УНИВЕРЗИТЕТ У НОВОМ САДУ

ФАКУЛТЕТ ТЕХНИЧКИХ НАУКА У

НОВОМ САДУ

ПРЕДМЕТ: Увод у даљинску детекцију и рачунарску обраду слике

СТУДИЈСКИ ПРОГРАМ: Геодезија и геоинформатика

ДЕТЕКЦИЈА ПОТЕНЦИЈАЛНИХ ПРОМЕНА НА ПОДРУЧЈУ ВИНОГРАДА

-Група 5-

Студент: Андрија Кљајић ГГ11-2018 Професор: Душан Јовановић

Асистент: Милан Гавриловић

Нови Сад, 2021/22 год.

Садржај
Увод............................................................................................................................................................ 1

Анализа литературе на основу које је урађен задатак ........................................................ 3

Подручје винограда .................................................................................................................. 8

Опис поступка анализе.......................................................................................................... 10

Резултати и прилози ......................................................................................................................18

Закључак.............................................................................................................................................42

Литература.............................................................................................................................43
 1. УВОД

Даљинска детекција представља метод прикупљања информација путем система који

нису у директном, физичком контакту са испитиваном појавом или објектом. Назив
даљинска детекција је слободан превод енглеског термина Remote Sensing. Када се говори о
даљинској детекцији обично се мисли на уређаје (било да су они на авиону, сателиту) за
прикупљање података о животној средини. Ипак, авион који врши аероснимања,
опсервацију Земље или сателит који прати метеоролошке промене, ултразвук којим се
контролише стање плода у материци или уређаји за осматрање свемира, све су то видови
даљинске детекције. Принцип даљинске детекције се своди на систематско мерење
одређеног енергетског поља и тумачење утврђених аномалија разликама у својствима
испитиваног објекта.

Задатак групе 5 јесте извршавање детекције потенцијалних промена на подручју

винограда у области Сремских Карливаца у периоду од 2015. до 2021.године, употребом
Sentinel2 и Planet сателитских снимака. У задатку је било потребно користити следеће
вегетационеи ндексе:

1. NDVI (Normalized Difference VegetationIndex),

2. SAVI (Soil Adjusted VegetationIndex),

3. LSWI (Land SurfaceWaterIndex),

4. GCVI (Green ChlorophyllVegetationIndex),

5. GLI (Green LeafIndex),

6. CCCI (Canopy ChlorophyllContentIndex),

7. CIrededge (ChlorophyllIndexRedEdge),

8. VARIrededge (Visible Atmospherically ResistantIndicesRedEdge),

9. IRECI (Inverted Red-EdgeChlorophyllIndex),

10. S2REP (Sentinel-2 Red-EdgePosition).

1
Слика 1

2
2. АНАЛИЗА ЛИТЕРАТУРЕ НА ОСНОВУ КОЈЕ ЈЕ УРАЂЕН ЗАДАТАК
Даљинска истраживања обухватају видљиве и невидљиве карактеристике
пољопривредне површине или више пољопривредних површина и претварају тачке мјерења
у континуирани низ прсторних података. Овом техником истраживања омогућено је праћење
динамичких промјена тла и биљке током сезоне. Визуелне обсервације снимају се кроз
дигитализујући уређај који је геореференциран приликом уласка у ГИС базу података. Арео
слике и видеозаписи се такође могу користити у прецизној пољопривреди. Сателитски
снимци су такође битне у утврђивању обрађиваних пољопривредних површина између
осталог и винограда, те у зависности о изору снимка са одређеним постотком сигурности,
утврђују се карактеристике одређене парцеле. У прецизној пољопривредној производњи се
најчешће користе снимци прикупљени путем сателита Landsat 8 и Santinel 2.

Вегетациони индекси су подаци који се рачунају из различитих канала

мултиспектралних снимака на темељу апсорпције, трансмисије и рефлексије енергије
вегетације у различитим спектралним каналима. Понајприје служе као индикатор процјене
активности вегетације на проматраном подручју. Вегетациони индекси на подручју с
вегетацијом показују веће вредност и пиксела него на подручјима без ње.Захваљујући
карактеристичном спектралном потпису биљака могуће је добити вегетациони индекс
комбинацијом снимака из више различитих спектралних подручја.Вегетациони индекси
представљају бездимензионалну радиометријску мјеру, која се добиjа комбинацијом
информације из различитих канала гдје се углавном употребљавају црвени и
блискоинфрацрвени (енг. Near Infrared – NIR) дио електромагнетног спектра. На формирање
било којег вегетационог индекса утичу следећи параметри: мјера електромагнетног зрачења
вегетације, количина зеленог покривача, количина хлорофила у биљци, количина биомасе,
упијање фотосинтетичке активонсти радијације (eng. Absorbed Photosynthetic Active Radiation
– APAR), радијација индекса листа. Поједини вегетациони индекси могу пружити више
корисних информација о поједином вегетационом параметру у односу на друге. Ипак ни
један оддвадесетак вегетационих индекса који се данас углавном користе не даје савршене
резултате за све вегетационе параметре. Због тога избор вегетационог индекса треба
прилагодити потребама приликом праћења одређених биљнихсвојстава.

