Galerie "Indizes"

Bildindizes sind Bilder, die mithilfe von Multibandbildern berechnet werden. Die Bilder betonen ein bestimmtes vorhandenes Phänomen und reduzieren gleichzeitig andere Faktoren, die die Effekte des Bildes beeinträchtigen. Ein Vegetationsindex stellt gesunde Vegetation im Indexbild beispielsweise hell dar, während ungesunde Vegetation niedrigere Werte aufweist und karges Terrain dunkel angezeigt wird. Da Schattierung aufgrund von Terrainvariationen (Berge und Täler) Auswirkungen auf die Bildintensität haben, werden die Indizes so erstellt, dass die Farbe eines Objekts statt die Intensität oder Helligkeit des Objekts betont wird. Der Wert eines Vegetationsindexes für eine gesunde Pinie im Schatten eines Tales ähnelt dem Wert einer Pinie unter voller Sonneneinstrahlung. Diese Indizes werden häufig durch die Kombinationen hinzugefügter und subtrahierter Bänder erstellt, wodurch verschiedene Bandverhältnisse entstehen. Sie werden mit bestimmten Bändern verknüpft, die sich in bestimmten Teilen des elektromagnetischen Spektrums befinden. Demzufolge sind sie möglicherweise nur für bestimmte Sensoren bzw. Sensorenklassen gültig; außerdem ist es wichtig, dass die richtigen Bänder in der Berechnung verwendet werden.

Diese Indizes werden häufig zum Vergleich desselben Objekts in mehreren Bildern im Zeitverlauf herangezogen. Beispielsweise können mehrere Bilder einer landwirtschaftlichen Fläche wöchentlich seit deren Bepflanzung und während der gesamten Wachstumszeit aufgenommen werden. Der Vegetationsindex wird für jedes Bild berechnet. Wenn Sie diese wöchentlichen Vegetationsindizes analysieren, erwarten Sie eine Aufhellung während der Wachstumszeit. Anschließend erfolgt eine Reduzierung des Index, wenn die Vegetationsalterung im Herbst beginnt, bis die Pflanze geernetet wird oder die Blätter am Ende der Jahreszeit abgestorben sind. Der normalisierende Effekt der Indizes macht diesen Vergleich praktikabel. Durch den Vergleich mehrerer Felder in einer Region können Sie ermitteln, welche Felder fruchtbar sind und welche weniger gut gedeihen. Dieser Analysetyp kann auch dazu verwendet werden, um sturmgeschädigte Felder zu identifizieren.

Wählen Sie einen Index aus, der zu Phänomenen passt, die Sie analysieren möchten. Stellen Sie sicher, dass das Eingabebild von einem Sensor stammt, der über die geeigneten Bänder (Wellenlänge und Bereich) verfügt, um den ausgewählten Index zu unterstützen. Die Indizes lesen die Metadaten aus dem Bild, um die Bandnamen zu überprüfen. Wenn eine Übereinstimmung gefunden wird, wird der Index automatisch angewendet. ArcGIS Pro verwendet im Allgemeinen Bandnamen von Landsat 8. Die Bandnamen von anderen Sensoren können andere Namen aufweisen. In diesem Fall können Sie das entsprechende Band des Sensors ersetzen, den Sie in der Indexfunktion verwenden. Das Raster-Produkt "Landsat 5 TM Raster" weist beispielsweise ein Band (7) namens "Mittelinfrarot" (MIR) auf, das mit dem entsprechenden Landsat-8-Band (7) mit der Bezeichnung "Kurzwelleninfrarot 2" (SWIR2) vergleichbar ist. In diesem Fall kann der Index, den Sie anwenden möchten, die erforderlichen Bandnameninformationen in den Bildmetadaten nicht finden, sodass ein Dialogfeld geöffnet wird, in dem Sie die richtige Bandnummer für den Index, den Sie anwenden möchten, eingeben müssen.

Hinweis:

Stellen Sie bei der Auswahl eines auf die Bilddaten anzuwendenden Index sicher, dass die Quellbilddaten das richtige Band für den Index enthalten. Beispiel: Der Normalized Difference Snow Index (NDSI) erfordert ein Kurzwelleninfrarotband (SWIR) und funktioniert nicht ordnungsgemäß mit Bilddaten, die kein SWIR-Band enthalten.

Vegetations- und Bodenindizes

MSAVI

Der Modified Soil Adjusted Vegetation Index (MSAVI2) versucht, die Auswirkung des nackten Erdbodens auf den SAVI zu minimieren.

MSAVI2 = (1/2)*(2(NIR+1)-sqrt((2*NIR+1)2-8(NIR-Red)))
  • NIR = Pixelwerte vom nahinfraroten Band
  • Red = Pixelwerte vom roten Band

Quelle: Qi, J. et al., 1994, "A modified soil vegetation adjusted index", Remote Sensing of Environment, Vol. 48, No. 2, 119-126.

