Daha çox

NDVI raster görüntüsünü necə normallaşdırmaq və ya yenidən ölçmək olar

NDVI raster görüntüsünü necə normallaşdırmaq və ya yenidən ölçmək olar


Landşad bandı 3 və qrup 4-i müxtəlif illərin NDVI dəyərlərini çıxarmaq üçün emal etdim ki, Normalize edilmiş fərq bitki örtüyü indeksinin -1.0 ilə +1.0 arasındadır. Bantlar dos1 düzəlişindən istifadə edərək atmosferik şəkildə düzəldilmişdir.

NDVI mənim tədqiqat sahəm üçün hesablanmışdır və hər bir raster təbəqə xüsusiyyətinin statistik parametrlərində müvafiq olaraq hər il üçün minimum, maksimum, orta və standart sapma kimi göstərilən dəyərlər aşağıdakılardır:

1993 -0.15 0.73 0.22 0.099 1998 -0.41 0.85 0.33 0.13 2002 0.0009 0.629 0.165 0.07 2009 -0.061 0.55 0.19 0.068 2011 -0.067 0.596 0.165 0.064

Buradakı sualım budur ki, hər ilin nisbətlərini necə dəyişə bilərəm ki, hər il nisbi dəyişikliyi görüm. Başqa sözlə, tədqiqat sahəsi üzrə nisbi indeks çıxarmaq istəyirəm, amma raster dəyərlərimin bərabər interval indeksini topladığı halda hansını seçməliyəm. Bu dəyərləri necə yenidən dəyişə bilərəm?

Bundan sonra, yaşıl bitki örtüyü (GVF), Çin və Cənubi Çin şəhəri, Guangzhou üçün istifadə edilən bərabərlikdən istifadə edilərək hesablanmalı idi.

GVF = NDVI - NDVImin / NDVImax - NDVImin və NDVImaxın sırasıyla 0,05 və 0,70 olaraq seçildiyi NDVImin və AVHRR 10 günlük kompozit məlumatlarla əldə edilən bu dəyərlər.

Bitkilərin həqiqi rolunu araşdırmaq üçün yaşıl bitki örtüyündəki hər pikselin nisbətini müqayisə etmək üçün bütün dəyərləri 0-1-ə normallaşdırmaq (və ya səhv etmirəmsə çevir deyim) istəyirəm. Bölgəm üçün aralığı necə əldə edə bilərəm? Əvvəlcə 0-255 ölçüsünü dəyişdirməliyəm? Çünki bu ayrı-ayrı bir məlumatdır, fasiləsiz olaraq -1 ilə +1 arasında dəyişir.

NDVImin (çılpaq ərazi) və NDVImax (sıx bitki örtüyü) aralığını əldə etmək üçün müxtəlif tədqiqatlarda endmemberlərin toplanmasının görüntü əsaslı metodundan istifadə edərək xətti spektral qarışıqdan istifadə edilmişdir.


Aradığınız vasitənin yenidən təsnif olunduğuna inanıram. Fərqli NDVI dəstləriniz üçün dərslər yarada bilərsiniz. Bundan əlavə təbii jenks, həndəsi, faiz dərəcəsi və s. Kimi fərqli təsnifat metodunu seçmək seçiminiz var. 4 sinifdən istifadə etdiyim oxşar bir iş üzərində işləyirəm; qısır, ot / otlaq, meşə və meşə.


Can Keras ImageDataGenerator, -1 ilə 1 arasında bir şəkil yenidən sata bilər

Hazırda yerli kataloqumda şəkillər üçün bir GAN qururam. Buna görə Keras.ImageDataGenerator flow_from_dir konstruktorundan istifadə edirəm.

Tanların aktivləşdirilməsinə səbəb olan GAN-lar üçün konvensiya olan -1 ilə 1 arasında şəkillərimi normallaşdırmaq istərdim.

Həyata keçirmək kimi görüntünün bərpa edilməsində problem yaşayıram 1/127.5 -1 təkrar satış mübahisəsində.


USGS EROS Arxivi - Bitki örtüyünün monitorinqi - eMODIS Uzaqdan Algılama Fenologiyası

Müntəzəm ABŞ üçün doqquz tarixi Uzaqdan Algılama Fenoloji ölçümünün illik qeydləri, eMODIS məlumatlarından (2001-indiyə qədər) alınan məhsullar üçün 250 m qətnamədə mövcuddur.

Qərb bölgəsi eMODIS Fenoloji 2001-ci il üçün Mövsüm Başlandı.
(İctimai domen)

Uzaqdan Algılama Fenologiyası (RSP) kolleksiyası, Birləşmiş Ştatlar üçün doqquz illik fenoloji metriklərdən ibarətdir. ABŞ Geoloji Tədqiqat (USGS) Torpaq Resurslarının Müşahidəsi və Elm Mərkəzində (EROS) tədqiqatçılar bitki örtüyündə mövsümi dəyişiklikləri izləmək üçün peyk sensorları tərəfindən toplanan məlumatlardan istifadə edirlər. RSP proqramı üçün xammal təmin edən iki peyk sensoru, Milli Okean və Atmosfer İdarəetməsindən (NOAA) qütb-orbitə peyklərindən irəli gələn Yüksək Çox Yüksək Çözünürlüklü Radiometrdir (AVHRR) və Milli Aeronautics və xaricdə daşıyan Orta Çözünürlüklü Görüntü Spektroradiometridir (MODIS). Kosmik İdarə (NASA) Terra və Aqua peykləri. Peyk məlumatları əvvəlcə Normallaşdırılmış Fərq Bitki İndeksi (NDVI) dəyərlərinə çevrilir. AVHRR NDVI və eMODIS NDVI, RSP üçün zəmin yaradır. Zaman seriyası NDVI ümumiləşdirilə və təhlil edilə bilər ki, tam bir böyümə mövsümünü təmsil edən doqquz əsas fenoloji göstərici yaradır. Bu məlumatlar zamanla bitki həyat dövrü meyllərini sənədləşdirmək və iqlim dəyişikliyinin ekosistemlərə təsirlərini aşkarlamaq üçün güclü bir vasitədir.

Uzaqdan Algılama Fenoloji Məhsulları

Uzaqdan Algılama Fenoloji məhsulları, coğrafi koordinatları ilə Lambert Azimuthal Equal Area eşleme şəbəkəsinə istinad edilən iki fayl formatında mövcuddur:

  • Yerləşdirilmiş Tagged Image File Format (GeoTIFF) yerləşmiş coğrafi məlumatlara sahib bir TIFF sənədidir. Bu, CİS tətbiqləri üçün standart bir görüntü formatıdır.
  • Band Sequential (BSQ) şəkil faylı, faylın tərtibini və formatlamasını təsvir edən müşayiət edən bir başlıq faylı ilə ikili bir raster formatıdır.

EarthExplorer, ildən-ilə 1989-cu ildən bəri 1 km çözünürlükdə AVHRR Fenoloji məlumatlarının və 2001-ci ildən bəri 250 m çözünürlükdə eMODIS Fenoloji məlumatlarının bir rekordunu təqdim edir. Conterminous Amerika Birləşmiş Ştatları üçün doqquz illik tarixi Uzaqdan Algılama Fenoloji ölçümləri mövcuddur. hər bir məlumat dəsti üçün.

Fenoloji Metriklər

Parametr Qısaltma Fenoloji Təsvir
Genlik AMP Kanopi fotosintetik aktivliyində əsas göstəricidən maksimum artım (miqyaslı NDVI).
Müddət DUR Fotosintetik aktivliyin uzunluğu (gün sayı).
Mövsümün sonu NDVI EOSN Ölçülə bilən fotosintezin sonunda fotosentetik aktivlik səviyyəsi (NDVI dəyəri).
Mövsümün sonu EOST Bitki örtüyündə ölçülə bilən fotosintezin sonu (ilin günü).
Maksimum NDVI MAXN Çadrada maksimum fotosentetik aktivlik səviyyəsi (NDVI dəyəri).
Maksimum vaxt MAXT Çadrada maksimum fotosintez müddəti (ilin günü).
NDVI Mövsümünün başlanması SOSN Ölçülən fotosintezin başlanğıcındakı fotosentetik aktivlik səviyyəsi (NDVI dəyəri).
Mövsüm vaxtının başlanması SOST Bitki örtüyündə ölçülə bilən fotosintezin başlanğıcı (ilin günü).
Zamanla inteqrasiya olunmuş NDVI VÖEN Bütün böyümək mövsümü boyunca fotosintez fəaliyyətini əhatə edir (interpolyasiya olunmuş NDVI).

