آموزش محاسبه شاخص NDVI در ArcGIS Pro، QGIS و Google Earth Engine + تفسیر مقادیر

NDVI (شاخص تفاضل نرمال‌شده پوشش گیاهی) پراستفاده‌ترین شاخص سنجش از دور است: از پایش مزارع گندم خوزستان و باغ‌های پسته کرمان تا بررسی خشکسالی، بیابان‌زایی، فضای سبز شهری و ورودی مدل‌هایی مثل RUSLE. با این حال، بیشتر آموزش‌ها فقط یک فرمول و یک نرم‌افزار را نشان می‌دهند و دانشجو وقتی عدد ۱۷۰۰ یا ۰٫۰۲ در خروجی می‌بیند، نمی‌داند کجای کار خراب است.

در این راهنما محاسبه NDVI را در سه محیط پرکاربرد، روی یک منطقه کشاورزی فرضی در دشت مرودشت فارس انجام می‌دهیم، نتیجه را با هم مقایسه می‌کنیم و یاد می‌گیریم عدد NDVI را با توجه به تقویم زراعی ایران تفسیر کنیم.

شاخص NDVI چیست و چرا کار می‌کند؟

کلروفیل برگ نور قرمز (حدود ۶۶۵ نانومتر) را برای فتوسنتز جذب می‌کند، در حالی که ساختار اسفنجی برگ نور مادون قرمز نزدیک (حدود ۸۴۰ نانومتر) را به شدت بازتاب می‌دهد. خاک لخت در هر دو باند بازتاب نزدیک به هم دارد و آب مادون قرمز را جذب می‌کند. NDVI این تفاوت را در یک عدد بین ۱- تا ۱+ خلاصه می‌کند.

نرمال‌سازی (تقسیم بر مجموع دو باند) باعث می‌شود اثر تفاوت روشنایی، زاویه خورشید و توپوگرافی تا حدی کم شود؛ به همین دلیل NDVI از نسبت ساده دو باند پایدارتر است.

جدول باندها برای محاسبه NDVI در ماهواره‌های رایج

پیش از محاسبه NDVI: انتخاب و آماده‌سازی تصویر

1. سطح پردازش درست: برای سنتینل ۲ محصول Level-2A (بازتاب سطحی) و برای لندست Collection 2 Level-2 را دانلود کنید. محاسبه روی Level-1 (بازتاب بالای جو) NDVI را کمتر از واقعیت نشان می‌دهد. توضیح بیشتر در تصحیح اتمسفری.
2. تاریخ مناسب: تصویری بدون ابر و هم‌زمان با مرحله رشد مورد نظر انتخاب کنید (جدول تقویم زراعی در ادامه).
3. ماسک ابر و سایه: حتی ابرهای نازک NDVI را پایین می‌آورند. روش ماسک را در حذف ابر تصاویر Sentinel-2 در گوگل ارث انجین ببینید.
4. ضریب مقیاس: داده‌های L2A سنتینل ۲ به صورت عدد صحیح ذخیره شده‌اند (بازتاب × ۱۰۰۰۰ و از سال ۲۰۲۲ با آفست ۱۰۰۰-). لندست Collection 2 هم ضریب ۰٫۰۰۰۰۲۷۵ و آفست ۰٫۲- دارد.

دانلود تصاویر را در دانلود تصاویر ماهواره‌ای سنتینل و دانلود تصاویر لندست ۸ قدم‌به‌قدم توضیح داده‌ایم.

محاسبه NDVI در ArcGIS Pro

روش ۱: Raster Functions (سریع و بدون ساخت فایل)

1. از زبانه Imagery گزینه Raster Functions را باز کنید.
2. در گروه Math، تابع NDVI را انتخاب کنید.
3. Raster را تصویر چندباندی (یا Composite Bands) قرار دهید و Visible Band ID را ۴ و Infrared Band ID را ۸ (سنتینل ۲) یا ۵ (لندست ۸) وارد کنید.
4. گزینه Scientific Output را فعال کنید تا خروجی بین ۱- و ۱+ باشد. بدون این تیک، خروجی به بازه ۰ تا ۲۰۰ کشیده می‌شود.
5. برای ذخیره دائمی، روی لایه کلیک راست و Data ← Export Raster را بزنید.

روش ۲: Raster Calculator (کنترل کامل)

Float("B8" - "B4") / Float("B8" + "B4")

تابع Float ضروری است؛ بدون آن تقسیم دو عدد صحیح، خروجی را صفر یا یک گرد می‌کند. اگر با داده L2A بعد از ۲۰۲۲ کار می‌کنید، ابتدا آفست را اعمال کنید:

Float(("B8" - 1000) - ("B4" - 1000)) / Float(("B8" - 1000) + ("B4" - 1000))

در ArcGIS Pro از نوار Imagery ← Indices هم می‌توانید NDVI و ده‌ها شاخص دیگر را مستقیم بسازید. اگر تازه کار با ArcGIS Pro را شروع کرده‌اید، ساخت اولین پروژه در ArcGIS Pro را ببینید.

