El índice de vegetación de diferencia normalizada ( NDVI ) es una métrica ampliamente utilizada para cuantificar la salud y la densidad de la vegetación mediante datos de sensores. Se calcula a partir de datos espectrométricos en dos bandas específicas: roja e infrarroja cercana. Los datos espectrométricos generalmente se obtienen de sensores remotos, como satélites.
La métrica es popular en la industria debido a su precisión. Tiene una alta correlación con el estado real de la vegetación en el suelo. El índice es fácil de interpretar: el NDVI será un valor entre -1 y 1. Un área sin nada creciendo en ella tendrá un NDVI de cero. El NDVI aumentará en proporción al crecimiento de la vegetación. Un área con vegetación densa y saludable tendrá un NDVI de uno. Los valores de NDVI menores a 0 sugieren una falta de tierra seca. Un océano arrojará un NDVI de -1.
La exploración del espacio exterior comenzó en serio con el lanzamiento del Sputnik 1 por parte de la Unión Soviética el 4 de octubre de 1957. Este fue el primer satélite artificial en órbita alrededor de la Tierra . Los lanzamientos exitosos posteriores, tanto en la Unión Soviética (por ejemplo, los programas Sputnik y Cosmos ), como en los EE. UU. (por ejemplo, el programa Explorer ), llevaron rápidamente al diseño y operación de satélites meteorológicos dedicados . Se trata de plataformas orbitales que embarcan instrumentos especialmente diseñados para observar la atmósfera y la superficie de la Tierra con vistas a mejorar la predicción meteorológica . A partir de 1960, la serie de satélites TIROS embarcaron cámaras de televisión y radiómetros. A esto le siguieron más tarde (a partir de 1964) los satélites Nimbus y la familia de instrumentos Radiómetros avanzados de muy alta resolución a bordo de las plataformas de la Administración Nacional Oceánica y Atmosférica (NOAA). Estos últimos miden la reflectancia del planeta en las bandas roja y cercana al infrarrojo, así como en el infrarrojo térmico. Paralelamente, la NASA desarrolló el Earth Resources Technology Satellite (ERTS), que se convirtió en el precursor del programa Landsat . Estos primeros sensores tenían una resolución espectral mínima, pero tendían a incluir bandas en el rojo y el infrarrojo cercano, que son útiles para distinguir la vegetación y las nubes, entre otros objetivos.
Con el lanzamiento del primer satélite ERTS, que pronto sería rebautizado como Landsat 1 , el 23 de julio de 1972 con su escáner multiespectral (MSS), la NASA financió una serie de investigaciones para determinar sus capacidades de teledetección de la Tierra . Uno de esos primeros estudios se dirigió a examinar el reverdecimiento de la vegetación primaveral y el posterior secado de verano y otoño (el llamado "avance y retrogradación vernal") en toda la extensión de norte a sur de la región de las Grandes Llanuras del centro de EE. UU. Esta región cubría una amplia gama de latitudes desde el extremo sur de Texas hasta la frontera entre EE. UU. y Canadá, lo que resultó en una amplia gama de ángulos cenitales solares en el momento de las observaciones satelitales.
Los investigadores de este estudio de las Grandes Llanuras (el estudiante de doctorado Donald Deering y su asesor, el Dr. Robert Hass) descubrieron que su capacidad para correlacionar o cuantificar las características biofísicas de la vegetación de los pastizales de esta región a partir de las señales espectrales de los satélites se veía confundida por estas diferencias en el ángulo cenital solar a lo largo de este fuerte gradiente latitudinal. Con la ayuda de un matemático residente (el Dr. John Schell), estudiaron soluciones a este dilema y posteriormente desarrollaron la relación de la diferencia de las radiancias roja e infrarroja sobre su suma como un medio para ajustar o "normalizar" los efectos del ángulo cenital solar. Originalmente, llamaron a esta relación "Índice de vegetación" (y otra variante, la transformación de la raíz cuadrada de la relación diferencia-suma, el "Índice de vegetación transformado"); pero como varios otros investigadores de teledetección estaban identificando la simple relación rojo/infrarrojo y otras relaciones espectrales como el "índice de vegetación", finalmente comenzaron a identificar la formulación de la relación diferencia/suma como el índice de vegetación de diferencia normalizada. El primer uso del NDVI en el estudio de las Grandes Llanuras fue reportado en 1973 por Rouse et al. [2] (el Dr. John Rouse era el Director del Centro de Teledetección de la Universidad Texas A&M donde se llevó a cabo el estudio de las Grandes Llanuras). Sin embargo, fueron precedidos en la formulación de un índice espectral de diferencia normalizada por Kriegler et al. en 1969. [3] Poco después del lanzamiento de ERTS-1 (Landsat-1), Compton Tucker del Centro de Vuelos Espaciales Goddard de la NASA produjo una serie de artículos de revistas científicas tempranas que describen los usos del NDVI.