Müəyyən bir il üçün yükləmə paketi, bir zip sənədində yer alan doqquz ölçümün hər biri üçün bir GeoTIFF və ya ikili bir sənəd ehtiva edir. Mənbə məlumatlarının həqiqi başlanğıc tarixi və bitmə tarixi və hər bir fenoloji göstəricinin ətraflı təsviri ilə birlikdə hər yükləmədə verilən metadatada mövcuddur..

Əhatə dairəsi xəritələri

EMODIS Fenoloji məhsullarının mövcudluğunu göstərən əhatə xəritələrini yükləmək mümkündür.

Əlavə informasiya

Məlumatlara giriş

EarthExplorer, Fenoloji məlumatlarını axtarmaq, önizləmək və yükləmək üçün istifadə edilə bilər. AVHRR Fenoloji və eMODIS Fenoloji kolleksiyaları Bitki örtüyünə nəzarət kateqoriyası altındadır.


Təsəvvür, avtomatlaşdırma və tətbiqetmələr

İxtisasın son kursuna xoş gəlmisiniz (əlbəttə ki, daşı layihəsinə davam etməyincə!). ArcGIS haqqında öyrəndiyiniz biliklərdən istifadə edərək raster hesablamalar və uyğunluq analizi kimi texniki tapşırıqları yerinə yetirin. Bu sinifdə dörd həftəlik modullar zamanı CİS daxilində məkan təhlili və tətbiqetmələr ilə rahat olacaqsınız: 1-ci həftə: Uzaqdan idarə olunan və peyk görüntülərini öyrənəcəksiniz və elektromaqnit spektri ilə tanış olacaqsınız. Bu həftənin sonunda peyk görüntülərini onlayn tapıb yükləyə və iki ümumi analiz növü üçün istifadə edə biləcəksiniz: NDVI və təlim keçmiş təsnifat. Həftə 2: Parametrlər, ilkin şərtlər, dəyişənlər və yeni bir alət dəsti istifadə edən böyük işləmə axınları yaratmaq üçün ModelBuilder-dən necə istifadə edəcəyinizi öyrənəcəksiniz. Həqiqətən ətraflı müzakirə etməyə vaxt tapmadığımız, lakin gələcəkdə digər yollarda öyrənmək üçün iştahınızı artıracaq bir neçə mövzunu da araşdıracağıq: coğrafi kodlama, zamanla təmin edilmiş məlumatlar, məkan statistikası və ArcGIS Pro. Həftə 3: Üçüncü həftə, kəsmə doldurma aləti, təpələr, baxış yerləri və daha çox kimi bəzi yeni, xüsusi alətlərdən istifadə edərək rəqəmsal yüksəklik modelləri hazırlayırıq və istifadə edirik. Çox vacib bir də daxil olmaqla bir neçə ümumi alqoritmdən keçərik: uyğunluq analizi. Həftə 4: Son həftəyə hələ ixtisaslaşmadığımız bir neçə məkan analitik vasitələrindən bəhs edərək başlayırıq: Bölgələr Qrupu öz zonalarımızı düzəldin, Təpəni düzəltmək üçün Fokal Statistika, Dəyərləri dəyişdirmək üçün Yenidən Təsnif edək və Bir sıxlıq səthi yaratmaq üçün nöqtə sıxlığı. Nəhayət, CİS mövzularını təkbaşına öyrənməyə başladığınız zaman daha çox araşdırmaq istəyə biləcəyiniz bir neçə şey haqqında danışaraq başa vuracağıq. Müstəqil bir kurs olaraq və ya Coğrafi İnformasiya Sistemləri (CİS) İxtisaslaşmasının bir hissəsi olaraq Coğrafi və Ətraf Mühit Təhlilini aparın. Bu ixtisasa aid birinci, ikinci və üçüncü kursları, & quot; CİS-in əsasları & quot & quotGIS Məlumat Formatları, Dizayn və Keyfiyyət & quot; və & quot; Coğrafi və Ətraf Mühit Analizi & quot; bu dərsi keçmədən əvvəl müvafiq təcrübəyə sahib olmalısınız. Dördüncü sinfi bitirərək, İxtisaslaşma daşlarında uğur qazanmaq üçün lazımi bacarıqları qazanacaqsınız.

Получаемые навыки

Coğrafi İnformasiya Sistemi (CİS), Görüntü Analizi, Məkan Təhlili, peyk görüntüləri, Gis Tətbiqləri

Рецензии

Çox yaxşı bir kurs, lakin bu kursda qiymətləndirilən bəzi mövzular yaxşı izah edilməmişdir, xüsusən də uzaqdan algılama şəkillərinin işlənməsi (onları GIS-ə yükləmək və idarə etmək)

Gözəl bir kurs! yaxşı təşkil edilmiş, çox məlumat verən və resurslarla və faydalı materiallarla zəngin, kurs mövzularını müzakirə etmək üçün əla bir müzakirə forumu ilə.

Bu modulda, məsafədən algılanan məlumatlar və elektromaqnit spektri ilə girişdən başlayaraq peyk və hava şəkillərinin çəkilişi və məlumat məhsulları haqqında məlumat əldə edərək uzaqdan zondlama və peyk görüntülərini öyrənirik. Uydu görüntülərini onlayn tapmaq və yükləməyi və iki fərqli ümumi analiz növündə necə istifadə edəcəyinizi öyrənəcəksiniz: NDVI və təlim keçmiş bir təsnifat. İkinci dərsdə, Raster Calculator və Spatial Analyst istifadə edərək görüntü analizini dəstəkləmək üçün bəzi əsas vasitələrdən necə istifadə edəcəyinizi öyrənəcəksiniz.

