📸 NDVI – “A mezőgazdaság szemfülese! Biztos?” 🌱

A hazai piacon és ebben a szakmában is – már ha mezőgazdasági növénytermesztésről beszélek – elég megosztó ez téma, hogy vajon mire jók és mire nem a különböző vegetációs indexek, melyekkel a vegetáció milyenségét, minőségét tudjuk monitorozni. Vannak akik azt mondják, hogy nem valók semmire, szerintem ez nem így van, itt azt kell tudni, hogy melyik időszakban mit tudsz ezekből a térképekből kiolvasni és hogyan. Csak néhány bemeneti paraméternek kell megfelelni, például a megfelelő fényviszonyoknak, napállásnak, napszaknak, megfelelő fotózási paramétereknek.

Persze tudnod kell azt is, hogy most korai szakaszban van a növény, vagy már betakarítás előtt állunk. Ugyanis azzal viszont teljesen egyetértek, hogy nem minden időszakban lehet ezeket az indexeket alkalmazni, legalábbis ugyanarra biztos, hogy nem!

Növényegészségügyi indexek jelentősége

A növényegészségügyi indexek olyan fontos eszközök, amelyek segítségével felmérhetjük és értékelhetjük a növények egészségi állapotát vagy tápanyag ellátottságát. Ezek a mutatók lehetővé teszik a növények potenciális kártevőkkel és betegségekkel szembeni ellenálló képességének és reakcióinak nyomon követését. Az alábbiakban összefoglalom, hogy vizsgálatukra miért van szükség és mi a jelentőségük.

A növényegészségügyi indexek lehetővé teszik a korai figyelmeztetést a kártevők és betegségek jelenlétére. Ez segít a gazdálkodóknak időben lépéseket tenni a megelőzés érdekében, mielőtt a probléma jelentősen károsítaná a növényeket. Már akkor megállapításokat tudunk tenni, amikor az emberi szem még mindent zöldnek lát. Hatékony erőforrás kezelésben is segítenek, ugyanis, a vegetációs indexek segítségével a termelők pontosan azonosíthatják például a betegséggel fertőzött területeket és célzottan alkalmazhatnak beavatkozásokat. Ez lehetővé teszi az erőforrások (víz és vegyszer) hatékonyabb felhasználását. A növényegészségügyi indexek alapján a gazdálkodók pontosabb döntéseket hozhatnak a termesztéssel kapcsolatos teendőkről. Képesek meghatározni, hogy mely területekre kell a legnagyobb figyelmet fordítani és melyek azok, amelyek a legnagyobb terméshozamot produkálhatják.

Sávegyesítés, képletek elvi működése

Ezek a növényegészségügyi indexek egymáshoz képest nagyon hasonlóan működnek, ugyanis mindegyikük úgynevezett sávegyesítési technikát alkalmaz. Külön-külön vegyítenek sávokat, például a nem látható, illetve a látható fénytartományból. Ez azért van így, mert, ha csak adott két-három sáv tartalmát vegyítem és hasonlítom össze egyszerre, akkor több és pontosabb információt vagyok képes belőle kiolvasni, mint amennyiben csak egy, vagy akár tíz sávot vizsgálnék egyidőben.

Maga a sávegyesítés fogalma azt jelenti, hogy 1 sáv tartalmában több sáv tartalmát egyesítjük. Tulajdonképpen feladat válogatja azt, hogy éppen melyik típusú indexet kell alkalmazzuk. Előző fejezetben említettem, hogy a multispektrális kameránál bármilyen index értéket tudunk vizsgálni, míg az egyállású NDVI, NDRE kameránál kimondottan csak az NDVI vagy NDRE indexet.

A sávok tartalma képpontonként rögzül és egy mátrixos alakban tudjuk őket értelmezni. Az index értékek mindegyike egy képlet alapján keresztül kerül kiszámításra, melyben az aktuális sáv digitalizált értéke kerül behelyettesítésre. Az alábbi ábrán ezt a folyamatot szemléltetem NDVI indexen keresztül.

Drónos felmérések során leggyakrabban vizsgált vegetációs index: NDVI

Az NDVI (Normalized Difference Vegetation Index) egy fontos növényegészségügyi index, amelyet a távérzékelés során használnak a növényi biomassza és a fotoszintetikus aktivitás becslésére. Az NDVI index segítségével a növények egészségi állapotát és a vegetációs területek változásait követhetjük nyomon. Ez az index különösen hasznos az termelés optimalizálási feladatokban.

