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
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
👍9🔥6😢2
Вегетационные индексы в виноградарстве
В работе (Giovos et al., 2021) собрано более 90 вегетационных индексов, используемых в виноградарстве
Индексы рассчитывались по снимкам, полученных со спутников, самолетов и БПЛА. Чаще всего используется индекс NDVI. Больше всего публикаций, посвященных применению вегетационных индексов в виноградарстве — у ученых Испании и Италии. Наиболее распространенными приложениями данных дистанционного зондирования (ДЗЗ) являются мониторинг и оценка водного стресса и разграничение хозяйственных зон (management zones) виноградников. Среди платформ ДЗЗ преобладают БПЛА.
#сельхоз #индексы
В работе (Giovos et al., 2021) собрано более 90 вегетационных индексов, используемых в виноградарстве
Индексы рассчитывались по снимкам, полученных со спутников, самолетов и БПЛА. Чаще всего используется индекс NDVI. Больше всего публикаций, посвященных применению вегетационных индексов в виноградарстве — у ученых Испании и Италии. Наиболее распространенными приложениями данных дистанционного зондирования (ДЗЗ) являются мониторинг и оценка водного стресса и разграничение хозяйственных зон (management zones) виноградников. Среди платформ ДЗЗ преобладают БПЛА.
#сельхоз #индексы
MDPI
Remote Sensing Vegetation Indices in Viticulture: A Critical Review
One factor of precision agriculture is remote sensing, through which we can monitor vegetation health and condition. Much research has been conducted in the field of remote sensing and agriculture analyzing the applications, while the reviews gather the research…
👍4
Необычное использование NDVI
Казалось бы, какую новую информацию можно извлечь из вегетационного индекса NDVI? Авторы исследования 📖 утверждают, что значение NDVI посевов может служить основой для косвенного детектирования вертикальной неоднородности агрономически важных свойств почв.
Предоставим слово авторам (сокращения и жирный шрифт — наши):
“Согласно почвенной карте поля, на нем преобладают черноземы обыкновенные в различной степени щебнистые и каменистые. Изображение открытой поверхности почв поля на спутниковых данных <…> свидетельствует о значительной однородности их пахотного горизонта по цвету, который в основном определяется на уровне поля варьированием содержания и типа гумуса. Удобрения на все поле также вносятся однородно. Это позволяет предположить, что по уровню плодородия пахотный горизонт почв поля достаточно хорошо выровнен. Однако корневая система кукурузы проникает глубже пахотного горизонта, следовательно, можно предположить, что влияние на развитие растений оказывают свойства подпахотных слоев почвы”.
“Скорее всего, подобная разница связана с пространственной неоднородностью почвообразующих пород. Но также можно предположить и возможность вертикального перераспределения фракций скелета в результате специфики агротехники возделывания культур.
Существенная разница в скелетности слоя почвы 40–60 см могла отразиться как на влажности почв, так и на общем развитии корневой системы растений в данном слое почв, что и привело к разному состоянию посевов в разных частях поля. Об этом свидетельствует также и то, что пространственные неоднородности посевов не проявлялись на ранних фенофазах развития растений, когда их корневая система еще не достигает глубины 40–60 см, а проявились на пике их вегетационного развития при максимальном проникновении корней в более глубокие слои почвы.
Дополнительным аргументом служит и анализ неоднородностей посевов пшеницы на данном поле в предыдущий вегетационный сезон <…>. Неоднородности, которые детектируются для посевов кукурузы, для пшеницы не выявляются в течение всего сезона вегетации. Это связано с тем, что корневая система пшеницы преимущественно расположена в слое почвы 0–40 см и состояние нижележащих горизонтов на нее не оказывает столь значительного воздействия, как на кукурузу”.
“Состояние посевов может быть никак не связано с положением почв в классификации и с почвенной картой. Так, в нашем случае все тестовое поле попадает в один выдел почвенной карты, но пространственное варьирование агрономически значимых свойств почв (которые никак не связаны с классификационным положением почв) предопределяет пространственные неоднородности урожайности культуры. <…> Состояние посевов, а не классификационное положение почв <…> должно являться основным индикатором качества пахотных почв”.
Цитаты из выводов работы:
• Для получения надежной информации необходим точный выбор времени получения значений NDVI и культуры, возделываемой на поле.
