер дня года (doy), в который получен снимок. Самую важную работу выполняет функция qualityMosaic:

var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterBounds(AOI)
    .filterDate(start_date, end_date);
    
function addNDVI(image) {
  var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
  return image.addBands(ndvi);
}

function addDOY(image) {
  var img_date = ee.Date(image.date());
  var img_doy = ee.Number.parse(img_date.format('D'));
  return image.addBands(ee.Image(img_doy).rename('doy').toInt());
}

var greenest = l8.map(addNDVI).map(addDOY).qualityMosaic('NDVI');

Функция ImageCollection.qualityMosaic(qualityBand) формирует из коллекции изображений мозаику (итоговое изображение), состоящую из пикселей с наивысшей оценкой качества, то есть с максимальными значениями слоя qualityBand. У нас в качестве такого слоя выступает 'NDVI', а значит мозаика будет состоять из максимальных значений NDVI в данном пикселе за интервал времени [start_date, end_date].

При этом qualityMosaic включает в мозаику не только значения канала qualityBand, но и значения всех остальных каналов снимка с наивысшей оценкой качества. Таким образом, в итоговое изображение попадет и канал 'doy' — день года, в который достигается максимум NDVI.

1️⃣ RGB-мозаика в естественных цветах, 2️⃣ Максимумы NDVI, 3️⃣ Дни года, когда достигается максимум NDVI.

🌍Код скрипта GEE

Мы уже рассказывали о создании мозаик здесь и здесь. Вот ещё немного полезной информации:

🔗 Создание мозаики из коллекции изображений Sentinel-2, где качество пикселя основано на оценке вероятности облаков
🔗 Пример использования qualityMosaic для PythonAPI от Q. Wu

#GEE #индексы

Новый индекс для обнаружения пластика на суше

Коллектив исследователей под руководством Дженны Гуффогг (Jenna Guffogg) из Royal Melbourne Institute of Technology University предложил спектральный индекс для обнаружения пластика на пляжах.

Индекс пластикового мусора на пляжах, Beached Plastic Debris Index (BPDI), опирается на данные каналов коротковолнового ИК-излучения (SWIR) спутника WorldView-3 компании Maxar.

Beached Plastic Debris Index = SWIR3 * (SWIR2 - SWIR4) / (SWIR2 + SWIR4)

Чтобы обосновать преимущества нового индекса перед существующими, на пляже в южной части Гипсленда (шт. Виктория, Австралия) разместили 14 пластиковых мишеней площадью около двух квадратных метров каждая. Мишени были сделаны из пластика разных типов и имели размер меньше, чем пиксель спутника (около 3 м²).

Спутниковые изображения, полученные с помощью BPDI, сравнивали с тремя существующими индексами, два из которых были разработаны для обнаружения пластика на суше, а один —на воде. BPDI превзошел все три индекса, которые либо с трудом различали загрязнённые пластиком пиксели на пляже, либо ошибочно классифицировали тень и воду как пластик.

1️⃣ Спектральные каналы VNIR и SWIR WorldView-3.
2️⃣ Спектральные сигнатуры пластиковых мишеней.

#индексы #пластик