Током прикупљања података, на сам рачун вегетационог индекса утиче неколико

фактора везаних уз саму вегетацију и атмосферске услове.Неки од њих су унутрашња
структура лишћа, при чему се првенствено мисли на количину хлорофила у листу,количина
воде у лишћу,микро конструкција проматраног подручја, те типови тла. Ови фактори
директно указују на квалитет и разноликост проматраног подручја и евентуалну појаву
обољења.Како би се уклонио утицај атмосферских фактора потребно је посједовати сензоре
за њихово тренутно одређивање чиме се остварује предуслов за калибрацију прикупљених
снимака за исте. Вегетациони индекси погодни су за праћење временских промјена
вегетације, рано откривање болести засада, процјене рода као и за прецизнупољопривреду.

Хлорофил највише упија црвену светлост, а рефлектује зелену. Рефлексија у блиско

инфрацрвеном подручју је јако изражена код вегетације, те је управо зато врло погодна за
истраживања. Блиско инфрацрвено подручје је прелазно подручје спектра те је база за
рачунање различитих индекса вегетације који су алат у поступку детекције и класификације.

3
 Један од најпознатијих индекса је вегетацијски индекс нормализоване разлике
(енг.NDVI). Ради одређивања густине зеленила на проматраној површини, потребно је узети
у обзир различите дужине видљивог и блиско инфрацрвеног Сунчевог зрачења
рефлектираног с биљака. У тренутку интеракције Сунчевог зрачења с биљком, пигменти у
листовима (хлорофили) апсорбирају видљиву светлост (од 0,4 до 0,7 μm) за потребе
фотосинтезе. Рефлектовање блиско инфрацрвене светлости је посљедица интеракције са
структуром листа (од 0,7 до 1,1 μm) [3].
• NDVI(Normalized Difference VegetationIndex):
Биљке највише упијају црвену светлост која се онда рефлектује као зелена што
најчешће уочав аљудко око. Рефлексија у блискоинфрацрвеном подручју је јако изражена
код вегетације те је управо зато врло погодна за истраживања. Блиско инфрацрвено
подручје је прелазно подручје спектра те је база зa рачунањеве вегетационих индекса
који су алат у поступку детекције и класификације.Ради одређивања густоће зеленила
на проматраној површини, потребно је узети у обзир различите таласне дуљине
видљивог и блиско инфрацрвеног Сунчевог зрачења рефлектираног са биљака. У тренутку
интеракције Сунчевог зрачења са биљком пигменти у листовима апсорбирају видљиву
свјетлост (од 0,4 до 0,7 μм) за потребе фотосинтезе. Рефлектирање блиско
инфрацрвене свјетлости је посљедица интеракције са структуром станице листа (од 0,7 до
1,1μм).Што је већи број листова, већи је утiцај на talasne дужине светла На слици (Слика ) се
налази колорна рампа где се на мапама нијасама црвене приказује део вегетације који има
низак NDVI индекс, док се црвеном бојом приказују делови вегетације чији је NDVI индекс
висок[4].

Слика 2 – Пример колорне рампе

Figur

• SAVI(Soil Adjusted Vegetation Index):

У подручјима с израженијим површинама тла и мање биљног покривача, рефлексија
светлости у црвеном и инфрацрвеном делу спектра може утицати на вредности
вегетацијског индекса. Вегетациони индекс прилагођен тлу (engl. Soil Adjusted Vegetation
Index – SAVI) модификовани је NDVI који има исте вриједности као NDVI. Међутим, SAVI се
примјењује када је потребно отклонити утјицај атмосфере и тла на снимцима са
смањеним вегетационим покривачем.

• LSWI(Land Surface Water Index):

Индекс површинских вода (LSWI) користи краткоталасни инфрацрвени SWIR и NIR регион
електромагнетног спектра. Постоји јака апсорпција светлости течном водом у SWIR, а
познато је да је LSWI осетљив на укупну количину течне воде у вегетацији и њеној
позадини тла.Нека истраживања показују да би се овај индекс могао користити за
праћење повећања садржаја течне воде у земљишту и вегетацији, посебно током раног
дела сезоне.

4
 • GCVI(Green Chlorophyll VegetationIndex):
Развој GCVI је у великој мери усмерен на решавање проблема засићења у
NDVI. Поред тога, утврђено је да GCVI има најлинеарнију везу са индексом
површине листа(енг.LAI) у поређењу са другим вегетационим индексима. Овај индекс
служи као одабрана да се изрази тренд варијације сваке врсте вегетације током
целе године у аспектима фотосинтетског капацитета, вегетацијске биомасе и LAI1, а затим
открију разлику између винограда и других класа[5].