Az NDVI index is sávegyesítést használ, ugyanis vegyíti a látható fénytartományból a speciális vörös, illetve a nem látható tartományból az közeli infravörös sávot és egy képlet alapján digitalizált NDVI értéket kapunk a két sáv értékéből.

Azért ezt a két sávot egyesíti, mert egészségügyi szempontból talán ez hordozza a legtöbb információt, ugyanis az egészséges növényzet nagyon kevés piros fényt ver vissza, ugyanakkor pedig nagyon nagy mennyiségű NIR, azaz közeli infravörös fényt. Ezáltal ilyenkor ezen két sáv között lesz a legnagyobb differencia, amely nagyon sok információt hordoz.

Több index is, mint például az NDVI egységes skálán értelmezhető. Ezen indexek segítségével a visszavert fényértékeket digitalizáljuk és egy egységes -1 és 1 érték közötti intervallumon tudjuk őket értelmezni.

Vegetation indices and their interpretation: NDVI, GNDVI, MSAVI2, NDRE, and NDWI - Auravant

Forrás: auravant.com

Az ábrán is jól látható, hogy ezt a skálát több részintervallumra bontjuk, ugyanis ezáltal tudjuk a növényzetet különböző állapotú területi egységekre, eltérő terméspotenciálú területekre, azaz zónákra bontani. A részintervallumokat és jelentésüket az alábbiakban mutatom be.

• -1 – 0: teljesen elhalt növényzet

• 0 – 0.33: beteg növényzet

• 0.33 – 0.66: mérsékelten egészséges növényzet, általános állapotú növényzet

• 0.66 – 1: ép állapotú, kimondottan egészséges növényzet

Azt is fontos megjegyezni, hogy kimondott egészségügyi felmérésre ez az index nem alkalmas korai szakaszban, ugyanis ilyenkor az tapasztalható, hogy az átlagos NDVI érték viszonylag alacsony, mert nincs olyan fejlődési állapotban még a kultúra. Éppen ezért közepi szakasztól (aktiv fejlődési szakasztól) kezdve szoktunk többnyire egészségügyi állapotot vizsgálni. Korai szakaszban viszont kiválóan alkalmazható gyomosodás felmérésre, ugyanis a gyom köztudottan sokkal gyorsabban fejlődik és ér el magasabb NDVI értéket, tehát ha ilyen időszakban átlagosnál magasabb, akár 0.6-1 NDVI értéket fedezünk fel a területen, akkor azt nagy valószínűséggel gyomos rész okozza.

Mindig alkalmazható az NDVI növényállapot mérésre, mindig csak ezt használjuk?

A válaszom az, hogy nem, amikor már magas a kultúra, például 150 cm már a kukorica, ebben az esetben a speciális vörös fény eltelítődik a növény felsőbb rétegein, ezáltal nem a teljes növényzetet, hanem csak bizonyos részéről látunk információt. Ebben az esetben más indexeket szoktunk már alkalmazni.

Egyéb indexek

A legalapvetőbb index, amit tényleg alkalmazunk alapvető egészségügyi állapot monitorozásra az NDVI, de több más index is van még, amelyet további speciális vizsgálatokra tudunk alkalmazni, mint például NDRE vagy GNDVI, SAVI …stb.

Az NDVI, NDRE és GNDVI vegetációs indexek mind különböző típusú információkat szolgáltatnak a növényzet állapotáról, és különböző hullámhosszú fényt használnak. Az alábbiakban részletesen összehasonlítom őket, és elmagyarázom, melyik indexet mikor érdemes használni, valamint a főbb különbségeiket:

Vegetációs Index	Rövidítés jelentése	Felhasznált hullámhosszok	Mire jó?	Mikor használjuk?
NDVI	Normalized Difference Vegetation Index	Közeli infravörös (NIR) és vörös	Általános vegetációs aktivitás és egészségi állapot mérése	Zöld biomassza megfigyelése, különösen a fotoszintetikus aktivitás értékelésére
NDRE	Normalized Difference Red Edge	Közeli infravörös (NIR) és vörös perem (Red Edge)	Vegetációs stressz és klorofill-szint mélyebb felmérése	Érettebb növényzet megfigyelése, amely már fejlődési vagy stressz jeleket mutathat
GNDVI	Green Normalized Difference Vegetation Index	Közeli infravörös (NIR) és zöld	Klorofill-koncentráció és zöld tömeg mérése	Növényzet vízstresszének, korai klorofill-szintjének felmérése