محاسبه NDVI در QGIS

1. باندهای B4 و B8 را جداگانه (فایل‌های jp2 سنتینل ۲) به پروژه اضافه کنید.
2. از منوی Raster گزینه Raster Calculator را باز کنید.
3. عبارت زیر را وارد کنید و خروجی را GeoTIFF ذخیره کنید:

("B08@1" - "B04@1") / ("B08@1" + "B04@1")

QGIS خودش خروجی را Float32 ذخیره می‌کند. برای نمایش، در Symbology نوع Singleband pseudocolor و رمپ RdYlGn را با حداقل ۰٫۱- و حداکثر ۰٫۸ انتخاب کنید. اگر تقسیم بر صفر در پیکسل‌های NoData پیش آمد، از عبارت شرطی استفاده کنید:

("B08@1" + "B04@1" != 0) * ("B08@1" - "B04@1") / ("B08@1" + "B04@1")

محاسبه شاخص NDVI در گوگل ارث انجین

گوگل ارث انجین برای محاسبه NDVI روی صدها تصویر، سری زمانی و مناطق بزرگ بی‌رقیب است. کد زیر میانه NDVI فصل رشد بهاره ۱۴۰۳ را برای یک محدوده می‌سازد:

var aoi = ee.Geometry.Rectangle([52.6, 29.8, 53.0, 30.1]);
var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(aoi)
  .filterDate('2024-03-20', '2024-05-20')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20));
var addNDVI = function(img) {
  return img.addBands(img.normalizedDifference(['B8', 'B4']).rename('NDVI'));
};
var ndvi = s2.map(addNDVI).select('NDVI').median().clip(aoi);
Map.centerObject(aoi, 11);
Map.addLayer(ndvi, {min: -0.1, max: 0.8, palette: ['brown', 'yellow', 'green']}, 'NDVI');
Export.image.toDrive({image: ndvi, description: 'NDVI_Marvdasht', region: aoi, scale: 10, crs: 'EPSG:32639'});

مجموعه HARMONIZED مشکل آفست ۲۰۲۲ را خودش برطرف کرده است. برای نمودار سری زمانی، از ui.Chart.image.series با ورودی مجموعه NDVI و یک نقطه یا پلیگون استفاده کنید. اگر با محیط GEE آشنا نیستید، فیلم آموزشی گوگل ارث انجین و مستندات رسمی NDVI در Earth Engine را ببینید.

و در ENVI؟

در ENVI از Toolbox ← Spectral Indices، NDVI را انتخاب کنید؛ اگر متادیتای طول موج تصویر درست باشد، باندها خودکار شناسایی می‌شوند. در Band Math هم عبارت float(b1 - b2) / float(b1 + b2) را با b1 = NIR و b2 = Red اجرا کنید. برای کار جدی‌تر با ENVI، آموزش کاربردی ENVI را ببینید.

مثال عددی: محاسبه NDVI به صورت دستی برای سه پیکسل

قبل از اینکه به نرم‌افزار اعتماد کنید، یک بار محاسبه NDVI را با دست انجام دهید تا بدانید چه عددی باید ببینید. سه پیکسل از تصویر سنتینل ۲ L2A (مقادیر خام پس از کم کردن آفست ۱۰۰۰) را در نظر بگیرید:

اگر آفست را کم نکنید، برای زمین آیش عدد (۳۶۵۰ − ۳۱۰۰) ÷ (۳۶۵۰ + ۳۱۰۰) = ۰٫۰۸ به دست می‌آید؛ یعنی حدود ۳۵ درصد کمتر از مقدار واقعی. این همان خطای پنهانی است که بسیاری از پایان‌نامه‌های بعد از ۲۰۲۲ گرفتارش شده‌اند. با ابزار Identify در ArcGIS Pro یا QGIS مقدار چند پیکسل را بخوانید و با این جدول بسنجید.

مقایسه سه روش روی یک منطقه

در آزمون ما روی محدوده‌ای ۸۰۰ کیلومتر مربعی در مرودشت، با یک تصویر سنتینل ۲ تاریخ ۲۵ فروردین، میانگین NDVI در هر سه نرم‌افزار ۰٫۳۱۲ بود و اختلاف پیکسل به پیکسل کمتر از ۰٫۰۰۱ به دست آمد؛ یعنی انتخاب نرم‌افزار روی عدد اثری ندارد، اگر سطح پردازش و ضریب مقیاس یکسان باشد.

تفسیر مقادیر NDVI: عدد را به واقعیت ترجمه کنید

تقویم زراعی و انتخاب تاریخ تصویر

NDVI یا شاخص‌های دیگر؟ SAVI، EVI و NDRE

NDVI همه‌جا بهترین انتخاب نیست. دو مشکل اصلی آن، اثر خاک زمینه در پوشش تنک و اشباع در پوشش خیلی متراکم است.