Əvvəlcədən

Nick Santos

Tekst video

[MUSİQİ] Hər kəsə salam və xoş gəlmisiniz. Bu mühazirədə sizə normallaşdırılmış fərq bitki örtüyü indeksinin və ya NDVI-nin necə hesablanacağını göstərəcəyəm. Uzaqdan görüntülənmiş görüntülərdən istifadə edərək bir şeyin sağlam bitki örtüyü, daha az sağlam bitki örtüyü və ya ümumiyyətlə bitki örtüyü olmadığını müəyyən etmək üçün istifadə edə bilərik. Bunun üçün son mühazirədə endirdiyimiz LandSat məlumatlarını istifadə edəcəyəm, ancaq bunun bir alt hissəsidir. Mən sizə LandSat-dan beşə bir bant verirəm, buna görə hamısını yükləməyəcəksiniz və NDVI-ni hesablamaq üçün bundan istifadə edəcəyik. Buna görə əvvəlcə sizə necə və ya nə üçün vacib olduğunu və ya əks olunmuş spektrə baxaraq necə əldə etdiyimizi göstərəcəyəm və sonra bu məlumatlara əsasən NDVI-ni necə hesablayacağımıza baxacağıq. əks olunan spektr. Sonra ArcMap-da əvvəlcə görüntü analiz pəncərəsindən və sonra raster kalkulyatordan istifadə edərək iki fərqli yolla edəcəyik. Beləliklə, NDVI ilə başa düşməli olduğumuz ilk şeylərdən biri yansıtma spektrlərinin necə göründüyü və məlumat analizimiz üçün əks olunmanın nə deməkdir. Beləliklə, burada və # oxda, y oxunda sürətli bir ox çəkək, yansıtıcılığımız var, buna görə bunu yüzdə ilə ölçəcəyik, belə ki & # x27s 100%, burada & # x27s 0 aşağı, 50 orta. Və bunun mənası, sıfırda heç bir şeyi əks etdirən bir şey yoxdur, beləliklə hər hansı bir məlumatı həqiqətən hiss edə bilmərik, sensorumuza geri əks olunan bir işıq yoxdur & # x27. 50% yansıtma, bir şeyə dəyən işığın 50% -i bəzi müşahidəçilərə əks olunduğu deməkdir. Və sonra 100-ə qədər zirvəyə qədər, bir şeyə dəymək üçün işığın 100% -i peyk kameraları kimi kosmosdakı kimi bir müşahidəçiyə geri əks olunur. X oxunda dalğa boylarımız var, buna görə də & # x27 yazmağı bir az asanlaşdıraq və buna davam edəcəyik. Və burada solda, 400 nanometr kimi bir şeyimiz olduğunu söyləyək, belə ki & # x27s 400 və burada deyək ki, təxminən 700 ədəd var və sonra tamamilə xəttli miqyaslı olmayacağıq, biz & # x27 x27 burada 1200 kimi bir şey var. Bunun mənası budur ki, burada mavi işığımız var, ortada yaşıl işığımız var və qırmızı işığımız var, sonra infraqırmızı yaxınlığımız var. Xahiş edirəm biraz əl yazım üçün üzr istəyin və buraya uyğun əyrilər çəkə bilərik, fərqli şeyləri əks etdirir, buna görə bitki örtüyünə həqiqətən tez baxaq. Bitki örtüyü əks etdirir, düşünsək, bitki örtüyü görünən spektrdə yaşıl göründüyü üçün mavi və ya qırmızıdan daha çox yaşıl işığı əks etdirir. Yəni yaşıl işıq onu əks etdirir və bizə qayıdır və nə baş verirsə, bunun arasında mavi və qırmızı işığın fotosintez edilməsi və aradakı bir döngədə bir şey var. Buna bənzər şey, mavi işığın aşağı düşdüyü, yaşıl işığa bir az daha çox əks olunduğu və qırmızı işığa qayıtdığı buna bənzər bir şeydir. İndi 50-yə qədər getmir, 25-ə bənzəyir, amma bu illüstrasiya üçün yaxşıdır. Və sonra bir az da orada infraqırmızı və bir növ səviyyəyə yaxınlaşırıq. Beləliklə, burada olan ən böyük şey, çox az mavi, çox az qırmızı, bir az yaşıl və bir çox yaxın infraqırmızı əks etdirməsidir. Yenə də% 100 yansıtıcılarda həqiqətən yüksək deyil, lakin olduqca yüksəkdir. Yaxşı bu dörd zolağımız varsa, mavi, yaşıl, qırmızı və infraqırmızı rənglərimiz varsa, fərqli şeyləri necə ayırd edə bilərik? Su kimi bir şey istəsək necə görünür? Su növü burada aşağı qalır, su çox şey əks etdirmir, buna görə su burada hərəkət edir və bitki örtüyü altında olduqca aşağı olur. Bəs onda çılpaq torpaq nədir? Bəli, çılpaq torpaq növü aşağı başlayır, lakin yaşıl qədər aşağı deyil və elektromaqnit spektrinin bu aralığında olduqca sabit bir sürətlə davam edir. Deməli maraqlı bir şey budur ki, sağlam bitki örtüyünü çılpaq torpaqdan ayırmaq istəyiriksə demək olar ki, yaxın infraqırmızı hava torpağından yüksək olmalıdır, buna görə yaxın infraqırmızı dəyər daha yüksək və qırmızı dəyər olmalıdır aşağı. Çılpaq torpaqda olduqca yaxın olduqları halda, bir az fərqlidirlər. Deməli, sağlam bitki örtüyü yüksək, infraqırmızı yaxınlıqda, az qırmızı və hətta nisbətən aşağı yaşıldır, çünki yaşılda təxminən 15, 20% olmalıdır. Halbuki yaxın infraqırmızı ərazilərdə bu, 50% -ə yaxın olmalıdır. Beləliklə, istədiyimiz şeyi yenidən solda dəyişə bilərik, sadəcə nəyə baxdığımızı, bu əyri dəstlərin hər birinin nə olduğunu yoxlamaq üçün bu rənglərin hər birinin dediklərinin onlardan nə qədər işıq saçdığını yoxlamaq üçün. hər fərqli dalğa uzunluğunda. Buna görə burada, gəlin buradakı torpaq kimi bir şeydən çıxa biləcəyimiz bir növ lentlər çəkək. Beləliklə, bunları və buradakı qrupları bir-birinə bağlayacağam. Buna görə deyək ki, bu torpaq dəsti bandıdır və bu iki qara xətt arasında mavi üçün torpaq dəsti bandı var. Qaranlıqdakı çılpaq torpağın nisbətən alçaq, lakin yaşıl rəngdə bitki örtüyündən daha yüksək və mavi rəngdəki sudan daha yüksək olacağını gözləyə bilərik. Və sonra burada yaşıl işıq üçün ərazi dəsti var və bunlara bənzər bir sifariş var, amma sonra qırmızı işıqda olduqca fərqlənirlər. Su azdır, bitki örtüyü hələ də olduqca azdır, amma sonra çılpaq torpaq burada daha yüksək qalxmağa başlayır, həqiqətən bunu görməyə başlaya bilərik. Qırmızı ərazidə% 30 və ya daha çoxunu əks etdirirsə, yəqin bitki örtüyü deyilsə, yəqin ki, çılpaq torpaq kimi başqa bir şey var. Və sonra həqiqətən təsdiqləmək istəyirsənsə, demək olar ki, LandSat yaxın infraqırmızı zolağında və qırmızı zolaqda daha aşağı və ya olduqca aşağı səviyyədə əks olunarsa, sağlam bitki örtüyü ola bilər. Ancaq yaxın infraqırmızı lentdə orta dərəcədə yüksək səviyyədə və hələ də qırmızı zolaqda orta dərəcədə əks olunarsa, bunun əvəzinə çılpaq torpaq ola bilər. Beləliklə, bunu necə oxuyardıq və nə üçün istifadə edə bilərik. Beləliklə, nəzəri düşüncə təcrübəsi mənasında Normallaşdırılmış Fərqlilik Bitki İndeksinin və ya NDVI-nin nə olduğunu nəzərdən keçirək. Əvvəlcə onu hər cür ekoloji ölçmə üçün bir vəkil kimi istifadə edirik, çünki ekosistemin bitki örtüyünün sağlamlığı ilə necə bir şey etdiyini görməyin çox yaxşı bir yolu var. Deməli, bundan çıxmağa çalışdığımız şey bitki örtüyü sağlamlığıdır və bunu bütün digər məqsədlər üçün vəkil olaraq istifadə etməyimizin