Részletes ismertetés

1. NDVI (Normalized Difference Vegetation Index)

Képlet: (NIR – Red) / (NIR + Red)
Jellemző felhasználás: Az NDVI a leggyakrabban használt vegetációs index, mivel a fotoszintetikus aktivitást méri. Magas NDVI-értékek egészséges, sűrű növényzetre utalnak, míg alacsony értékek gyenge vagy ritkás növényzetet, illetve kopár területeket jeleznek.
Alkalmazási terület: Általában használják növényborítottság meghatározására, a biomassza becslésére és a vegetáció egészségi állapotának általános felmérésére.

2. NDRE (Normalized Difference Red Edge)

Képlet: (NIR – Red Edge) / (NIR + Red Edge)
Jellemző felhasználás: Az NDRE kifejezetten érzékeny a klorofill-koncentrációra és a növények stresszére, így különösen alkalmas az érettebb növényzet megfigyelésére, ahol a fotoszintetikus aktivitás kevésbé intenzív. Az NDRE képes detektálni a növények egészségi állapotának változásait, mielőtt azok láthatóvá válnának.
Alkalmazási terület: Különösen hasznos olyan mezőgazdasági helyzetekben, ahol érett növények vagy a termésérés előtti időszak megfigyelése a cél.

3. GNDVI (Green Normalized Difference Vegetation Index)

Képlet: (NIR – Green) / (NIR + Green)
Jellemző felhasználás: A GNDVI jobban érzékeli a klorofill-aktivitást és a zöld növényi részeket, mivel a zöld hullámhossz (Green) érzékenyebb a levelek klorofill-tartalmára. Ezért jól alkalmazható a növények víz- és klorofill-stresszének mérésére.
Alkalmazási terület: Érzékenyebb a korai stresszre és a vízhiányra, ezért a korai növekedési szakaszban hasznos a növények egészségi állapotának felmérésére.

Összefoglalás

NDVI: Alapvető növényegészség- és zöld biomassza-mutató; általános célú vegetációs index, inkább a növényzet sűrűségét és fotoszintetikus aktivitását méri.
NDRE: Érzékenyebb a klorofillra és a növények stresszére, ezért különösen hasznos az érettebb vagy fejlődési stressz jeleit mutató növények esetében.
GNDVI: Klorofill-koncentrációt és zöld tömeget mér, így a korai víz- és klorofill-stressz figyelésére használják.

Mindhárom index lehetőséget nyújt a mezőgazdasági döntéshozatal és növénygondozás optimalizálására, de a kiválasztott indexet mindig a növények fejlődési stádiuma, az adott mezőgazdasági célok, és a terület specifikus környezeti igényei alapján célszerű meghatározni.

Amennyiben te is szeretnél ilyen témákban többet tanulni és saját méréseket végezni, akkor lépj be közösségünkbe és csatlakozz be mentorprogramunkba!

💼 Csatlakozz a mentorprogramomhoz, és tudd meg, hogyan végezhetsz ilyen felméréseket! [Link a programhoz]

Ha érdekel, hogyan végezhetsz precíz hőkamerás állapotfelméréseket egy épületről, akár komplex létesítményről, akkor ne várj tovább, itt az alkalom! A mentorprogramomban megismerkedhetsz ezekkel a technikákkal, és elsajátíthatod a mérések pontos menetét (hőkamera paraméterek beállításától kezdve a repülés tervezéséig) és az eredmény létrehozás folyamatát is (adatfeldolgozás, jegyzőkönyvezés) . 🚁

Ne feledd csak korlátlan mennyiségben tudok hallgatókat fogadni! Jelentkezz még ma és fektess a jövőbe!

További információk Linktree oldalunkon elérhetőek: https://linktr.ee/skyzonesoftware

Remélem hamarosan együtt dolgozhatunk!

Repülésre fel,
Juhász Ákos

Drónsuli tulajdonosa és műszaki vezetője