Así, el NDVI fue uno de los intentos más exitosos de identificar de manera simple y rápida las áreas con vegetación y su "estado", y sigue siendo el índice más conocido y utilizado para detectar cubiertas vegetales vivas en datos de teledetección multiespectral. Una vez que se demostró la viabilidad de detectar la vegetación, los usuarios tendieron a utilizar también el NDVI para cuantificar la capacidad fotosintética de las cubiertas vegetales. Sin embargo, esto puede ser una tarea bastante más compleja si no se realiza correctamente, como se analiza a continuación.
Las plantas verdes vivas absorben la radiación solar en la región espectral de la radiación fotosintéticamente activa (PAR), que utilizan como fuente de energía en el proceso de fotosíntesis . Las células de las hojas también han evolucionado para reemitir la radiación solar en la región espectral del infrarrojo cercano (que transporta aproximadamente la mitad de la energía solar entrante total), porque la energía de los fotones en longitudes de onda superiores a unos 700 nanómetros es demasiado baja para sintetizar moléculas orgánicas. Una fuerte absorción en estas longitudes de onda solo provocaría un sobrecalentamiento de la planta y posiblemente dañaría los tejidos. Por lo tanto, las plantas verdes vivas aparecen relativamente oscuras en la PAR y relativamente brillantes en el infrarrojo cercano. [4] Por el contrario, las nubes y la nieve tienden a ser bastante brillantes en el rojo (así como en otras longitudes de onda visibles) y bastante oscuras en el infrarrojo cercano. El pigmento de las hojas de las plantas, la clorofila, absorbe fuertemente la luz visible (de 400 a 700 nm) para su uso en la fotosíntesis. Por otra parte, la estructura celular de las hojas refleja intensamente la luz del infrarrojo cercano (de 700 a 1100 nm). Cuantas más hojas tenga una planta, más se verán afectadas estas longitudes de onda de la luz. Dado que los primeros instrumentos de observación de la Tierra, como el ERTS de la NASA y el AVHRR de la NOAA , adquirían datos en el espectro visible y en el infrarrojo cercano, era natural aprovechar las fuertes diferencias en la reflectancia de las plantas para determinar su distribución espacial en estas imágenes satelitales.
El NDVI se calcula a partir de estas mediciones individuales de la siguiente manera:
donde Rojo y NIR representan las mediciones de reflectancia espectral adquiridas en las regiones roja (visible) e infrarroja cercana, respectivamente. [5] Estas reflectancias espectrales son en sí mismas proporciones de la radiación reflejada a la radiación entrante en cada banda espectral individualmente, por lo tanto toman valores entre 0 y 1. Por diseño, el NDVI en sí varía entre -1 y +1. El NDVI es funcionalmente, pero no linealmente, equivalente a la simple relación infrarrojo/rojo (NIR/VIS). Por lo tanto, la ventaja del NDVI sobre una simple relación infrarrojo/rojo generalmente se limita a cualquier linealidad posible de su relación funcional con las propiedades de la vegetación (por ejemplo, biomasa). La relación simple (a diferencia del NDVI) siempre es positiva, lo que puede tener ventajas prácticas, pero también tiene un rango matemáticamente infinito (0 a infinito), lo que puede ser una desventaja práctica en comparación con el NDVI. También en este sentido, tenga en cuenta que el término VIS en el numerador del NDVI solo escala el resultado, creando así valores negativos. El NDVI es funcional y linealmente equivalente a la relación NIR / (NIR+VIS), que varía de 0 a 1 y, por lo tanto, nunca es negativo ni ilimitado en su rango. [6] Pero el concepto más importante para la comprensión de la fórmula algebraica del NDVI es que, a pesar de su nombre, es una transformación de una relación espectral (NIR/VIS), y no tiene una relación funcional con una diferencia espectral (NIR-VIS).