• GLI(Green LeafIndex):
Индекс зеленог листа (ГЛИ) је првобитно креиран да би се одредио утицај пшенице на
испашу. Ако је вредност негативна, то представља земљиште или нешто неживо, а ако је
вредност позитивна, то су зелено лишће или стабљика. Пошто је једначина осетљива на
зеленкасто лишће, најбоље се користи за одређивање хлорофила пиринчаног листа[6].

2 ∗ 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 − 𝑅𝑅𝑅𝑅𝑅𝑅 − 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵

𝐺𝐺𝐺𝐺𝐺𝐺 =
2 ∗ 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 + 𝑅𝑅𝑅𝑅𝑅𝑅 + 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵

• CCCI(Canopy Chlorophyll ContentIndex):

Индекс садржаја хлорофила у канопи (CCCI) је дводимензионални индекс даљинске
детекције, изведених индекса нормализоване разлике вегетација (NDVI) и нормализоване
разлике црвене ивице (NDRE). Индекс користи Near Infra Red (NIR) спектрални опсег
између 670 и 790 nm, што га чини савршеним за праћење садржаја азота, јер се може
детектовати само у три таласне дужине: 670, 720 и 790 nm. Велики број студија је доказао
да је CCCI робусна мера контроле исхране крошње која побољшава процес прецизне
примене ђубрива.

• CIrededge(Chlorophyll Index Red Edge):

Ћелијска структура биљака има тендецију да рефлектује таласе унутар спектралног
опсега, што доводи до тога да се више светлости рефлектује. Дакле, што је већа
рефлексија, то је подручје зеленије. Генерално, овај индекс се користи за праћење
садржаја хлорофила и процену фотосинтезе у биљкама. Пошто производ и фотосинтезе
чине 95% суве масе усева, неопходно је пратити фотосинтетичку активнос тбиљака како би
се спречило њено опадање унапред. Такав приступ омогућава да се идентификују
погођене површине усева и да се реагује на време како би биљкеосталездраве.

1 LAI- Индекс лисне површине је бездимензијска величина која карактерише биљне крошње. Одређује се
као једнострана зелена површина лишћа по јединици површине тла у широким листовима/крошњама

5
• VARIrededge(Visible Atmospherically Resistant Indices Red Edge):
Индекс визуелне атмосферске отпорности је индекс вегетације који је
првобитно дизајниран за сателитске снимке. Минимално је осетљив на атмосферске
утицаје, што омогућава процену вегетације у широком спектру окружења.Како сунчева
светлост доспева у Земљину атмосферу, она се распршује у свим правцима, гасовима и
честицама у ваздуху. Плава течност има тендецију да се расипа више од свих других
боја, јер путује мањим таласним дужинама од остатка визуелног спектра. Због тога
већину времена видимо небо као плаво. Овај индекс вегетације објашњава присуство
плаве боје у свом прорачуну спектралних података.

• IRECI(Inverted Red-Edge ChlorophyllIndex):

Може се рећи да је IRECI један од најбољих вршења мерења садржаја
хлорофила у крошњама. Показало се да је индекс IRECI може да има јак линеарни
однос са садржејем хлорофила у крошњи без засићења при вишим
вредностима[7].

• S2REP(Sentinel-2 Red-Edge Position):

S2REP је резултат следеће једначине:

𝑁𝑁𝑁𝑁𝑁𝑁 + 𝑅𝑅𝑅𝑅𝑅𝑅
− 𝑟𝑟𝑟𝑟1
𝑆𝑆2𝑅𝑅𝑅𝑅𝑅𝑅 = 750 + 35 ∗ 2
𝑟𝑟𝑟𝑟2 − 𝑟𝑟𝑟𝑟1

користећи Sentinel 2, Band 4(Red), Band 5 (VNIR), Band 6 (VNIR2) и Band 7 (VNIR3).
S2REP је осетљив и на усевe (садржај хлорофила) и на статус раста. Генерално, што је
већа вредност S2REP, то је већи садржај хлорофила.

