6 chỉ số quang phổ ngoài NDVI hỗ trợ phân tích lớp phủ thực vật

Bạn có biết có ít nhất một trăm chỉ số quang phổ khác nhau, ngoại trừ NDVI, được sử dụng rộng răi để phân tích thảm thực vật?

Mỗi chỉ số về cơ bản là một sự kết hợp nhất định của các đặc tính phản xạ đo được từ các cảm biến (hàm lượng nước, hàm lượng chất diệp lục, sắc tố, v.v.) của 2 bước sóng trở lên cho thấy các đặc điểm cụ thể của thảm thực vật. Với sự phát triển của các bộ cảm biến, những vệ tinh quan sát Trái đất cung cấp cho chuyên gia viễn thám nguồn dữ liệu mới để thúc đẩy nghiên cứu của họ và cải thiện các phân tích hiện có.

Chúng ta hăy xem xét kỹ hơn về các chỉ số mới và t́m hiểu những thông tin hữu ích mà chúng có thể đưa vào phân tích dựa trên lư thuyết tính toán chỉ số NDVI mà bạn thường xuyên sử dụng.

Mỗi chỉ số đều có những hạn chế của nó. NDVI rất nhạy cảm với tác động của đất và khí quyển, đó là lư do tại sao nên áp dụng các chỉ số bổ sung để phân tích thảm thực vật chính xác hơn.

SAVI

Chỉ số SAVI là ǵ? Đó là chỉ số thực vật có hiệu chỉnh phản xạ mặt đất (Soil Adjusted Vegetation Index)  được thiết kế để giảm thiểu ảnh hưởng phản xạ của mặt đất. Tác giả đề xuất chỉ số là Huete đă thêm một hệ số điều chỉnh mặt đất L vào phương tŕnh của NDVI để điều chỉnh hiệu ứng nhiễu của đất (màu đất, độ ẩm của đất, sự biến đổi của đất giữa các vùng, v.v.), có xu hướng ảnh hưởng đến kết quả.

Công thức của chỉ số thực vật SAVI:

SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)

Diễn giải: L là hệ số hiệu chỉnh. Giá trị của L nằm trong khoảng từ -1 đến 1, tùy thuộc vào mật độ thực vật xanh có trong khu vực. Để chạy phân tích ảnh các khu vực có mật độ thảm thực vật cao, L được gán giá trị 0 (trong trường hợp đó, giá trị chỉ số SAVI sẽ bằng với NDVI); trong khi các vùng thực vật có mật độ thấp, giá trị của L = 1.

Khi nào nên sử dụng: Trường hợp phân tích các khu vực mới trồng cây (cây non); đối với các khu vực khô cằn với thảm thực vật thưa thớt (ít hơn 15% tổng diện tích) và bề mặt đất trống.

A screenshot of a video game Description automatically generated

 

Minh họa chỉ số SAVI tính toán từ ảnh Sentinel-2 tại khu vực canh tác có tưới ở Ảrập-Xê út



ARVI

Như tên gọi của nó, Chỉ số thực vật kháng khí quyển (Atmospherically Resistant Vegetation Index) trước tiên là một chỉ số thực vật, thông thường tương đối dễ bị ảnh hưởng bởi các yếu tố khí quyển (như aerosol). Công thức của chỉ số ARVI được phát minh bởi Kaufman và Tanré về cơ bản là NDVI được hiệu chỉnh nhằm loại bỏ các hiệu ứng tán xạ khí quyển trong phổ phản xạ màu đỏ bằng cách sử dụng các phép đo trong bước sóng màu xanh.

Công thức của chỉ số thực vật ARVI:

ARVI = (NIR - (2 * Red) + Blue) / (NIR + (2 * Red) + Blue)

Diễn giải: So với các chỉ số khác, chỉ số ARVI rất hiệu quả trước các hiệu ứng địa h́nh, điều này khiến nó trở thành một công cụ giám sát chất lượng cho các vùng núi nhiệt đới thường bị ảnh hưởng do bồ hóng (muội than) đến từ hoạt động đốt nương rẫy.

Khi nào nên sử dụng: Đối với các khu vực có hàm lượng aerosol trong khí quyển cao (ví dụ như mưa, sương mù, bụi, khói, ô nhiễm không khí).

A graph of soil and vegetation Description automatically generated

 

ARVI cho phép phân tách thực vật rơ hơn với phần c̣n lại

 

 

EVI

EVI, Chỉ số thực vật tăng cường (Enhanced Vegetation Index) được phát minh bởi Liu và Huete để hiệu chỉnh đồng thời giá trị của NDVI trước ảnh hưởng của khí quyển và phản xạ mặt đất, đặc biệt ở các khu vực có tán cây rậm rạp. Phạm vi giá trị của EVI là -1 đến 1, và đối với thảm thực vật khỏe mạnh, trị số dao động trong khoảng 0,2 đến 0,8.

Công thức của EVI:

EVI = 2,5 * ((NIR - Red) / ((NIR) + (C1 * Red) - (C2 * Blue) + L))

Diễn giải: EVI chứa hệ số C1 và C2 để điều chỉnh sự tán xạ aerosol có trong khí quyển và L để điều chỉnh cho nền đất và tán cây. Các kỹ thuật viên GIS tập sự có thể gặp khó khăn khi quyết định giá trị của bộ tham số cũng như làm sao để tính toán EVI từ nhiều loại dữ liệu vệ tinh khác nhau. Theo truyền thống, đối với cảm biến MODIS của NASA, C1 = 6, C2 = 7.5 và L = 1. Trong trường hợp bạn đang tự hỏi làm thế nào để tính toán EVI với Sentinel-2 hoặc Landsat-8, trước mắt hăy cứ áp dụng bộ tham số trên, hoặc đơn giản dùng ứng dụng  LandViewer. Công cụ này sẽ giúp bạn tính toán và cho  phép tải xuống kết quả. Để có C1, C2 và L chính xác cho từng loại ảnh cụ thể, bạn sẽ cần phải thực hiện các nghiên cứu chuyên sâu hơn.