bir hissəsi, infraqırmızı işıq yaxınlığında qurulduğu üçün toplamaq olduqca ucuzdur. bir çox sensora. Telefonunuzdakı kamera və ya cibinizdəki rəqəmsal fotoaparat, filtri götürsəniz, infraqırmızı aşkar edə bilər. Varsayılan olaraq yalnız mavi, yaşıl və qırmızı olur, ancaq qırmızı sensör həqiqətən qırmızıya və infraqırmızıya həssas olduğu üçün & # x27 olur, buna görə sensörün qarşısında infraqırmızı işığın yaxınlığını bloklayan bir filtr var, beləliklə yalnız görünən işıq. Beləliklə, onları çevirmək həqiqətən asandır, sensorlar hər yerdə hazırdır və NDVI-nin ümumiyyətlə infraqırmızı və qırmızı işığın yaxınlığında istifadə etməsi və ucuz yollarla asanlıqla ələ keçirilməsinin səbəbi böyükdür. Və NDVI hesablamaq üçün alqoritm yaxınlıqdakı infraqırmızı zolağı götürərək qırmızı zolaq & # x27s dəyərini çıxarıb sonra bu iki zolağın cəminə bölməkdir. Və bu bir anda daha mənalı olacaq, bu barədə bir az danışacağıq. Yəni hələ də bunun nə demək olduğunu merak edirsinizsə? Oraya çatacağıq. Və əsas etibarilə bu şəkildə düşünün ki, sağlam bitkilər qırmızı işığı daha çox absorbe edirlər, çünki onu fotosintez üçün istifadə edirlər, elədir ki, qida istehsal etmək üçün istifadə edirlər. Beləliklə, qırmızı işığı udurlar, yaşıl işığı əks etdirirlər və mavi işığı mənimsəyirlər. Həm də yaxınlıqdakı infraqırmızıda çox işığı əks etdirirlər. Yəni infraqırmızı işığın yaxınlığını böyük dəyərlərdə əks etdirirlər. Yansıtıcı spektrlərdə infraqırmızı dəyərlərə yaxın olduğunuzu və qırmızı işıq üçün yaşıl dəyərlərdən bir qədər aşağı olduğunuzu gördük. Deməli, yaxınlıqdakı infraqırmızı yansıtma sağlam bitki örtüyündə olduğu kimi artarsa, normallaşan fərq bitki örtüyünün normallaşmasının bir hissəsi olan üst və alt hissələrin dəyəri də artar. Ancaq qırmızı işıq artdıqda, üst hissə azalır. Yəni bitkilər daha çox qırmızı işığı əks etdirirsə, bu, fotosintez üçün istifadə etmədikləri deməkdir, daha az sağlamdırlar. Buna görə qırmızı işığı yaxın infraqırmızıdan çıxardığımız üçün daha yüksək qırmızı dəyərlər aldığımız üçün ən yüksək dəyərimiz azalır. Və dəyəri 0-a, hətta -1-ə yaxınlaşdırır. Daha çox qırmızı işığı əks etdirirsə, infraqırmızı yaxınlığı əks etdirirsə, yəqin ki, heç bitki örtüyü də olmaz. Və sonra qırmızı yansıtıcılıq azaldıqda, bitkilər onu mənimsədikdə olduğu kimi, ən yüksək dəyər yenidən böyüyür. Deməli, qırmızı sıfıra yaxınlaşdıqda, saf infraqırmızı dəyərə yaxınlaşırıq və üstü birinə yaxınlaşırıq, deyək ki, 100% yaxın infraqırmızı əks olunduğu təqdirdə yuxarı və alt birinə yaxınlaşır. nəzəri bir vəziyyətdə deyək ki, qırmızı işığın mənfi sıfır. Və sonra altdan 100 plus 0 alırıq. Beləliklə, 100-dən 100-ə bərabərdir. Buna görə NDVI-də 1-ə yaxınlaşma sağlam bitki örtüyünə çevrilir. 0-a yaxın olanda sağlam olmayan bitki örtüyü olma ehtimalı daha yüksəkdir. Və ümumiyyətlə 0-dan aşağı bir yerdə yəqin ki, bitki örtüyü deyil. Beləliklə, dəyər 1-dən 1-ə qədərdir. Və onları bir anda görəcəyik. Və havada gördüklərimizi süzgəcdən keçirməyə kömək etmək üçün istifadə edə biləcəyiniz digər normallaşdırılmış indekslər var. Suyu təyin etmək üçün biri var və digərləri də elektromaqnit spektrində müəyyən qarşılıqlı təsirlərə çatmaq üçün fərqli zolaqlardan istifadə edənlərdir. Bu vəziyyətdə infraqırmızı yaxınlığın bitki örtüyü üçün yüksək olduğunu və qırmızı rəngin az olduğunu bildiyimiz yerdən yalnız bu iki məlumat zolağından istifadə edərək bitki örtüyünü süsləyə biləcəyimizi görmək üçün bu kiçik kiçik alqoritm yarada bilərik. Deməli infraqırmızı minus qırmızıya yaxın və ya infraqırmızı və qırmızıya yaxın bir yerdəyiksə, bunun praktikada necə görünməsi RasterCalculator ifadəsidir. Beləliklə, lentləri birləşdirirdik və bu, yalnız mavi, yaşıl, qırmızı və infraqırmızı olduğumuz bir görüntüdə olduğu üçün qırmızı Band3 olduğu və infraqırmızı yaxınlıqdakı Band4 olduğu yerdir. Ancaq Landsat ilə bunlar bir-biridir, beləliklə qırmızı 4-ə, infraqırmızı isə 5-ə yaxındır. Ancaq təsəvvür edin ki, hazırda dörd zolaqlı bir görüntümüz var, buna görə qırmızı olan imageBand4- imageBand3-də infraqırmızı yaxınlaşırıq və sonra ImageBand4 + ImageBand3 ilə bölün. Alternativ olaraq, şəkil təhlili pəncərəsindən istifadə edə bilərik. Bunu sizə göstərəcəyəm ki, bu hesablamanı xatırlamağımız olmadan bu dəyəri bizim üçün hesablaya bilərik. Gəlin ArcMap-da bunun necə işlədiyini nəzərdən keçirək. Mənim Landsat səhnəm var, bu vəziyyətdə yalnız görünən işığı göstərir. Band 4 qırmızı, band 3 yaşıl, band 2 isə mavi və NDVI-yə baxmaq istəyirəm. Əvvəlcə, yalnız görüntü analiz pəncərəsi etsin. Beləliklə Windows & gt Image Analysis-ə gedə bilərəm və uçur. Landsat_scene-ni burada, aşağıda seçsəm, NDVI üçün kiçik bir yarpağa sahib olan bir az işləmə düyməsi var. Və klikləmədən əvvəl quracağam, çünki varsayılan olaraq düzgün qurulmaya bilər, amma NDVI sekmesinde şəklimin hansı bandının qırmızı və hansı infraqırmızı olduğunu söyləməyim lazımdır. Beləliklə, əvvəlcə buna bənzər bir şey ola bilər və buna görə də Band 4-in qırmızı olduğunu və Band 5'in infraqırmızı yaxın olduğunu söyləməyim lazımdır. Və ehtimal ki, əvvəlcə də belə olacaq və Elmi Çıxış düyməsini yoxladıq. Və OK düyməsini basacağam və NDVI almaq üçün indi o yarpaq düyməsini vuracağam. Və burada mənə bir illüstrasiya verir, buna görə yaşılın sağlam bitki örtüyü olma ehtimalı daha yüksəkdir və sonra yaşıl olmayan rənglər ümumiyyətlə bitki örtüyü deyil. Beləliklə, bu göllərin açıldığını görə bilərsiniz. Sonra burada dağlarda ağır bitki örtüyünü görə bilərik və buradakı əkinçilik sahələrində yüksək NDVI dəyərləri ilə üzə çıxırıq. Bu, sadəcə rəng xəritəsi xəritəsidir. Buradakı şeylərə xüsusi rənglər təyin etmək və dəyərlər xüsusilə heç bir məna daşımır. Bizə yalnız öz gözlərimiz üçün bir nümunə verir. Buna görə elmi çıxış seçimindən istifadə edək və yenidən işə salaq. Və bu vəziyyətdə, dediklərimdən daha çoxunu əldə edirik. 