6
Табела 1 - вегетациони индекси и њихове формуле:

Формула вегетационог
Назив вегетационог индекса
индекса
NDVI (Normalized 𝑁𝑁𝑁𝑁𝑁𝑁 − 𝑅𝑅𝑅𝑅𝑅𝑅
Difference 𝐷𝐷𝐷𝐷𝐷𝐷 =
Vegetation Index) 𝑁𝑁𝑁𝑁𝑁𝑁 + 𝑅𝑅𝑅𝑅𝑅𝑅

SAVI (Soil Adjusted (1+𝐿𝐿)∗(𝑁𝑁𝑁𝑁𝑁𝑁−𝑅𝑅𝑅𝑅𝑅𝑅)

Vegetation Index) 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 = L=0.428
𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅𝑅𝑅𝑅𝑅+𝐿𝐿

𝑁𝑁𝑁𝑁𝑁𝑁 − 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆
LSWI (Land Surface Water 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 =
𝑁𝑁𝑁𝑁𝑁𝑁 + 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆
Index),
𝑁𝑁𝑁𝑁𝑁𝑁
GCVI (Green Chlorophyll 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 = −1
𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺
Vegetation Index)
2 ∗ 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 − 𝑅𝑅𝑅𝑅𝑅𝑅 − 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵
𝐺𝐺𝐺𝐺𝐺𝐺 =
GLI (Green Leaf Index) 2 ∗ 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 + 𝑅𝑅𝑅𝑅𝑅𝑅 + 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵

𝑁𝑁𝑁𝑁𝑁𝑁−𝑟𝑟𝑟𝑟

CCCI (Canopy Chlorophyll 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 = 𝑁𝑁𝑁𝑁𝑁𝑁+𝑟𝑟𝑟𝑟

𝑁𝑁𝑁𝑁𝑁𝑁−𝑅𝑅𝑅𝑅𝑅𝑅
Content Index) 𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅𝑅𝑅𝑅𝑅

𝑁𝑁𝑁𝑁𝑁𝑁
CIrededge (Chlorophyll 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 = −1
𝑟𝑟𝑟𝑟2
IndexRedEdge),
VARIrededge
(Visible
𝑟𝑟𝑟𝑟 − 𝑅𝑅𝑅𝑅𝑅𝑅
Atmospherically 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 =
𝑟𝑟𝑟𝑟 + 𝑅𝑅𝑅𝑅𝑅𝑅
Resistant
Indices
RedEdge)
𝑁𝑁𝑁𝑁𝑁𝑁 − 𝑅𝑅𝑅𝑅𝑅𝑅
IRECI (Inverted Red-Edge 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 = 𝑟𝑟𝑟𝑟1
Chlorophyll Index) 𝑟𝑟𝑟𝑟2

𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅𝑅𝑅𝑅𝑅
S2REP (Sentinel-2 Red-Edge − 𝑟𝑟𝑟𝑟1
2
𝑆𝑆2𝑅𝑅𝑅𝑅𝑅𝑅 = 750 + 35 ∗
Position) 𝑟𝑟𝑟𝑟2 − 𝑟𝑟𝑟𝑟1

7
Литература која је послужила као навођење за израду анализе:
• Чланак из Италијанског магазина Agronomy : „Investigating Sentinel 2
Multispectral Imagery Efficiency in Describing Spectral Response of Vineyards Covered
with Plastic Sheets“ 1
• У овом чланку је искоришћено 24 Copernicus Sentinel-2 Level 1C снимка
који су површине 100 км2 са координатним системом WGS84 UTM 33N, над
којим је извршена атмосферска корекција. Главни параметри Sentinel-2 Level 1C
дати су у Слици 1. У чланку се прати утицај противградне мреже на побољшање
услова винограда, тј заштите од сушења листа услед превеликих температуре
које противградна мрежа смањује од 10 - 25 %.

• Слика 1:

• Ови параметри везани су за слику 2, који се односе на виноград у години

2016 у сезони раста усева.
• Слика 2 (лево без противградне мреже, десно са противградном мрежом):

1
Enrico Borgogno-Mondino 1 , Laura de Palma 2,* and Vittorino Novello 1 1 Department of Agricultural, Forestry and Food Sciences, University of Turin, I-10095 Turin, Italy; enrico.borgogno@unito.it (E.B.-M.);
vittorino.novello@unito.it (V.N.) 2 Department of Sciences of Agriculture, Food, Natural Resources and Engineering, University of Foggia, 25-71121 Foggia, Italy * Correspondence: laura.depalma@unifg.it Received: 4
November 2020; Accepted: 30 November 2020; Published: 2 December 20201

*Додатак као помоћ код анализе*

Литература која је послужила као навођење за израду анализе:

• Студија 1 која је показала да се чак 70% слатких вода у свету користи у пољопривреди
навела је Португалске истраживаче из области даљинске детекције да спроведу
анализу над виноградом, која ће допринети што оптималнијем коришћењу ресурса,
где је главни циљ био уштеда воде. Ова студија је спроведена у винограду од 0,30 ha
који се налази у кампусу Универзитета Trás-os-Montes and Alto DouroTrass-ос-
Montes е Alto Doyoro , Португал.

Слика 01 Приказ резултата NDVI индекса у винограду

• У овој студији, укупан пад NDVI био је приметан од трећег квартала лета па надаље.
Ово је било повезано са вегетативним циклусом винове лозе и опадањем међуредне
вегетације. Климатске промене могу повећати кључне факторе животне средине
који негативно утичу на винограде.