NDVI

Der normalisierte differenzierte Vegetationsindex (NDVI) ist ein standardisierter Index, der Ihnen das Erstellen eines Bildes mit Grünanteilen (auch als relative Biomasse bezeichnet) ermöglicht. Dieser Index nutzt den Kontrast der Eigenschaften zweier Bänder aus einem multispektralen Raster-Dataset: die Absorption durch die Chlorophyllpigmente im roten Band und den Pflanzen-Reflexionsgrad im nahinfraroten Band (NIR).

Dies ist die dokumentierte und standardisierte NDVI-Gleichung:

NDVI = ((NIR - Red)/(NIR + Red))
  • NIR = Pixelwerte vom nahinfraroten Band
  • Red = Pixelwerte vom roten Band

Dieser Index gibt Werte zwischen -1.0 und 1.0 aus.

Weitere Informationen zu NDVI

PVI

Der Perpendicular Vegetation Index (PVI) ist einem Difference Vegetation Index ähnlich; er ist jedoch gegen atmosphärische Variationen empfindlich. Wenn Sie diese Methode verwenden, um verschiedene Bilder miteinander zu vergleichen, sollten Sie sie nur für Bilder verwenden, die atmosphärisch korrigiert wurden.

PVI = (NIR - a*Red - b) / (sqrt(1 + a2))
  • NIR = Pixelwerte vom nahinfraroten Band
  • Red = Pixelwerte vom roten Band
  • a = Neigung der Bodenlinie
  • b = Farbverlauf der Bodenlinie

Dieser Index gibt Werte zwischen -1.0 und 1.0 aus.

SAVI

Der Soil-Adjusted Vegetation Index (SAVI) ist ein Vegetationsindex, der versucht, Einflüsse durch die Bodenhelligkeit mit einem Bodenhelligkeits-Korrekturfaktor zu minimieren. Dies wird oft in trockenen Regionen verwendet, wo die vegetative Bodendeckung niedrig ist.

SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)
  • NIR = Pixelwerte vom nahinfraroten Band
  • Red = Pixelwerte vom rotnahem Band
  • L = Grüne vegetative Bodenbedeckung

NIR und Rot beziehen sich auf die Bänder, die diesen Wellenlängen zugeordnet sind. Der L-Wert hängt von der Menge der grünen vegetativen Bodendeckung ab. Im Allgemeinen gilt in Bereichen ohne grüne Vegetations-Bodendeckung L=1; in Bereichen mit mäßiger grüner Vegetations-Bodendeckung L=0.5; und in Bereichen mit sehr hoher Vegetations-Bodendeckung L=0 (dies entspricht der NDVI-Methode). Dieser Index gibt Werte zwischen -1.0 und 1.0 aus.

Quell: Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)", Remote Sensing of Environment, Vol 25, 295–309.

TSAVI

Der Transformed Soil Adjusted Vegetation Index (TSAVI) ist ein Vegetationsindex, der versucht, Bodenhelligkeitseinflüsse zu minimieren, indem angenommen wird, dass die Bodenlinie eine beliebige Neigung und einen beliebigen Schnittpunkt hat.

TSAVI = (s * (NIR - s * Red - a)) / (a * NIR + Red - a * s + X * (1 + s2))
  • NIR = Pixelwerte vom nahinfraroten Band
  • Red = Pixelwerte vom roten Band
  • s = Neigung der Bodenlinie
  • a = Schnittpunkt der Bodenlinie
  • X = ein Anpassungsfaktor, der festgelegt wird, um Bodenrauschen zu minimieren

Quelle: Baret, F. und G. Guyot, 1991, "Potentials and limits of vegetation indices for LAI and APAR assessment", Remote Sensing of Environment, Band 35, 161-173.

VARI

Der Visible Atmospherically Resistant Index (VARI) dient zur Betonung von Vegetation im sichtbaren Teil des Spektrums, wobei Lichtunterschiede und atmosphärische Effekte gemindert werden. Er ist ideal für RGB- oder Farbbilder geeignet und nutzt alle drei Farbbänder.

VARI = (Green - Red)/ (Green + Red - Blue)
  • Green = Pixelwerte vom grünen Band
  • Red = Pixelwerte vom roten Band
  • Blue = Pixelwerte vom blauen Band

Quellennachweis: 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.

Wasserindizes

NDSI

Der Normalized Difference Snow Index (NDSI) ist für die Verwendung der MODIS-Bänder 4 und 6 sowie der Landsat-TM-Bänder 2 und 5 zur Identifizierung von Schneedecken konzipiert, wobei die Wolkenbedeckung ignoriert wird. Da er verhältnisbasiert ist, reduziert er auch atmosphärische Effekte.

 NDSI = (Green - SWIR) / (Green + SWIR)
  • Green = Pixelwerte vom grünen Band
  • SWIR = Pixelwerte aus dem Kurzwelleninfrarotband

Quellennachweis: 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.

MNDWI

Der Modified Normalized Difference Water Index (MNDWI) verwendet grüne und Kurzwelleninfrarotbänder zur Verstärkung der Features offener Gewässer, wobei bebautes Land reduziert wird. Er reduziert auch integrierte Flächen-Features, die häufig mit offenen Gewässern anderer Indizes korreliert sind.