• Индикационная способность разных культур предопределяется их фенологией и мощностью потенциального корнеобитаемого слоя.
• География агрономически важных свойств почв на тестовом поле не коррелирует с выделами традиционно составленной почвенной карты.
• Пространственное варьирование урожайности кукурузы на тестовом поле (размах 23%) коррелирует с варьированием по профилю скелетности почв.
• Для использования значений NDVI в качестве индикатора пространственного варьирования агрономически важных свойств почв необходим учет типа возделываемой культуры, тщательный выбор даты получения NDVI, а также наличие априорных экспертных знаний о лимитирующих почвенных факторах на поле, специфики фенологии и агротехнологии возделывания культуры.
📖 Хутуев А.М., Занилов А.Х., Тутукова Д.А., Савин И.Ю. NDVI посевов как дистанционный индикатор качества пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2024. Вып. 121. С. 70-85. DOI: 10.19047/0136-1694-2024-121-70-85
#сельхоз #индексы #почвы
Казалось бы, какую новую информацию можно извлечь из вегетационного индекса NDVI? Авторы исследования 📖 утверждают, что значение NDVI посевов может служить основой для косвенного детектирования вертикальной неоднородности агрономически важных свойств почв.
Предоставим слово авторам (сокращения и жирный шрифт — наши):
“Согласно почвенной карте поля, на нем преобладают черноземы обыкновенные в различной степени щебнистые и каменистые. Изображение открытой поверхности почв поля на спутниковых данных <…> свидетельствует о значительной однородности их пахотного горизонта по цвету, который в основном определяется на уровне поля варьированием содержания и типа гумуса. Удобрения на все поле также вносятся однородно. Это позволяет предположить, что по уровню плодородия пахотный горизонт почв поля достаточно хорошо выровнен. Однако корневая система кукурузы проникает глубже пахотного горизонта, следовательно, можно предположить, что влияние на развитие растений оказывают свойства подпахотных слоев почвы”.
“Скорее всего, подобная разница связана с пространственной неоднородностью почвообразующих пород. Но также можно предположить и возможность вертикального перераспределения фракций скелета в результате специфики агротехники возделывания культур.
Существенная разница в скелетности слоя почвы 40–60 см могла отразиться как на влажности почв, так и на общем развитии корневой системы растений в данном слое почв, что и привело к разному состоянию посевов в разных частях поля. Об этом свидетельствует также и то, что пространственные неоднородности посевов не проявлялись на ранних фенофазах развития растений, когда их корневая система еще не достигает глубины 40–60 см, а проявились на пике их вегетационного развития при максимальном проникновении корней в более глубокие слои почвы.
Дополнительным аргументом служит и анализ неоднородностей посевов пшеницы на данном поле в предыдущий вегетационный сезон <…>. Неоднородности, которые детектируются для посевов кукурузы, для пшеницы не выявляются в течение всего сезона вегетации. Это связано с тем, что корневая система пшеницы преимущественно расположена в слое почвы 0–40 см и состояние нижележащих горизонтов на нее не оказывает столь значительного воздействия, как на кукурузу”.
“Состояние посевов может быть никак не связано с положением почв в классификации и с почвенной картой. Так, в нашем случае все тестовое поле попадает в один выдел почвенной карты, но пространственное варьирование агрономически значимых свойств почв (которые никак не связаны с классификационным положением почв) предопределяет пространственные неоднородности урожайности культуры. <…> Состояние посевов, а не классификационное положение почв <…> должно являться основным индикатором качества пахотных почв”.
Цитаты из выводов работы:
• Для получения надежной информации необходим точный выбор времени получения значений NDVI и культуры, возделываемой на поле.
• Индикационная способность разных культур предопределяется их фенологией и мощностью потенциального корнеобитаемого слоя.
• География агрономически важных свойств почв на тестовом поле не коррелирует с выделами традиционно составленной почвенной карты.
• Пространственное варьирование урожайности кукурузы на тестовом поле (размах 23%) коррелирует с варьированием по профилю скелетности почв.
• Для использования значений NDVI в качестве индикатора пространственного варьирования агрономически важных свойств почв необходим учет типа возделываемой культуры, тщательный выбор даты получения NDVI, а также наличие априорных экспертных знаний о лимитирующих почвенных факторах на поле, специфики фенологии и агротехнологии возделывания культуры.