• Винова лоза може бити ослабљена како због вишка вода, тако и због мањка воде и
изложености вишим температурама. Беспилотне летелице опремљене различитим
сензорима могу се користити за редовно праћење винове лозе, документовање
промена у вегетацији или знакова болести/заразе, као и сваког стреса изазваног
ограничењима животне средине.

• Овај пример показује да у домену прецизне пољопривреде, па самим ти и очувању

ресурса и заштите животне средине даљинска детекција игра све већу улогу.

1 https://www.mdpi.com/2073-

4395/9/10/581/htm?fbclid=IwAR05dJHoCqHVVHrkLeNyXOtDLo4BMyhPw1WMBEYVkpWAqz4LsNUMQ10FFzU

*Додатак као помоћ код анализе*

Литература која је послужила као навођење за израду анализе:

• Даљинско испитивање спектралних сигнала које емитује вегетација покривених

винограда је тренутно отворено поље истраживања обзиром на саму природу
пластичних плоча које могу имати снажан утицај на рефлексију.

• Циљ овог рада је био да се покрену прелиминарни тестови на виноградима стоног

грожђа прекривеним полиетиленским лимовима, коришћењем снимака Copernicus
Sentinel 2 (нивоа обраде 2А) бесплатне оптичке податке и да се упореди њихов
спектрални одзив са одзивом сличних откривених винограда. Било је потребно
процени да ли се поуздан спектрални сигнал може детектовати кроз пластичне
плоче.

• Током 2016. године праћена је фенологија винове лозе, температура ваздуха и раст
винове лозе. Радило се испитивање да ли фенологија винове лозе може на сличан
начин описати са и без пластичних поклопаца. Добијени су и анализирани
спектрални индекси (енг. MSAVI2) и Normalized Difference Vegetation Index (енг.
NDVI), упоређујући два покривена винограда са различитим пластичним плочама у
односу на два непокривена.

• Резултати су показали да нема значајних ограничења при праћењу спектралног

понашања покривених и непокривених винограда 1.

Слика 01 - Тестирани виногради у Италији (Ј и С представљају покривене и В1 и В2 непокривене винограде)

1
https://iris.unito.it/retrieve/handle/2318/1764093/685105/agronomy-10-01909-
v2.pdf?fbclid=IwAR1yfJCJMwMicKM0W1X7TcD4Dox4fpKpwtJuxe9CTizsaDDZKmJno_bXiwI

*Додатак као помоћ код анализе*

 3. ПОДРУЧЈЕ ВИНОГРАДА
Специфични климатски услови на различитим крајевима могу утицати на сам
развој винове лозе. На пример на Америчком континенту су се очувале само оне врсте које су
успеле да одоле раширености разних паразита и гљивица док су у Европи најчешће опстале
оне врсте које одолевају пепелници. Обзиром на уочљиву разлику у врстама врши се
полифилетичка класификација сорти винове лозе по географском пореклу у пет врста:
1. Део стоних сорти западне Азије,
2. Средњоевропске сорте,
3. Мускатне сорте западне Азије,
4. Део стоних сорти западне Азије,
5. Сорте око Средоземног мора,
Сорте винове лозе најчешће се описују по следећој шеми:
1. Назив сорте и синоними,
2. Порекло сорте,
3. Распрострањеност сорте,
4. Ампелографски опис (млад ластар, зрео ластар, лист, рашиљке, цвет, грозд и бобица,
семенке),
5. Агролошке карактеристике сорте (фенологија(карактеристике вегетационог периода),
бујност карактеристике раста чокота, отпорност према болестима и штеточинама, сортна
фитотехника, афинитет са лозним подлогама),
6. Привредно-технолошке карактеристике сорте (родност и квалитет грожђа и вина),
7. Варијације и клонови,
8. Рејонизација сорте,
9. Библиографија,
Нама један од битнијих описа јесте ампелографски опис сорте због самог описа
карактеристика као што су боја, изглед, величина и друго што нам помаже да разазнамо како
изгледа у доби када је ластар зрео или не, као и како изгледа током разних других
перода током године (Слике- 3) [2].

Слика 3 -Изглед младог ластара

8
 Слика 4- Почетак цветања(лево) и пуно цветање (десно)

Слика 5 - Шарак(лево) и зрео грозд (десно)

Пре израде самог задатка врло је важно упознати се са радовима у винограду(календар