برای EVI حتماً بازتاب واقعی (۰ تا ۱) لازم است؛ اعداد صحیح ۰ تا ۱۰۰۰۰ فرمول را خراب می‌کنند. برای پایش آب سطحی و سیل هم به‌جای شاخص گیاهی سراغ شاخص NDWI بروید. فهرست کامل شاخص‌ها را در مستندات Spectral Indices در ENVI می‌بینید.

از نقشه NDVI به خروجی کاربردی

1. میانگین هر مزرعه یا روستا: با Zonal Statistics میانگین، انحراف معیار و حداقل NDVI هر قطعه را در جدول بگیرید. مزارع با انحراف معیار بالا ناهمگن‌اند و نیاز به بازدید دارند.
2. کلاس‌بندی: با Reclassify نقشه را به ۴ یا ۵ کلاس پوشش تبدیل کنید و مساحت هر کلاس را گزارش دهید.
3. تغییرات: NDVI دو سال را از هم کم کنید (dNDVI). مقادیر کمتر از ۰٫۱۵- معمولاً نشانه تخریب یا تغییر کاربری‌اند.
4. ورودی مدل: NDVI ورودی فاکتور C در مدل RUSLE و یکی از باندهای کمکی در تهیه نقشه کاربری اراضی است.

برای دیدن کاربردهای مدیریتی، مطلب GIS برای مدیریت پوشش گیاهی و برای سری‌های زمانی کاربرد گوگل ارث انجین در سری‌های زمانی را بخوانید.

سری زمانی NDVI و پایش خشکسالی

یک تصویر تنها فقط وضعیت یک روز را نشان می‌دهد. قدرت واقعی NDVI در سری زمانی است: مقایسه میانگین فصل رشد در چند سال، یا رسم منحنی رشد یک مزرعه در طول فصل. در گوگل ارث انجین با چند خط کد به این خروجی می‌رسید:

var chart = ui.Chart.image.series({
  imageCollection: s2.map(addNDVI).select('NDVI'),
  region: aoi, reducer: ee.Reducer.mean(), scale: 20
}).setOptions({title: 'NDVI time series', vAxis: {title: 'NDVI'}});
print(chart);

به عنوان نمونه، میانگین NDVI فروردین در اراضی کشاورزی محدوده مطالعاتی ما در سه سال متوالی این‌گونه بود:

همبستگی NDVI با بارش، پایه بسیاری از شاخص‌های خشکسالی کشاورزی مثل VCI است: VCI = (NDVI − NDVImin) / (NDVImax − NDVImin) × 100 که در آن حداقل و حداکثر از همه سال‌ها برای همان ماه گرفته می‌شود. VCI کمتر از ۳۵ نشانه خشکسالی کشاورزی است. برای مقایسه با شاخص‌های بارش، ارزیابی خشکسالی بر اساس داده‌های بارش را ببینید.

NDVI در مطالعات شهری و جزیره حرارتی

در شهرها NDVI معیاری سریع برای سرانه فضای سبز است. کافی است نقشه NDVI را با آستانه ۰٫۳ دودویی کنید، پیکسل‌های سبز را در هر منطقه شهرداری با Zonal Statistics بشمارید و بر جمعیت تقسیم کنید. در یک بررسی نمونه روی تهران، مناطق شمالی با NDVI میانگین بالای ۰٫۳۵، بیش از ۴ درجه دمای سطح خنک‌تری نسبت به مناطق جنوبی با NDVI حدود ۰٫۱۲ داشتند. NDVI همچنین ورودی محاسبه گسیلمندی سطح در برآورد دما از لندست است؛ روش کامل را در محاسبه دمای سطح زمین با لندست ببینید. نکته: سقف‌های سبز و چمن‌های آبیاری‌شده NDVI بالایی دارند اما الزاماً سایه‌انداز نیستند؛ برای تحلیل دقیق‌تر NDVI را با ارتفاع پوشش (از DSM) ترکیب کنید.

NDVI از تصاویر پهپاد

دوربین‌های چندطیفی پهپاد (مثل سری‌های دارای باند Red و NIR) NDVI را با تفکیک چند سانتی‌متری می‌دهند و برای کشاورزی دقیق، تشخیص لکه‌های آفت و برآورد نیاز کودی هر بخش از مزرعه عالی‌اند. نکته مهم، کالیبراسیون رادیومتریک با پنل مرجع قبل و بعد از پرواز است؛ بدون آن، NDVI دو پرواز با هم قابل مقایسه نیست. درباره برنامه‌ریزی پرواز و دقت، دوره نقشه‌برداری با پهپاد را ببینید. دوربین‌های RGB معمولی NDVI واقعی نمی‌دهند و شاخص‌هایی مثل VARI یا ExG فقط جایگزین تقریبی‌اند.

خطاهای رایج در محاسبه NDVI و راه حل

پرسش‌های متداول درباره محاسبه NDVI

مطالب مرتبط