En general, si hay mucha más radiación reflejada en longitudes de onda del infrarrojo cercano que en longitudes de onda visibles, entonces es probable que la vegetación en ese píxel sea densa y pueda contener algún tipo de bosque. Trabajos posteriores han demostrado que el NDVI está directamente relacionado con la capacidad fotosintética y, por lo tanto, la absorción de energía de las copas de las plantas. [7] [8] Aunque el índice puede tomar valores negativos, incluso en áreas urbanas densamente pobladas el NDVI suele tener un valor positivo (pequeño). Es más probable que se observen valores negativos en la atmósfera y algunos materiales específicos . [9]
De su definición matemática se desprende que el NDVI de una zona con una densa cubierta vegetal tenderá a valores positivos (por ejemplo, entre 0,3 y 0,8), mientras que las nubes y los campos de nieve se caracterizarán por valores negativos de este índice. Otros objetivos de la Tierra visibles desde el espacio son:
Además de la simplicidad del algoritmo y su capacidad para distinguir ampliamente las áreas con vegetación de otros tipos de superficies, el NDVI también tiene la ventaja de comprimir el tamaño de los datos a manipular en un factor de 2 (o más), ya que reemplaza las dos bandas espectrales por un único campo nuevo (eventualmente codificado en 8 bits en lugar de los 10 o más bits de los datos originales).
El NDVI se ha utilizado ampliamente en aplicaciones para las que no fue diseñado originalmente. El uso del NDVI para evaluaciones cuantitativas (en contraposición a las encuestas cualitativas, como se indicó anteriormente) plantea una serie de cuestiones que pueden limitar seriamente la utilidad real de este índice si no se abordan adecuadamente. [ cita requerida ] Las siguientes subsecciones analizan algunas de estas cuestiones.
Además, el cálculo del valor NDVI resulta sensible a una serie de factores perturbadores, entre ellos:
En la literatura científica se han propuesto varios derivados y alternativas al NDVI para abordar estas limitaciones, incluido el Índice de Vegetación Perpendicular, [14] el Índice de Vegetación Ajustado al Suelo , [15] el Índice de Vegetación Atmosféricamente Resistente [16] y el Índice de Monitoreo Ambiental Global. [17] Cada uno de ellos intentó incluir correcciones intrínsecas para uno o más factores perturbadores. Una alternativa actual adoptada por el USGS es el índice de vegetación mejorado (EVI), que corrige los efectos del suelo, el fondo del dosel y las influencias de los aerosoles. [18]
Sin embargo, no fue hasta mediados de la década de 1990 que se propuso una nueva generación de algoritmos para estimar directamente las variables biogeofísicas de interés (por ejemplo, la fracción de radiación fotosintéticamente activa absorbida , FAPAR), aprovechando el rendimiento mejorado y las características de los sensores modernos (en particular sus capacidades multiespectrales y multiangulares) para tener en cuenta todos los factores perturbadores. A pesar de los muchos factores perturbadores posibles sobre el NDVI, sigue siendo una valiosa herramienta de monitoreo cuantitativo de la vegetación cuando se necesita estudiar la capacidad fotosintética de la superficie terrestre a la escala espacial apropiada para varios fenómenos.
En la agricultura de precisión , los datos NDVI proporcionan una medición de la salud de los cultivos. Hoy en día, esto a menudo implica drones agrícolas , que se combinan con NDVI para comparar datos y reconocer problemas de salud de los cultivos. Un ejemplo de esto son los drones agrícolas de PrecisionHawk y Sentera, que permiten a los agricultores capturar y procesar datos NDVI en un día, un cambio con respecto a los usos tradicionales de NDVI y sus largos tiempos de retraso. [19] Gran parte de la investigación realizada actualmente ha demostrado que las imágenes NDVI incluso se pueden obtener utilizando las cámaras RGB digitales normales con algunas modificaciones para obtener resultados similares a los obtenidos con las cámaras multiespectrales y se pueden implementar de manera efectiva en los sistemas de monitoreo de la salud de los cultivos.
Landsat 8 , Sentinel-2 y PlanetScope son algunos de los principales proveedores de imágenes satelitales para realizar mapas NDVI y monitorear la salud de los cultivos.