винограда) како би се што лакше одрадила и сама анализа снимака. Календар
винограда започињемо још у првим месецима године најчешће у фебруару и марту када
се разбацују стајњак и азотна ђубрива. У овом периоду извршава се и резидба винограда ако
то дозволе временски услови и ради се калемљење. Април је последњи рок за орезивање
пре почетка раста вегетације. После резидбе следи и везивање винограда, како би се
чокот довео у најбољи положај осветљења и спроводи се пре почетка ђубрења пупољака
како се они не би оштетили. Веома је битно и уништавање корова како би се земљиште
ветрило и задржало довољну количину влаге.
Током летњег периода (јун/јул) вегетација у виноградима је највећа. Узрок овоме јесу
летњи пљускови који стварају коров те је потребно извршити неколико прашења-плитке
обраде до неке дубине од 10 cm.
Брање грожђа креће онда када бобица има највећи садржај шећера, најчешће
почетком августа. Након бербе у јесен ради се дубока обрада земљишта не би ли се сачувала
влага током зиме, такође могу се растурати и разна минерална и стајска прехранска ђубрива.
Из приложеног текста може се закључити да су најбитнији периоди у винограду
пролеће када крећу радови у винограду (фебруар/март), лето када је најбујнија вегетација
(јун/јул) и јесен када се врши берба грожђа и садња нових садница(август/септембар) самим
тим пожељно је преузети и сателитске снимке у овим периодима године ради најбоље
могуће анализе[1].

9
 4. ОПИС ПОСТУПКА АНАЛИЗЕ

На основу истражене литературе, као и испитивања подручја у циљу праћења

поренцијалних промена,снимци са сателитских платформи изабрани су у слично доба
године, у коме се одвијају неке битније ставке везане за развој винове лозе у виноградима.

У самом задатку препорука је била да се сам задатак изради у Google EarthEngine-у,али се

дошло до закључка да нема потребних снимака из 2015/16. Године због нивоа 1C
обраде (Слика 6 ). С тога одлучено је да се снимци преузму са Copernicus Open Access Hub-
a (Слика 7) и да се на њима накнадно одради атмосверска корекција. Читав задатак одрађен
је програмом Q-GIS. Такође у задатак су укључени и снимци са платформе PLANET на којима
се спроведена посебна анализа обзиром на то да не поседују све бендове за
израчунавање свих вегетационих индекса задатих задатком.

Слика 6 - Приказ рада у GoogleEarthEngine-у

Слика 7– Приказ Copernicus Open Access Hub-a са ког су снимци преузети

10
 Слика 8- Приказ Planet-а

С обзиром на 1C нивое обраде сателитских снимака са платформе ‘’Sentinel 2’’ први

корак у поступку израде представља одрађивање атмосферских корекција за сваки снимак
појединачно[8].

Слика 9 - Атмосферске корекције

Сателитски снимци нивоа обраде 2А подразумевају одрађене атмосферске корекције,

али пошто су у већини случајева врло ретки, барем за ово подручје урадили смо их
помоћу алата Q-GIS.

11
 Да бисмо издвојили подручје од интереса потребно је на начин приказан на слици --
одсећи део растера по полигону који се односи само на винограде. Неопходно је да
подаци буду у истом координатном систему као и да се сателитски снимци повежу у један
‘’Band’’.

Слика 10– Сечење растера по задатом полигон

Као резултат добијамо исечени растеру у облику полигона који смо задали. Разлог због
којег радимо овај корак у највећој мери лежи у поједностављивању сателиских снимака и
свођење истог само на подручје које нас интересује. За даљу обраду биће много лакше
манипулисати са снимком мањег обима. На слици – 11 види се изглед финалног растерског
фајла над којим се врши даља анализа.

Слика 11 – Пример исеченог растера

12
 Сада када смо исекли растере по задатом векторском фајлу прелазимо на креирање
вегетационих индекса. На основу формула за вегетационе индексе за платформу ‘’Sentinel 2’’
креирамо исте помоћу алата Band calculator.

Слика 12 –Пример за креирање вегетационог индекса

За сваки вегетациони индекс било којег датума примењује се задата колорна рампа
као на слици -13. Таквим приказом омогућава се управо оно што је и главна ставка анализе, а
то је детекција промена кроз године.

Слика 13 – Колорна рампа

13
 Детаљна анализа снимака кроз вегетационе индексе и године 2015/21:

NDVI(Normalized Difference Vegetation Index):

Један од најбитнијих индекса јесте NDVI (Normalized Difference Vegetation Index). Из
приложених снимака из текста као и проучене литературе може се закључити да је на
снимцима добијеним у пролеће био нижзак NDVI у биљкама што је и типично за то доба
године, док се у летњем периоду може уочити пораст NDVI-ја. Током јесени се на
снимцима из 2015, 2016 и 2018 године види нидостатак NDVI на једном делу подручја
виноград док тога немамо на снимцима током јесени у периоду 2020/21.године.

• Године 2016-2018:
На снимцима из ове три године могу се уочити јасни и готово исти резултати, те су из тог
разлога посебно издвојене. Април указује на почетак развића биљака, уз благе варијације по
годинама у браон-жутим нијансама. За летње месеце карактеристична је зелена боја, која
доласком јесени полако прелази у жуту. За јесење снимке уочљива је тамнија жута,а на неким
деловима и браон боја.