1-in yüksək dəyəri, 1-inin aşağı qiyməti. Bitki örtüyü deyil, göllərin mənfi 1-ə daha yaxın olduğunu görə bilərik. Ağa ən yaxın dəyərlər əkinçilik bölgələrində əvvəllər gördüyümüz dəyərlərdir. və dağlarda bitki örtüyü olma ehtimalı daha yüksək idi. Və burada baş verənlər, yüksək infraqırmızı yansıtıcılığa və aşağı qırmızı yansıtıcılığa sahib olduqlarını xatırlayın. Yəni yaxın qırmızı infraqırmızıdan qırmızı çıxarsaq, üstündə bir az yüksək, müsbət dəyər var, çıxsaq və ya altındakı qırmızıya yaxın infraqırmızı əlavə etsək, alt hissədə də bənzər bir dəyər alarıq. Çünki qırmızı aşağı qiymət onu tənliyin həm yuxarı, həm də alt hissəsində əhəmiyyətsiz edir. Çox az fərq var. Deməli, demək olar ki, yalnız infraqırmızı bölməklə 1-ə yaxın bir şey əldə edirik. Və bu, bu xüsusi görüntüdə parlaq bir nöqtə kimi görünür və bitki örtüyü olma ehtimalı daha yüksəkdir. İndi Image Analysis pəncərəsindən istifadə etmirəmsə, Raster Calculator ilə etmək istəsəm, bu lentləri xəritəmə ayrıca yükləməyim lazım olacaq. Beləliklə, Data əlavə etmək üçün gedə bilərəm. Beləliklə, mən Veri əlavə et düyməsinə gedəcəyəm və sizə bu nümayiş üçün Landsat məlumatlarının beş zolaqlı bir versiyasını verdim, belə ki hər şeyi yükləməməlisiniz və mən də bunu kompüterimdə tapacağam. Yenidən zolaqlara iki dəfə vursam, yalnız ehtiyac duyduğum iki zolağı xəritə sənədimə ayrı zolaqlar kimi əlavə edə bilərəm. Yükləməyinizdə, Paketlər qovluğundakı ArcGIS altındakı Sənədlər qovluğunuzda olacaq & # x27, çünki xəritə paketlərinin çıxarıldığı & # x27. Beləliklə, bunun üçün bu adla çıxardığınız paketi o qovluqda tapa və sonra ArcGIS 10.3 qovluğunda tapa bilərsiniz. Bu məlumatları içərisində olan geo-verilənlər bazası. Buna görə xəritə paketini yükləsəniz, olduğu yerdəki & # x27s. İndi bunların hər ikisinə sahib olduğum üçün Raster Kalkulyatorda istifadə edə bilərəm. Beləliklə, ArcToolbox-a, boşluq analitik xəritəsi cəbrinə gedərəmsə, Raster Kalkulyatoruna gedin. Və bu iki qrupa girişim var. Və bu iki bant Raster Kalkulyatorunda raster olaraq. Və bir növ bu tənliyin bir versiyasını qura bilərəm. Buna görə əvvəlcə biraz səhv olduğunu bildiyim şəkildə etsin, amma düzgün görünəcək. Buna görə birlikdə edək. Buna görə əvvəlcə onu # bildiyimiz şəkildə bir araya gətirək. Yaxınlıqdakı infraqırmızı zolağı götürüb qırmızı zolağı çıxarmaq lazım olduğunu bilirik. Və bunları bir yerə toplayın ki, bu da ayrı baş verər. Əməliyyatlar sırasına görə əvvəlcə bu çıxma baş verir və sonra mən bu dəyəri bu digər dəyərə bölürəm. Mən yaxın infared və qırmızı edəcəyəm. Və sonra bu əlavə bölünmədən əvvəl baş verəcəkdir. Beləliklə, çıxma baş verəcək, əlavə baş verəcək və sonra çıxarılan dəyərlər əlavə dəyərlərə bölünəcəkdir. Varsayılan coğrafi verilənlər bazasına qoymağına icazə verdim və ndvi_try1 adını verdim və OK düyməsini basacağam. Və Raster Kalkulyatorunu işə salacaq və buraya gəldiyim üç dəyər əldə etməyimdir. Buradakı rəng rampasındakı dəyərlər aralığı deyil, 3, -1, 0 və 1 dəyərləri alıram. Və bunları tam ədədi olaraq şərh etdiyi üçün & # x27. Giriş rasterləri o deyil. Giriş rasteri, bütün bu dəyərlərin hər zolaqdakı intensivlik üçün tam dəyərlər olduğu bir tam rasterdir. Beləliklə, 0-dan 44.825-ə gedirik. Beləliklə, tam ədədi istifadə edənlər & # x27s olduğundan, tam ədədi riyaziyyat edir və mənə istədiyimiz ondalık deyil, tam olaraq ədədi verir. Beləliklə, çalışdığımızı götürək və bunu yenidən sınayaq və bunu ndvi_try2 halına gətirəcəyəm. Nə etməliyik, Riyaziyyat bölməsində, bir Float funksiyası var. Beləliklə, Float funksiyasını orada yerləşdirəcəyik. Və əsasən riyaziyyat əməliyyatı etmədən əvvəl bunların hər birini üzən nöqtə rasterinə çevirməyə məcbur edəcəyik. Və həqiqətən, bölünmədən əvvəl buradan kənarda da hərəkət edə bilərik. Tam ədəd olaraq çıxara bilərik, amma sonra üzən nöqtə rasterlər kimi bölünməliyik. Beləliklə, bu hissələrin hər birini Float funksiyasına bükürəm, əsasən ikiqat rasterlərə çevirmək üçün düzdür? Üzən nöqtə və ya ikiqat məlumat növü. Beləliklə onları bunlardan birinə çeviririk və sonra bu yeni üzən nöqtə rasterləri arasında bölünməni edirik. Buna, məlumatlarımızın tökülməsi deyilir, iki məlumat növü arasında çevrilir. Bu vəziyyətdə bir ədədi ikiqat olaraq tökürük və sonra bölmə olaraq üzən nöqtə riyaziyyatı edə bilərik. Beləliklə, bunu sınayaq və OK düyməsini basacağam, hey. Haradasa mötərizəmi qarışdırdım. Və buradakı əlavə mötərizəyə ehtiyacım olmadığı və sonra burada artıq sonunda bir əlavə var. Beləliklə, OK düyməsini basacağam və burada Raster Calculator-u yenidən çalıştırın. İndi isə ArcGIS-in bizim üçün NDVI hesabladığı vaxta əsasən əvvəllər gözlədiyimizdən və ya əvvəllər əldə etdiyimizdən daha çox şey əldə edirik. Və istəsəm, yenidən Image Analysis istifadə edə bilərəm. Sadəcə, buradakı digər təbəqələri bağlayacağam və hesabladığı NDVI-yə və hesabladığımız NDVI-yə sahib olacağam. Və sadəcə sürüşdürüb necə edəcəyini və ya görsel olaraq eyni göründüyünü görürük. Əslində, sürüşdüyümü görə bilməzsiniz, çünki ona təyin edilmiş rəng rampaları eynidir və dəyərlər aralarında eynidir. Tamam, indi NDVI-ni iki fərqli şəkildə necə hesablayacağımızı bilirik. NDVI sizin üçün hələ bir az qarışıqdırsa, bu barədə hələ çox narahat olmayın. Bundan imtina etməyinizi istədiyim budur ki, NDVI hesabladığınız zaman, 1-ə yaxın dəyərlərin bitki örtüyü olma ehtimalı daha yüksəkdir. Və bir çox dəfə, 0.5 hələ bitki örtüyüdür. Ancaq 0-a yaxınlaşdıqda dəyərlər bitki örtüyü və ya sağlam bitki örtüyü deyil. Və sonra -1-ə yaxınlaşdıqda, ümumiyyətlə bitki örtüyü olmayan şeylərə daha çox baxırsınız. Beləliklə, bunu xatırlayırsınızsa, ən vacib hissə budur. Və sonra hesablamaq hələ bir az daha mürəkkəbdir. Bu videonun hissələrinə yenidən baxmağa cəhd edə və ya müzakirə forumlarında bir sual verə bilərsiniz. Bunu düzəltməyə çalışın, beləliklə nə baş verdiyini bir az başa düşsünüz. Ancaq əsasən bu kurs üçün bilməli olduğunuz şey, bunu necə şərh etmək və sonra mövcud olmasıdır, buna görə ehtiyacınız olduqda necə hesablayacağınızı öz işinizdə qarşılaşdığınız zaman axtarmağa davam edə bilərsiniz. Tamam, bu mühazirə üçün. Bu mühazirədə yansıtıcı spektrləri müzakirə etdik və sonra NDVI-nin nə olduğunu və ArcGIS-də iki ayrı şəkildə necə hesablanacağına baxdıq. NDVI alətindən və Raster Kalkulyatordan istifadə edərək görüntü analiz pəncərəsində. Bilirəm ki, bu uzun bir mühazirə idi, amma inşallah dəyərli idi. Növbəti dəfə görüşərik.


