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 множество изображений сельскохозяйственного поля, которые выполняются 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. При обнаружении совпадения индекс будет автоматически применен. ArcGIS Pro обычно использует названия каналов из Landsat 8, но имена каналов других сенсоров могут отличаться. В таком случае вы можете заменить в функции индекса необходимый канал на канал используемого вами сенсора. 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 запрашиваемую по имени канала информацию, и для возможности применения индекса откроется диалоговое окно, в котором вам предложат указать правильный номер канала.
Примечание:
При выборе индекса, применяемого к вашему изображению, убедитесь, что исходное изображение содержит необходимые для этого каналы. 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
MSAVI
Модифицированный индекс растительности с коррекцией по почве (Modified Soil Adjusted Vegetation Index, MSAVI2) пытается минимизировать влияние обнаженной почвы на индекс SAVI.
MSAVI2 = (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.
NDVI
Нормализированный вегетационный индекс (NDVI) - это стандартизированный индекс, показывающий наличие и состояние растительности (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 = ((NIR - Red)/(NIR + 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
Перпендикулярный индекс растительности (Perpendicular Vegetation Index, PVI) подобен разностному индексу растительности; однако он чувствителен к атмосферным отклонениям. При использовании этого метода для сравнения разных изображений его следует применять только к изображениям, скорректированным по атмосфере.
PVI = (NIR - a*Red - b) / (sqrt(1 + a2))- 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.
SAVI
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.
SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)- NIR = значения пикселов из ближнего инфракрасного канала
- Red = значения пикселов из ближнего красного канала
- L = значение покрытия зеленой растительности
NIR и Red обозначают каналы, связанные с длиной соответственно ближних инфракрасных и красных волн. Значение L варьируется в зависимости от величины зеленого растительного покрытия. Обычно в областях без зеленого растительного покрытия L=1; в областях с умеренным зеленым растительным покрытием L=0,5; а в областях с очень густым растительным покрытием L=0 (что эквивалентно методу NDVI). Этот индекс выводит значения между -1,0 и 1,0.
Литература: Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)," Remote Sensing of Environment, Vol 25, 295–309.
TSAVI
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 = (s * (NIR - s * Red - a)) / (a * NIR + Red - a * s + X * (1 + s2))- 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. and 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 = (Green - Red)/ (Green + Red - Blue)- Green = значения пикселов из зеленого канала
- Red = значения пикселов из красного канала
- Blue = значения пикселов из синего канала
Справочная информация: 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
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 = (Green - SWIR) / (Green + SWIR)- Green = значения пикселов из зеленого канала
- SWIR = значения пикселов из коротковолнового инфракрасного канала
Справочная информация: 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
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 = (Green - SWIR) / (Green + 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.
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 = (NIR - SWIR1)/(NIR + 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.
Геологические индексы
Глинистые минералы
Глинистый коэффициент - 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 Minerals Ratio = SWIR1 / SWIR2- SWIR1 = значения пикселов из коротковолнового инфракрасного канала 1
- SWIR2 = значения пикселов из коротковолнового инфракрасного канала 2
Справочная информация: 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.
Железистые минералы
Коэффициент железистых минералов выделяет все железосодержащие материалы. Он использует соотношение между каналом SWIR и каналом NIR.
Ferrous Minerals Ratio = SWIR / 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 Oxide Ratio = Red / 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 = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)- Red = значения пикселов из красного канала
- NIR = значения пикселов из ближнего инфракрасного канала
Справочная информация: 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
Стандартизованный индекс коэффициента выжигания (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 = (NIR - SWIR) / (NIR+ SWIR)- NIR = значения пикселов из ближнего инфракрасного канала
- SWIR = значения пикселов из коротковолнового инфракрасного канала
Справочная информация: 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 = (SWIR - NIR) / (SWIR + NIR)- SWIR = значения пикселов из коротковолнового инфракрасного канала
- NIR = значения пикселов из ближнего инфракрасного канала
Справочная информация: 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.