SAVI(Soil Adjusted Vegetation Index):

Вредност овога индекса се креће од -1 до 1, а што је вредност мања, мање је и
присуство вегетације, и обратно. Са приложених снимака и литературе видимо да је вредност
SAVI индекса у биљкама био већи током летњег периода године, нарочито током јула 2017.
године. На снимцима уочавамо да се овај индекс смањује у току јесени и пролећа, а да је
најмња вредност током зиме.

LSWI(Land Surface Water Index):

Овај индекс се користи за праћење повећања садржаја течне воде у земљишту и
вегетацији, посебно током раног дела сезоне. На снимцима се примећује да је садржај течне
воде у земљишту висок током летњег и раног јесењег периода, а током зиме и пролећа је
низак. Ипак колики год био минимум садржаја у пролеће, ово подручје и даље остаје довољно
влажно. Разлог за то лежи у његовом географском положају. Близина реке Дунав омогућава да
нивои подземних вода константно буду задовољавајући. Са аспекта садржаја воде овај индекс
нам јасно показује да је ово подручје иделано за узгој разних биљних култура, па свакако и
винове лозе која има изразито дубок коренов систем и није толко захтевна у потражњи воде.

• Година 2019:
Репрезентативна година за дати индекс показује велики пораст воде у периоду од
марта до јуна. Црвена боја на снимку из марта указује на врло мале количине воде. У
јуну се ситуација драстично поправила, те је као резултат добијен снимак који указује на
то да земљиште и вегетација садрже доста воде. Током летњег периода вода се задржала,
па крајњи резултат за ову годину из септембра показује нешто мању количину воде у
односу на јун, што и потврђује чињеницу да завршавањем лета овај индекс добија мање
вредности.

14
GCVI (Green Chlorophyll Vegetation Index):
Овај индекс служи као одабран да се изрази тренд варијације сваке
врсте вегетације током целе године у аспектима фотосинтетског капацитета,
вегетацијске биомасе и LАI, а затим открију разлику између винограда и других класа.
На снимцима видимо да је овај индекс већином низак, док је у летњем периоду његова
вредост већа. С обзиром на то да је главни задатак овог индекса да се распознају класе
биљних кулутра, снимци нам управо и дају очигледније резултате у складу са
количином вегетације. Сателитски снимци нам управо то и потврђују. Ако бисмо,
например, упоредили снимак из септембра 2019 и снимак направљен само четири
месеца касније из јануара 2020. можемо да закључимо да је на првом снимку много
лакше разазнати редове винове лозе.

GLI (Green Leaf Index):

Индекс зеленог листа, који се користи за одређивање хлорофила листа. Ако
је вредност негативна, то представља земљиште или нешто неживо, а ако је вредност
позитивна, у питању је зеленило. Као што се и претпоставља, на снимцима су
приказани летњи периоди године где се јасно види да је индекс позитиван, што указује
на то да се ради о зеленој вегетацији која је у том периоду године најизраженија.
Такође, приметно је да вредност индекса опада у току пролећа и јесени.

• Година 2016/17:

За овај индекс узете су године 2016 и 2017 као репрезентативне из простог

разлога што су разлике нијансе у количини хлорофила на снимцима очигледније у
односу на остале. Обрађени сателитски снимци по задатој формули за овај индекс
показују управо оно што би и се и наслутило, а то је интензвнија зелена боја у летњем
периоду када је цветање завршено и биљка има најбујнију вегетацију. За обе године
карактерисична је жута боја у периоду пролећа, јача зелена боја у периоду лета, а
доласком јесени зелена боја полако прелази у жуту што можемо јасно да уочимо
упоређивањем јула, августа и октобра.

15
 CCCI(Canopy Chlorophyll Content Index):
CCCI је дводимензионални индекс добијен из NDVI индекса и NDRE индекса. Овај индекс нам
приказује ниво азота у биљкама. Помоћу овог индекса можемо одредити који је месец у години
са најмањим нивом азота, да би могли извршити вештачку имплементацију истог
(„пођубравање“). Већи ниво азота – значи већи ниво хлорофила = боља фотосинтеза. Дакле
имаћемо увид у ниво азота у винограду самамим тим можемо на време добром анализом
спречити да због мањка азота плод пропадне. Црвене нијансе показују подручија где није
сађено, жута подручја се налазе у црвеном и она нам показују да на њима постоје засади са
малом количином азота. А док зелене нијансе показују засићеност азотом.
• Година 2016:
Ова година је у току анализе изабрана као „најлошија“ односно са врло израженим жутим
нијансама са врло малим додатцима зелених нијанси, што нам говори да је ниво азота низак или
готово никакав. Да би се ово спречило потребно је побољшати вештачки унос азота на подручје
виднограда у току посматраних календарских месеци.
• Године 2015/21:
Код осталих година такође је евидентано снмањена количина азота, и потребно је
извршити вештачку импламентацију истог.