Kitabxanaların idxalı və bir qığılcım iclası yaradılması

Sonra EarthAI-dən lazımi kitabxanaları və asılılıqları idxal edəcəyik. Bu da öz növbəsində yeni bir SparkSession yaradır. Buraya earth_on_demand, rasterframes və pyspark daxildir

RasterFrames yerleşimdir açıq mənbə Python, Scala və SQL üçün raster işləmə kitabxanası, bir neçə mexanizm vasitəsilə mövcuddur. RasterFrames, məkan müvəqqəti sorğuları, cəbr raster əməliyyatlarını və Spark ML ilə qarşılıqlı əlaqəni təmin edən, ixtiyari coğrafi məkan raster məlumatları üzərində DataFrame mərkəzli bir görünüş təmin edir.


Verilərinizi necə, nə vaxt və niyə normallaşdırmalı / standartlaşdırmalı / yenidən ölçməlidir?

Bu mövzuya dalmazdan əvvəl əvvəlcə bəzi təriflərlə başlayaq.

"Rescaling" bir vektor, bir sabit əlavə etmək və ya çıxarmaq, sonra bir sabiti çoxaltmaq və ya bölmək deməkdir, məsələn, məlumatların ölçü vahidlərini dəyişdirmək üçün etdiyiniz kimi, bir temperaturu Selsidən Fahrenheytə çevirmək.

"Normallaşdırma" bir vektor ən çox vektorun normasına bölmək deməkdir. Həm də bütün elementlərin 0 ilə 1 arasında olmasını təmin etmək üçün, ümumiyyətlə, vektorun minimumu və diapazonu ilə yenidən ölçülməyə işarə edir, beləliklə verilənlər bazasındakı ədədi sütunların bütün dəyərlərini ümumi miqyasa gətirir.

“Standartlaşdırma” vektor ən çox yer ölçüsünü çıxartmaq və miqyas ölçüsünə bölmək deməkdir. Məsələn, vektorda Gauss dağılımı ilə təsadüfi dəyərlər varsa, ortanı çıxarıb standart sapmaya bölə bilər və bununla da ortalama 0 və standart sapma 1 ilə “standart normal” təsadüfi dəyişən əldə edə bilərsiniz.

Bu yazını oxuduqdan sonra biləcəksiniz:

  • Verilərinizi niyə standartlaşdırmalı / normallaşdırmalı / miqyaslamalısınız?
  • Standart skalerdən istifadə edərək 0 orta və vahid dispersiyasına sahib olmaq üçün ədədi xüsusiyyətlərinizi necə standartlaşdırmaq olar
  • Min-max skalarından istifadə edərək 0 ilə 1 arasındakı ədədi xüsusiyyətlərinizi necə normallaşdırmaq olar
  • Sağlam skalar istifadə edərək normallaşdırmaq üçün necə
  • Standartlaşdırma və ya normallaşdırma nə vaxt seçiləcək

Niyə Dəyişənləri Standartlaşdırmalı / Normallaşdırmalısınız:

Standartlaşdırma:

Fərqli vahidlərə sahib ölçmələri müqayisə etdikdə mərkəzin və 0-un ətrafındakı xüsusiyyətləri standart 1-lik bir sapma ilə standartlaşdırmaq vacibdir. Variables that are measured at different scales do not contribute equally to the analysis and might end up creating a bais.

For example, A variable that ranges between 0 and 1000 will outweigh a variable that ranges between 0 and 1. Using these variables without standardization will give the variable with the larger range weight of 1000 in the analysis. Transforming the data to comparable scales can prevent this problem. Typical data standardization procedures equalize the range and/or data variability.

Normalization:

Similarly, the goal of normalization is to change the values of numeric columns in the dataset to a common scale, without distorting differences in the ranges of values. For machine learning, every dataset does not require normalization. It is required only when features have different ranges.

For example, consider a data set containing two features, age, and income(x2). Where age ranges from 0–100, while income ranges from 0–100,000 and higher. Income is about 1,000 times larger than age. So, these two features are in very different ranges. When we do further analysis, like multivariate linear regression, for example, the attributed income will intrinsically influence the result more due to its larger value. But this doesn’t necessarily mean it is more important as a predictor. So we normalize the data to bring all the variables to the same range.

When Should You Use Normalization And Standardization:

Normalization is a good technique to use when you do not know the distribution of your data or when you know the distribution is not Gaussian (a bell curve). Normalization is useful when your data has varying scales and the algorithm you are using does not make assumptions about the distribution of your data, such as k-nearest neighbors and artificial neural networks.

Standardization assumes that your data has a Gaussian (bell curve) distribution. This does not strictly have to be true, but the technique is more effective if your attribute distribution is Gaussian. Standardization is useful when your data has varying scales and the algorithm you are using does make assumptions about your data having a Gaussian distribution, such as linear regression, logistic regression, and linear discriminant analysis.

Dataset:

I have used the Lending Club Loan Dataset from Kaggle to demonstrate examples in this article.

Importing Libraries:

Importing dataset:

Let’s import three columns — Loan amount, int_rate and installment and the first 30000 rows in the data set (to reduce the computation time)

If you import the entire data, there will be missing values in some columns. You can simply drop the rows with missing values using the pandas drop na method.

Basic Analysis:

Let’s now analyze the basic statistical values of our dataset.

The different variables present different value ranges, therefore different magnitudes. Not only the minimum and maximum values are different, but they also spread over ranges of different widths.

Standardization (Standard Scalar) :

As we discussed earlier, standardization (or Z-score normalization) means centering the variable at zero and standardizing the variance at 1. The procedure involves subtracting the mean of each observation and then dividing by the standard deviation:

The result of standardization is that the features will be rescaled so that they’ll have the properties of a standard normal distribution with

where μ is the mean (average) and σ is the standard deviation from the mean.

StandardScaler from sci-kit-learn removes the mean and scales the data to unit variance. We can import the StandardScalar method from sci-kit learn and apply it to our dataset.

Now let’s check the mean and standard deviation values

As expected, the mean of each variable is now around zero and the standard deviation is set to 1. Thus, all the variable values lie within the same range.

However, the minimum and maximum values vary according to how spread out the variable was, to begin with, and is highly influenced by the presence of outliers.

Normalization (Min-Max Scalar) :

In this approach, the data is scaled to a fixed range — usually 0 to 1.
In contrast to standardization, the cost of having this bounded range is that we will end up with smaller standard deviations, which can suppress the effect of outliers. Thus MinMax Scalar is sensitive to outliers.

A Min-Max scaling is typically done via the following equation:

Let’s import MinMaxScalar from Scikit-learn and apply it to our dataset.

Now let’s check the mean and standard deviation values.

After MinMaxScaling, the distributions are not centered at zero and the standard deviation is not 1.

But the minimum and maximum values are standardized across variables, different from what occurs with standardization.

Robust Scalar (Scaling to median and quantiles) :

Scaling using median and quantiles consists of subtracting the median to all the observations and then dividing by the interquartile difference. It Scales features using statistics that are robust to outliers.

The interquartile difference is the difference between the 75th and 25th quantile:

The equation to calculate scaled values:

First, Import RobustScalar from Scikit learn.

Now check the mean and standard deviation values.

As you can see, the distributions are not centered in zero and the standard deviation is not 1.

Neither are the minimum and maximum values set to a certain upper and lower boundaries like in the MinMaxScaler.

I hope you found this article useful. Happy learning!

İstinadlar

How, When and Why Should You Normalize/Standardize/Rescale Your Data? was originally published in Towards AI — Multidisciplinary Science Journal on Medium, where people are continuing the conversation by highlighting and responding to this story.


Rescaling each image Individually with keras

I am a beginner working on a simple CNN to classify X-ray detector images. Due to source intensity, all images have different max values. I want to use ImageDataGenerator to rescale those images to be in range [0,1], but cant't find a way to do that for each individual image. As far as I understand it, people usually just divide by 255 because that is the RGB max, but in my case the max could be anything between 1 and serveral million. Does anyone have an idea how to do this within ImageDataGenerator? Thank you for your time!

Edit: I ran over my images and normalized all of them prior to feeding them to the generator. Inspecting them then showed that the generator had scaled them back to rgb values (I assume due to color_mode). I then used rescale with the standard 1./255 and got the expectd max value of 1. However, after adding back samplewise_std_normalization, I again am getting values larger than 1. I understand why this is happening, but I'm not sure which "rule" is more important to follow: normalize to [0,1] or use samplewise_std_normalization


Data Products from sUAS collected imagery

New processing techniques, developed by NUPO researchers to utilize the higher resolution data collected by sUAS, generate the leading-edge geospatial data products needed to best support DOI scientific research.