Khi nào nên sử dụng: Các phân tích ở những khu vực có mật độ diệp lục cao (như rừng mưa nhiệt đới) và tốt nhất với vùng có ảnh hưởng tối thiểu của địa h́nh (không phải khu vực miền núi).

A diagram of a tree growing from a height Description automatically generated

 

EVI cho phép tách biệt thực vật tươi tốt với phần c̣n lại một cách rơ rệt

 

GCI

Trong viễn thám, Chỉ số diệp lục xanh (Green Chlorophyll Index) được sử dụng để ước tính hàm lượng chất diệp lục trong các loài thực vật khác nhau. Hàm lượng chất diệp lục phản ánh trạng thái sinh lư của thảm thực vật; nó giảm ở thực vật bị ức chế (stressed) và do đó có thể được sử dụng như một phép đo sức khỏe thực vật.

Công thức của chỉ số GCI:

GCI = (NIR) / (Green) - 1

Diễn giải: Phân tích tốt hơn về hàm lượng diệp lục với chỉ số thực vật GCI có thể đạt được bằng cách sử dụng các cảm biến vệ tinh có bước sóng rộng ở dải NIR và Green.

Khi nào nên sử dụng: Sử dụng GCI để theo dơi tác động của thời vụ, ức chế từ môi trường canh tác, thuốc trừ sâu đối với sức khỏe thực vật.

Aerial view of a field Description automatically generated

 

Theo dơi ức chế của cây trồng bằng chỉ số GCI

 

SIPI

Chỉ số sắc tố không nhạy cảm cấu trúc (Structure Insensitive Pigment Index) rất hữu ích trong phân tích thảm thực vật với cấu trúc tán thay đổi. Nó ước tính tỷ lệ carotenoids với diệp lục: Khi giá trị SIPI tăng lên là lúc thực vật đang bị ức chế.

Công thức của chỉ số SIPI:

SIPI = (NIR - Blue) / (NIR - Red)

Diễn giải: Giá trị SIPI cao (tăng carotenoids và giảm chất diệp lục) thường chỉ thị về bệnh thực vật, có liên quan đến việc mất diệp lục trong thực vật.

Khi nào nên sử dụng: Để theo dơi sức khỏe thực vật ở những vùng có độ biến động cao về cấu trúc tán hoặc chỉ số diện tích lá (LAI), để phát hiện sớm bệnh cây hoặc các nguyên nhân gây ức chế khác.

A comparison of a farm land Description automatically generated with medium confidence

 

Chỉ số SIPI cho kết quả phân loại tốt ngay cả khi khu vực nghiên cứu có sự khác biệt về chỉ số lá (LAI)

 

NBR

Chỉ số NBR hay c̣n gọi là Chỉ số hỏa hoạn (Normalized Burn Ratio) được sử dụng để làm nổi bật các khu vực bị đốt sau đám cháy. Phương tŕnh của chỉ số thực vật NBR bao gồm các phép đo ở cả hai bước sóng NIR và SWIR: Thảm thực vật khỏe mạnh cho thấy độ phản xạ cao trong phổ NIR, trong khi các khu vực thực vật bị đốt cháy gần đây phản xạ rất cao trong phổ SWIR. Chỉ số hỏa hoạn NBR đă trở thành công cụ đặc biệt trong những năm qua khi điều kiện thời tiết khắc nghiệt (như hạn hán El Niño) gây ra sự gia tăng đáng kể trong các vụ cháy rừng phá hủy sinh khối rừng.

Để thực hiện tính toán chỉ số thực vật NBR, người ta cần các kênh phổ thuộc dải hồng ngoại gần và sóng ngắn, có thể là h́nh ảnh vệ tinh Landsat-7, Landsat-8, MODIS, v.v. Phạm vi của các giá trị nằm trong khoảng từ 1 đến -1.

Công thức của chỉ số quang phổ NBR:

NBR = (NIR - SWIR) / (NIR + SWIR)

Diễn giải: Trên thực tế, để đánh giá diện tích cháy và mức độ nghiêm trọng của đám cháy, việc sử dụng NBR cho phép chỉ ra những thay đổi rơ nét của cảnh quan do hỏa hoạn gây ra. Đó là sự khác biệt giữa NBR được tính từ ảnh của một khu vực trước và sau đám cháy. Ngoài ra, c̣n có chỉ số NBR Thermal 1 sử dụng dải Nhiệt để tăng cường để chỉ ra sự khác biệt chính xác hơn giữa vùng bị đốt cháy và những vùng khác.

Khi nào nên sử dụng: Chỉ số NBR được sử dụng phổ biến trong lĩnh vực nông nghiệp và lâm nghiệp nhằm phát hiện các đám cháy đang hoạt động, phân tích mức độ nghiêm trọng của vụ cháy và theo dơi sự tồn tại của thảm thực vật sau khi đốt.

A screenshot of a map Description automatically generated

 

Sử dụng NBR với ảnh Landsat-8 để theo dơi đám cháy rừng




Nguồn: EOS