MNDWI = (Green - SWIR) / (Green + SWIR)
  • Green = Pixelwerte vom grünen Band
  • SWIR = Pixelwerte aus dem Kurzwelleninfrarotband

Quellennachweis: 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.

NDMI

Der Normalized Difference Moisture Index (NDMI) ist empfindlich gegenüber dem Feuchtigkeitsniveau der Vegetation. Er dient zur Überwachung der Trockenheit und der Menge an brennbarem Material in brandgefährdeten Gebieten. Er verwendet Nahinfrarot- und Kurzwelleninfrarotbänder, um ein Verhältnis zur Minderung von Licht- und atmosphärischen Effekten zu berechnen.

NDMI = (NIR - SWIR1)/(NIR + SWIR1)
  • NIR = Pixelwerte vom nahinfraroten Band
  • SWIR1 = Pixelwerte aus dem Kurzwelleninfrarotband 1

Quellen:

  1. 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.
  2. 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.

Geologie-Indizes

Tonmineralien

Das Tonmineralienverhältnis ist ein Verhältnis der SWIR1- und SWIR2-Bänder. Dieses Verhältnis nutzt die Tatsache, dass wasserhaltige Mineralien wie Tonarten, Alunit usw. die Strahlung im 2,0- bis 2,3-Mikrometer-Teil des Spektrums absorbieren. Dieser Index mindert Beleuchtungsänderungen, die auf das Terrain zurückzuführen sind, da es ein Verhältnis ist.

Clay Minerals Ratio = SWIR1 / SWIR2
  • SWIR1 = Pixelwerte aus dem Kurzwelleninfrarotband 1
  • SWIR2 = Pixelwerte aus dem Kurzwelleninfrarotband 2

Quellennachweis: Amro F. Alasta, "Using Remote Sensing data to identify iron deposits in central western Libya." International Conference on Emerging Trends in Computer and Image Processing (ICETCIP'2011) Bangkok Dec., 2011.

Eisenmineralien

Das Verhältnis von Eisenmineralien hebt alle Mineralien hervor, die eisenbasiert sind. Es verwendet das Verhältnis zwischen dem Nahinfrarot- und Kurzwelleninfrarotband.

Ferrous Minerals Ratio = SWIR / NIR
  • SWIR = Pixelwerte aus dem Kurzwelleninfrarotband
  • NIR = Pixelwerte vom nahinfraroten Band

Quellennachweis: 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.

Eisenoxid

Das Eisenoxidverhältnis ist ein Verhältnis der roten und blauen Wellenlänge. Das Vorhandensein von Phyllosilikaten mit angelagertem Limonit und verändertem limonitischem Eisenoxid verursachen eine Absorption im Blau-Band und Reflexion im Rot-Band. Dadurch werden Flächen, die starken Gesteinsveränderungen durch Eisen unterworfen sind, hell dargestellt. Die Art des Verhältnisses ermöglicht es diesem Index, Beleuchtungsunterschiede zu mindern, die durch Terrainschatten verursacht werden.

Iron Oxide Ratio = Red / Blue
  • Red = Pixelwerte vom roten Band
  • Blue = Pixelwerte vom blauen Band

Quellennachweis: 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.

Landschaftsindizes

BAI

Der Brandflächenindex (BAI, Burn Area Index) verwendet die Reflexionswerte im roten und infrarotnahen Teil des Spektrums, um die Bereiche des Terrains zu identifizieren, die vom Feuer betroffen sind.

BAI = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)
  • Red = Pixelwerte vom roten Band
  • NIR = Pixelwerte vom nahinfraroten Band

Quellennachweis: 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

Der Normalized Burn Ratio Index verwendet Nahinfrarot- und Kurzwelleninfrarotbänder, um verbrannte Flächen zu betonen, wobei Beleuchtungs- und atmosphärische Effekte abgeschwächt werden. Ihre Bilder sollten vor der Verwendung dieses Indexes den Reflexionswerten entsprechend korrigiert werden. Weitere Informationen finden Sie im Artikel über die Funktion Sichtbare Reflexion.

NBR = (NIR - SWIR) / (NIR+ SWIR)
  • NIR = Pixelwerte vom nahinfraroten Band
  • SWIR = Pixelwerte aus dem Kurzwelleninfrarotband

Quellennachweis: 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

Der normalisierte differenzierte Vegetationsindex (NDBI, Normalized Difference Built-up Index) verwendet die Nahinfrarot- und Kurzwelleninfrarotbänder, um künstlich bebaute Flächen hervorzuheben. Er ist verhältnisbasiert, um die Auswirkungen der Lichtunterschiede bei Terrains und atmosphärische Effekte zu mindern.

NDBI = (SWIR - NIR) / (SWIR + NIR)
  • SWIR = Pixelwerte aus dem Kurzwelleninfrarotband
  • NIR = Pixelwerte vom nahinfraroten Band

Quellennachweis: 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.

Verwandte Themen