Geospatial products that can be generated from UAS collected imagery include:

Orthophotos

Raw imagery captured by camera sensors is converted into orthophotos using the orthorectification process. This process removes the effects of topography and any sensor tilt to produce a distortion-free aerial photograph with a uniform scale. Orthorectification of sUAS imagery utilizes Structure from Motion (SfM) software and precise GNSS data acquired during the flight to produce high-resolution orthophotos. These orthophotos may have ground sample distances of less than 5 centimeters. A series of high-resolution orthophotos can be combined into a seamless orthomosaic a common technique used to produce base-maps supporting geospatial analysis.

Natural color (RGB) imagery from commercially available low-cost digital single-lens reflex cameras, mirrorless interchangeable-lens cameras, or point-and-shoot cameras can generate orthophotos used to produce the most common type of base map, a natural color orthomosaic.

Thermal imagery from sensors such as the FLIR Vue Pro R captures non-contact temperature measurements that generate thermal orthophotos. Thermal orthophotos contain 16-bit radiometrically calibrated raster data each pixel has an associated absolute surface temperature.

Color infrared orthophotos and orthomosaics are generated from multispectral sensors like the MicaSense RedEdge and MicaSense Altum. These sensors detect the visible and near-infrared wavelengths (in individual bands) needed to support vegetative analysis.

Orthomosaic of the Northeast Indiana study site generated from Ricoh GR natural color images

Point Clouds and 3D Models

Point clouds are a set of geographic data points in a three-dimensional coordinate system derived by either SfM processing techniques (photogrammetrically from overlapping raster images) or collected directly by LiDAR scanners. True-color point clouds are generated by processing the natural color imagery in SfM software or combining this imagery with LiDAR data collected at the same location.

Closeup of the 3D model that was generated for Devils Tower in Wyoming

Contours

Elevation values derived from UAS point clouds are an ideal data source for generating contour lines. Contour lines represent equal elevations of a surface and contour intervals represent the elevation difference between successive contours. Contour maps are used for terrain visualizations showing valleys, hilltops, and the steepness of slopes.

Contours over the Piute Valley in southern California derived on a ground sample distance (GSD) of 1.4 inch

Elevation Models (DEMs, DSMs, DTMs)

A digital elevation model (DEM) is a generic term for digital topographic and bathymetric data. A DEM or a Digital Terrain Model (DTM) implies an x, y coordinate system and z values of bare-earth terrain, i.e. void of vegetation and man-made features. Digital surface models (DSMs) are a form of DEM that contains surface elevations of natural terrain features in addition to vegetation and man-made features. Both sUAS acquired LiDAR data and photogrammetry derived point cloud data can be used to generate accurate DEMs/DTMs and DSMs.

Digital Surface Model of the West Fork Mine in Missouri generated from high-resolution imagery (5-10 cm pixel size) and elevation data (6-10 cm vertical and 2-4 cm horizontal resolution)

Extracted Features

A high-resolution orthomosaic generated from imagery collected on low-altitude UAS flights provides an ideal source for accurately identifying small-scale (<1 m) to larger-scale objects (>1 m) with feature extraction. This automated process recognizes spatial and spectral patterns within an image and can outline or classify those features into a newly defined dataset. Examples of objects identified using feature extraction include outlining individual tree crowns and identifying birds or other animals for population estimates.

Extracted bird locations at the Chase Lake National Wildlife Refuge pelican nests (red), cormorant nests (blue), gull/snowy egret non-nesting (black)

Normalized Difference Vegetation Index (NDVI)

Orthomosaics made from UAS collected multispectral imagery with bands in the visible red and near-infrared (NIR) range can be used to generate Normalized Difference Vegetation Index (NDVI) maps. NDVI calculations create a standardized index utilizing the amount of red light compared to NIR light reflected from a plant. The bright red display of an NDVI color ramp indicates areas with high NIR reflectance associated with healthy plants. The blue shades of the color ramp indicate lower NIR reflectivity and possibly less healthy vegetation.

Normalized Difference Vegetation Index (NDVI) derived from an orthomosaic of near infrared imagery taken from approximately 400 feet AGL over the Sycan River in the Klamath Basin in Oregon


Giriş

Since the mid-1990s, the number of equine West Nile virus (WNV) outbreaks and their severity have increased (Castillo-Olivares and Wood, 2004). Outbreaks have recently been recorded in Morocco (1996), Israel (1998–2000), Italy (1998) and France (2000, 2004). The North American outbreak of equine WNV disease exploded during 2002, with nearly 15,000 laboratory confirmed cases in 44 American states, 5 Canadian provinces and 3 Mexican states. Horses are particularly susceptible to WNV infection and may present with acute clinical signs of encephalomyelitis, such as ataxia, rearlimb paresis, muscle tremors and fasciculations, and recumbency. Although 80% of affected horses recover in 3–4 weeks, a small proportion has persistent neurological deficients. Treatment is supportive, including the use of anti-inflammatories, vitamins, fluids and antibiotics (Ostlund et al., 2001, Porter et al., 2003, Salazar et al., 2004, Snook et al., 2001, Trock et al., 2001, Ward et al., 2005). The cost of WNV disease to the U.S. equine industry is substantial, and this disease remains an important zoonosis.

WNV is maintained within a mosquito-wild bird transmission cycle. The mosquito species Culex pipiensC. salinarius might be important vectors of WNV in horse populations in parts of the United States (Nasci et al., 2002). The vector-borne transmission of WNV makes it possible to identify foci of disease based on the presence of specific habitat factors, such as vegetation and standing water (White, 2001). The location of suitable vector mosquito habitats can be identified by the characteristics of vegetation cover. The Normalized Difference Vegetation Index (NDVI), derived from remotely sensed imagery, is associated with photosynthetically active radiation and has been used to characterize vegetation cover. It is calculated from measured brightness values based on the absorption, transmittance and reflectance of energy by vegetation in the visible red and near-infrared wavelengths of the electromagnetic spectrum (Derring and Haas, 1980, Jensen, 1996, Lyon and McCarthy, 1995).

The NDVI is the most commonly used vegetation index in health studies (Kitron and Kazmierczak, 1997). The use of remote sensing in epidemiology is based on the development of a logical sequence linking measures of radiation from a sensor on an aircraft or a satellite, to measures of a disease and its corresponding vector or host (Crombie et al., 1999). NDVI data, collected by the National Oceanic & Atmospheric Administration’s Advanced Very High Resolution Radiometer (AVHRR) satellite, have moderate spatial resolution (1 km 2 ) but high temporal resolution (Senay and Elliott, 2000). The NDVI has been used to classify habitat suitability for disease vectors, such as Ixodes scapularis (Ogden et al., 2006) and I. pacificus (Eisen et al., 2006) ticks (Lyme disease), Anopheles spp. mosquitoes (malaria) (Shililu et al., 2003) and Culicoides spp. (bluetongue) (Purse et al., 2004).

AVHRR satellite sensor data have been applied to describe the distribution of WNV in North America (Rogers et al., 2002). Based on this analysis, it has been suggested that the mild winter of 1998–1999 in the northeast of the United States provided conditions favorable for WNV transmission and perhaps allowed greater over-winter survival of hibernating mosquitoes. Higher NDVI values (indicative of suitable vector habitat) have been associated with clusters of human cases of WNV in New York City (Brownstein et al., 2002). In a study of an outbreak of WNV encephalomyelitis in a population of unvaccinated horses located in northern Indiana, U.S.A., a higher NDVI was found surrounding case, versus control, premises (Ward et al., 2005). It was concluded that the NDVI may be useful for identifying foci of WNV transmission. Remotely sensed data have also been used to identify potential environmental risk factors associated with WNV disease in horses in Camargue, France (Leblond et al., 2007). Biotypes that included rice fields and open water were associated with the presence of WNV cases. However, the temporal resolution (3 monthly) of satellite data available in this study was an issue. Since WNV transmission may be focal (Komar et al., 2001), using satellite imagery to estimate risk at unsampled locations can vastly supplement limited field resources (Brownstein et al., 2002).

The objective of this study was to determine if the NDVI was associated with equine West Nile virus disease seasonality – periods of above- or below-average reported cases – in Texas between 2002 and 2004. The long-term goal of the research is to develop an early-warning system for WNV disease risk in equine populations.


