El índice de vegetación de diferencia normalizada ( NDVI ) es una métrica ampliamente utilizada para cuantificar la salud y la densidad de la vegetación utilizando datos de sensores. Se calcula a partir de datos espectrométricos en dos bandas específicas: roja e infrarroja cercana. Los datos espectrométricos suelen obtenerse de sensores remotos, como satélites.
La métrica es popular en la industria debido a su precisión. Tiene una alta correlación con el verdadero estado de la vegetación del suelo. El índice es fácil de interpretar: el NDVI tendrá un valor entre -1 y 1. Un área en la que no crece nada 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 inferiores a 0 sugieren una falta de tierra seca. Un océano producirá 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 construido por el hombre 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 incorporan instrumentos especialmente diseñados para observar la atmósfera y la superficie de la Tierra con vistas a mejorar la previsión meteorológica . A partir de 1960, la serie de satélites TIROS incorporó 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). Este último mide la reflectancia del planeta en las bandas roja e infrarroja cercana, así como en el infrarrojo térmico. Paralelamente, la NASA desarrolló el Satélite de Tecnología de Recursos Terrestres (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 pasaría a llamarse Landsat 1 , el 23 de julio de 1972, la NASA financió con su escáner multiespectral (MSS) una serie de investigaciones para determinar sus capacidades para la teledetección de la Tierra . Uno de esos primeros estudios estaba dirigido a examinar el reverdecimiento de la vegetación primaveral y el posterior secado en verano y otoño (el llamado “avance y retrogradación primaveral”) en toda la extensión de norte a sur de la región de las Grandes Llanuras del centro de Estados Unidos. Esta región cubría una amplia gama de latitudes desde el extremo sur de Texas hasta la frontera entre Estados Unidos y Canadá, lo que resultó en una amplia gama de ángulos cenital solares en el momento de las observaciones por satélite.
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 ángulo cenital solar a través de este fuerte gradiente latitudinal. Con la ayuda de un matemático residente (Dr. John Schell), estudiaron soluciones a este dilema y posteriormente desarrollaron la relación entre la diferencia de las radiaciones roja e infrarroja sobre su suma como medio para ajustar o "normalizar" los efectos de el ángulo cenital solar. Originalmente, llamaron a esta relación “Índice de Vegetación” (y otra variante, la transformación de raíz cuadrada de la relación de suma de diferencias, el “Índice de Vegetación Transformada”); pero a medida que otros investigadores de teledetección identificaban la relación simple rojo/infrarrojo y otras relaciones espectrales como el “índice de vegetación”, eventualmente comenzaron a identificar la formulación de la relación diferencia/suma como el índice de diferencia de vegetación normalizado. El primer uso informado del NDVI en el estudio de las Grandes Llanuras fue en 1973 por Rouse et al. [2] (El Dr. John Rouse fue el Director del Centro de Detección Remota 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 normalizado 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 que describen los usos del NDVI.
Por lo tanto, el NDVI fue uno de los intentos más exitosos de identificar de manera simple y rápida áreas con vegetación y su "condición", y sigue siendo el índice más conocido y utilizado para detectar cubiertas de plantas verdes vivas en datos de teledetección multiespectrales. Una vez demostrada la viabilidad de detectar vegetación, los usuarios tendieron a utilizar también el NDVI para cuantificar la capacidad fotosintética de las copas de las plantas. Sin embargo, esto puede ser una tarea bastante más compleja si no se hace correctamente, como se analiza a continuación.
Las plantas verdes vivas absorben la radiación solar en la región espectral de 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 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 sólo provocaría un sobrecalentamiento de la planta y posiblemente dañaría los tejidos. Por lo tanto, las plantas verdes vivas aparecen relativamente oscuras en el 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 utilizarla en la fotosíntesis. La estructura celular de las hojas, por el contrario, refleja fuertemente la luz del infrarrojo cercano (de 700 a 1100 nm). Cuantas más hojas tiene una planta, más se ven afectadas estas longitudes de onda de luz. Dado que los primeros instrumentos de observación de la Tierra, como el ERTS de la NASA y el AVHRR de la NOAA , adquirieron datos en visible e infrarrojo cercano, era natural explotar las fuertes diferencias en la reflectancia de las plantas para determinar su distribución espacial en estas imágenes de satélite.
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 relaciones entre la radiación reflejada y la radiación entrante en cada banda espectral individualmente, por lo que toman valores entre 0 y 1. Por diseño, el NDVI en sí varía entre -1 y +1. NDVI es funcionalmente, pero no linealmente, equivalente a la relación simple infrarrojo/rojo (NIR/VIS). Por lo tanto, la ventaja del NDVI sobre una simple relación infrarrojo/rojo se limita generalmente a cualquier posible linealidad de su relación funcional con las propiedades de la vegetación (por ejemplo, biomasa). La relación simple (a diferencia del NDVI) es siempre 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 tiene un rango negativo ni ilimitado. [6] Pero el concepto más importante para comprender la fórmula algebraica del NDVI es que, a pesar de su nombre, es una transformación de una relación espectral (NIR/VIS) y no tiene relación funcional con una diferencia espectral (NIR-VIS). VIS).
En general, si hay mucha más radiación reflejada en longitudes de onda del infrarrojo cercano que en longitudes de onda visible, 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 tanto, con 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 (pequeño) positivo. Es más probable que se observen valores negativos en la atmósfera y en algunos materiales específicos . [9]
Se puede ver a partir de su definición matemática que el NDVI de un área que contiene una densa cubierta vegetal tenderá a valores positivos (por ejemplo, de 0,3 a 0,8), mientras que las nubes y los campos de nieve se caracterizarán por valores negativos de este índice. Otros objetivos en la Tierra visibles desde el espacio incluyen:
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 el 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 (a diferencia de 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 necesaria ] Las siguientes subsecciones revisan 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 global de vegetación. Índice de Monitoreo Ambiental. [17] Cada uno de estos 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 sensores modernos (en particular sus capacidades multiespectrales y multiangulares) para tener en cuenta todos los factores perturbadores. A pesar de muchos posibles factores perturbadores del NDVI, sigue siendo una valiosa herramienta cuantitativa de seguimiento de la vegetación cuando es necesario estudiar la capacidad fotosintética de la superficie terrestre en la escala espacial adecuada para diversos fenómenos.
Dentro de la agricultura de precisión , los datos del NDVI proporcionan una medida de la salud de los cultivos. Hoy en día, esto suele implicar 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 demora. [19] Gran parte de la investigación realizada actualmente ha demostrado que las imágenes NDVI se pueden obtener incluso utilizando las cámaras digitales RGB normales mediante algunas modificaciones para obtener resultados similares a los obtenidos con las cámaras multiespectrales y se pueden implementar de manera efectiva en el cultivo. sistemas de vigilancia de la salud.
Recientemente, han proliferado las aplicaciones móviles que utilizan datos NDVI como herramientas de seguimiento de la salud de los cultivos. Aplicaciones móviles como Doktar's Orbit proporcionan datos NDVI dentro de mapas de salud para detectar cualquier anomalía en el campo del agricultor. Estas aplicaciones tienen como objetivo digitalizar la agricultura e introducir nuevas formas de exploración de campo. Las herramientas de monitoreo de campo remoto basadas en NDVI permiten a los agricultores ahorrar costos de combustible, ya que estas herramientas reducen las visitas al campo y permiten una mejor gestión del riego.
Landsat 8 , Sentinel-2 y PlanetScope son algunos de los principales proveedores de imágenes satelitales para crear mapas NDVI y monitorear la salud de los cultivos.