📖 Хутуев А.М., Занилов А.Х., Тутукова Д.А., Савин И.Ю. NDVI посевов как дистанционный индикатор качества пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2024. Вып. 121. С. 70-85. DOI: 10.19047/0136-1694-2024-121-70-85
#сельхоз #индексы #почвы
🔥9👍4🆒1
Индексы растительности на основе данных Harmonized Landsat Sentinel-2
В рамках проекта NASA Harmonized Landsat and Sentinel-2 (HLS) выпущены два новых продукта — индексы растительности по данным спутников Landsat (HLSL30_VI) и по данным спутников Sentinel-2 (HLSS30_VI). Каждый продукт содержит девять индексов растительности: NDVI, EVI, SAVI, MSAVI, NDMI, NDWI, NBR, NBR2 и TVI. Все данные имеют пространственное разрешение 30 метров.
🌍 Данные доступны на Earthdata Search и в Common Metadata Repository.
В начале нынешнего года LP DAAC планирует добавить поддержку новых данных в инструменте AppEEARS. AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) упрощает получение готовых данных для заданной области интереса и промежутка времени.
#sentinel2 #landsat #индексы #растительность #данные
В рамках проекта NASA Harmonized Landsat and Sentinel-2 (HLS) выпущены два новых продукта — индексы растительности по данным спутников Landsat (HLSL30_VI) и по данным спутников Sentinel-2 (HLSS30_VI). Каждый продукт содержит девять индексов растительности: NDVI, EVI, SAVI, MSAVI, NDMI, NDWI, NBR, NBR2 и TVI. Все данные имеют пространственное разрешение 30 метров.
🌍 Данные доступны на Earthdata Search и в Common Metadata Repository.
В начале нынешнего года LP DAAC планирует добавить поддержку новых данных в инструменте AppEEARS. AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) упрощает получение готовых данных для заданной области интереса и промежутка времени.
#sentinel2 #landsat #индексы #растительность #данные
👍9❤5
Новый индекс открытой поверхности почвы
Группа ученых из Таиланда, Вьетнама и Китая предложила модифицированный индекс открытой поверхности почвы (modified bare soil index, MBI), опирающийся на данные спутников Landsat:
MBI = (SWIR1 - SWIR2 - NIR) / (SWIR1 + SWIR2 + NIR) + f
SWIR1 и SWIR2 — каналы коротковолнового инфракрасного (ИК) диапазона. В Landsat 8 OLI — канал 6 (1.57–1.65 мкм) и канал 7 (2.11–2.29 мкм);
NIR — канал ближнего ИК диапазона: канал 5 (0.85–0.88 мкм);
f = 0.5
Предложенный индекс в условиях Таиланда и Вьетнама показал лучшие результаты по выделению открытой поверхности почвы в сравнении с несколькими известными индексами.
А вот свежий обзор по методам выделения открытой поверхности почвы:
📖 Delaney, B., Tansey, K., Whelan, M. (2025). Satellite Remote Sensing Techniques and Limitations for Identifying Bare Soil. Remote Sensing, 17(4), 630. https://doi.org/10.3390/rs17040630
#baresoil #индексы #сельхоз
Группа ученых из Таиланда, Вьетнама и Китая предложила модифицированный индекс открытой поверхности почвы (modified bare soil index, MBI), опирающийся на данные спутников Landsat:
MBI = (SWIR1 - SWIR2 - NIR) / (SWIR1 + SWIR2 + NIR) + f
SWIR1 и SWIR2 — каналы коротковолнового инфракрасного (ИК) диапазона. В Landsat 8 OLI — канал 6 (1.57–1.65 мкм) и канал 7 (2.11–2.29 мкм);
NIR — канал ближнего ИК диапазона: канал 5 (0.85–0.88 мкм);
f = 0.5
Предложенный индекс в условиях Таиланда и Вьетнама показал лучшие результаты по выделению открытой поверхности почвы в сравнении с несколькими известными индексами.
А вот свежий обзор по методам выделения открытой поверхности почвы:
📖 Delaney, B., Tansey, K., Whelan, M. (2025). Satellite Remote Sensing Techniques and Limitations for Identifying Bare Soil. Remote Sensing, 17(4), 630. https://doi.org/10.3390/rs17040630
#baresoil #индексы #сельхоз
👍9🔥5❤1