Materials and methods

Description of study area

This study was conducted in Waghimra Zone Easter part of Amhara National Regional state, Ethiopia. It is located 435 km far from Bahir Dar, and 720 km from Addis Ababa. Geographically Waghimra Zone is located between 12°15´and 13°16´ N latitude and 38°20´and 39°17´ E longitude (Fig. 1). The most common features of the zone are its rugged topography characterized by mountains, steep escarpments and deeply incised valleys (Berhanu 2015). It has a mean annual rainfall of 150 to 700mm in which the highest rainfall occur during summer season which starts in mid-June and ends in early September. The rainfall pattern in the area is relatively erratic and unpredictable.

Location map of the study area

Data source and methods of data collection

For this study an expedited MODIS (eMODIS) NDVI Terra image at 250m spatial resolution were used to monitor vegetation condition. Since this study aims to assess agricultural drought data for crop growing season months from June to September for the 17 years period (2000 to 2016) were downloaded from (https://earthexplorer.usgs.gov website). Enhanced/expedited/expandable MODIS (eMODIS) data provides separate Geostationary Earth Orbit Tagged Image File Format (GeoTIFF) for each product in a 10 day interval, allowing the users to download only the files they need. For example, the eMODIS NDVI imagery for the month of June 2015 includes NDVI data from June 1st–10th, 6th–15th, 11th–20th, 16th–25th, 21st–30th, and 26th–July 5th (Zhumanova et al. 2018). In this study 21st to 30th day interval of eMODIS NDVI imagery were taken for analysis purpose for the growing season of crops.

Monthly rainfall data recorded for 17 years were collected from Ethiopian National Meteorological Service Agency. Rainfall data was used to analyze relation between NDVI with variability of rainfall to drive standard precipitation index (SPI). In addition seasonal rainfall map was prepared from latitude/longitude files of those stations (Table 1 and Fig. 2). To validate rainfall and satellite derived indices agricultural production yield data was collected from Waghimra Zone Agricultural office from the period 2000 to 2016.

Location of weather station in Waghimra Zone Ethiopia

Data processing and analysis

One weekly or 10 day’s composite eMODIS data sets include NDVI, quality, acquisition image, and acquisition table and metadata files. In this study, NDVI and quality data has been used to calculate NDVI metrics. Quality files have been used to get the reliability of eMODIS NDVI image product which is computed in ArcGIS 10.5 spatial analysis tool (Eq. 1).

where, reliable NDVI = reliable NDVI image which have values range from 0 to 10,000, QC = quality image which have values from 0 to 10 where 0 is good values and 10 is fill values, NDVI is image which have values ranges from − 2000 to 10,000 where − 2000 is fill values and − 1999 to 10,000 is valid range. After applying scale factor (the scale factor is 0.0001) NDVI values range from − 0.2 to1.0 where valid/normal valid or normal NDVI ranges from 0.0 to 0.1 (Zhu et al. 2013) (Eq. 2).

Time series NDVI variation was derived from the calculation of NDVI using the eMODIS NDVI data set for the year 2000 to 2016 and also used to generate the maximum, minimum and average NDVI values of each season for the year 2000 to 2016 using ArcGIS 10.5 environment spatial analysis tool. Based on the threshold value Vegetation Condition Index was computed. To determine average value of monthly and seasonal composites of NDVI values, float (math) and cell statistics toolset of ArcGIS 10.5 were applied.

Vegetation condition index (VCI)

Normalize Different Vegetation Index (NDVI) has been extensively used in the past for vegetation monitoring it is often very difficult to interpret in relation to vegetation condition, especially when comparing different ecosystems. The vegetation condition index reflects the overall effect of rainfall, soil moisture, weather and agricultural practices (Kogan 1995). To compare the current NDVI with historical Vegetation Condition Index was used (Liu and Kogan 1996). Accordingly in areas like Waghimra which have different ecosystems and non-homogenous topography VCI is important for one to compare the weather impact in areas with different ecological and economical resources, since the index captures rainfall dynamics better than the NDVI particularly in geographically non homogeneous areas.

The VCI has been used to estimate the climate impact on vegetation. This index is most useful during the growing season because it is a measure of vegetation vigor. When the vegetation is dormant (not in the summer season), the VCI cannot be used to measure moisture stress or drought. In different parts of the world Vegetation Condition Index has been extensively used to monitor vegetation conditions (Bhuiyan et al. 2006 Winkler et al. 2017 Demisse et al. 2018 Tadesse et al. 2014). Anything that stresses the vegetation including insects, disease, and lack of nutrients will result in decreases in plant growth and therefore lower VCI values. Also, areas that have significant irrigation may not respond to precipitation deficiencies (Quiring and Papakryiakou 2003). As shown in Eq. (3) Vegetation condition index normalize NDVI on pixel by pixel basis scaling between the maximum and minimum value of NDVI (Liou and Mulualem 2019). For each monthly and seasonal NDVI image, VCI will be processed from 2000 to 2016 using the ArcGIS raster calculator (Eq. 3).

where, NDVImax and NDVImin are calculated from the long-term record for that month, and j is the index of the current month in ArcGIS cell statistics. VCI value is being measured in percentage ranging from 1 to 100 reflecting change in vegetation condition from extremely low to high VCI (Liu and Kogan 1996). The VCI values between 50 and 100% indicates slight or optimal/normal conditions whereas VCI values close to zero percent reflects an extreme dry season (Thenkabail et al 2004).The VCI was reclassified into five clusters (Table 2).

Standardized precipitation index (SPI)

Standard precipitation index, developed by Mckee et al. (1993) is the most widely used index for calibrating the magnitude and duration of drought events. SPI is used to examine the severity and spatial patterns of drought distribution in a given region (Guttman 1998 and Wattanakij et al. 2006). Guttman (1998) has made comparison of Palmers Drought Severity Index (PDSI) and SPI, and recommend SPI as drought index, as it is easy to determine and has greater spatial consistence. It has been used in many studies to determine the frequency of precipitation distribution like the effect of the time scales on the drought parameters, and the spatial classification of drought patterns (Edossa et al. 2010 Hayes et al. 2011 Gebrehiwot et al. 2011 Mohammed et al. 2018). In this study the SPI values at two time-scales, (three months SPI-3) was computed. Seasonal rainfall data have been used as an input to compute the SPI for the periods 2000–2016. Spatial distribution of meteorological drought was prepared from latitude/longitude files of those stations (Table 1 and Fig. 2).

The software which automatically calculates SPI value by using observed monthly rainfall data to detect historical drought at 1, 3, 6, 9, 12, 36 and 48 months ‘ time scale. It is freely available at (https://drought.unl.edu/droughtmonitoring/SPI/SPI Program.aspx) website.

Mathematically SPI is calculated based on following empirical formula (Eq. 4)

where, (Xij = is the seasonal precipitation and, Xim is its long-term seasonal mean and σ is its standard deviation). SPI results computed from seasonal rainfall data were assigned to each grid cell of the study area and reclassified based on drought severity classes (Table 3). Positive SPI values indicate the rainfall is greater than median rainfall and negative values indicate less than median rainfall. SPI values of meteorological stations have been spatially interpolated using inverse distance weight of ArcGIS spatial analysis tool box to create drought severity map of study area at multiple time scale.

Drought frequency analysis

In this study the seasonal frequency maps derived from agricultural and metrological drought indices were reclassified into common scale based on the frequency of drought occurrence. To generate drought frequency map, each drought indices have been reclassified in to binary images for each of the drought severity class. Those maps are added to obtain the frequency of slight, moderate, severe and very severe drought occurrence at each pixel level for both agricultural and meteorological drought. The resultant severity maps were then added to get agricultural and meteorological drought risk maps. The probability of drought occurrence in a given area can be classified into high, moderate and low drought probability zones when drought occurs in more than 50%, 30 to 50%and less than 30%of the years, respectively (Lemma 1996). Based on these criteria, the frequency maps of each drought classes are reclassified into five classes based on the frequency of drought occurrence in study periods: 0–2 classified as no drought 3–4 as slight drought 5–8 as moderate drought 9–13 as severe drought 13–16 as very severe drought. Finally, maps from agricultural and meteorological drought frequency maps were weighted according to the percentage of influence, and then combined using weighted overly analysis (Fig. 3).


Videoya baxın: NDVI via drone