Clrededge (Chlorophyll Index Red Edge):

Након извршене анализе снимака методом „већа рефлексија – зеленије подручје“ које
се директно односи на ниво хлорофила у листу биљке, односно ниво здравља листа (под појмом
здравље листа односи се да примарни циљ листа биљке је могућност обаљања фотосинтезе па ако је
биљка онемогућена да обави примарни циљ утврђујемо да постоји „проблем“ односно неко
обољење самог листа које спречава обаљање примарне функције листа – фотосинтезе ) за подручије
виноград запажамо следеће:
• Година 2015:
Ова година је у току анализе изабрана како „најбоља“ односно најпродуктивнија у виду
производње хлорофила у листу биљака. Примећен је знатно велики ниво рефлексије у месецу јулу
што нам говори да је лист здрав, врши примарну фунцију и самим тим принос ће бити добар. Нису
примећене аномалије тј. болести листа. Видимо да се у месецу августу ниво рефлексије смањује, не
драстично али довољно да се он уочи. У месецу октобру примећујемо драстично смањење
рефлексије која се одражава на смањен принос хлорофила у том месецу као што нам и календарска
година говори да ће ускоро бити зима што значи да ће рефлексија у наредном периоду бити мала
или готово никаква због опадања листа.
• Године 2016/21:
Ове године су у току анализе изабране као „просечне“ односно просек у виду производње
хлорофила у листу биљака. Примећене су осцилације у виду жуто-зелених нијанси, што је директан
идикатор смањења и повећања рефлексије у односу на посматрани месец каледнарских година.
Након анализирања сваког месеца у току ових календарских година долазимо до закључка да је врло
битно годишње доба снимка – већа рефлексија је у највећој мери изражена у рано пролеће и рано
лето, док смањење рефлексије је резервисано за зиму и јесен.

16
VARIrededge (Visible Atmospherically Resistant Indices Red Edge) :
VARI индекс је дизајниран и тестиран за рад са RGB подацима. Он се користи за анализу
дела вегетације са ниском осетљивошћу на атмосферске прилике. Такође он нам показује и
подручја покривена листом биљака, и закљуно добијамо податке о биосфери која активно
користи хидросферу што наравно резултира бољем развијању. Зеленије нијансе указују нам на
ову везу, док остале тј жута и цврена указују на малу или никакву везу.

• Година 2016 и 2018:

Ове две године у току анализе узете су као „најбоље“ у њима видимо да у
зависности од календарске године тј месеца постоје два „боља“ снимка са израженом
жуто-зеленом нијансом која нам указује да је у тим месецима лист биљака присутан и да
постоји веза биосфере и хидросфере. И по један „лошији“ снимак са израженом
наранџасто-црвеном нијаносм који нам говори да је покривеност листа мала односно
веза биосфере и хидросфере мала односно никаква.

• Године 2015/2021:
Код осталих година видимо оцилације током месеци тј, на репрезентативном
примеру је речено, у пролеће и лето веза између биосфере и хидросфере је већа
док у јесен драстично смањена.

IRECI (Inverted Red-Edge Chlorophyll Index):

IRECI индекс је дизајниран за вршење мерења садржаја хлорофила у крошњама.

• Година 2019:
Ова година је у току анализе узета као „просечна“ година на њој нијансе жуте боје
преовладавају на црвеној подлози, што нам говори да ниво хлорофила постоји на
усевима али да није у довољној мери велик да би се прелио у зелену нијансу.

• Године 2015/2021:
Код осталих година углавном је ситуација без великих осцилација ( јула 2017 – где
је очигледно снимак лоше одрађен – лоше унета формула) што нам говори да је
хлорофил присутан, али не у довољној мери.

S2REP (Sentinel-2 Red-EdgePosition):

Овај индекс користи се да прикаже здравље биљке (ниво хлорофила) и пигментацију. Такође даје
нам информацију о абсорбцији - потрошњи хлорофила. Осетљив је на ниво раста биљака.

• Година 2021:
Ова година је изабрана као „најбоља“ ондосно на њој видимо да у месцу марту
постоји хлорофил али његова потрошња није велика – жуте нијајнсе, можемо зкључити да
је биљка у фази раста. Док у јулу месецу видимо изражено коришћење хлорофила –
зелене нијансе као и црвене нијансе у појединим деловима што нам говори да постоји и
одумрлих листова.
• Године 2015/20:
Код ових година ситуација је прилично хомогена нема великих осцилација
преовладавају нијансе жуте боје – умерена(слабија) потрошња хлорофила.

17
 5. РЕЗУЛТАТИ И ПРИЛОЗИ
• Резултати и прилози су дати на формату А3 у наредним странама.

Слика 14

Слика 15

18
• Вегетациони индекс NDVI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

19
• Вредности вегетационог индекса NDVI:

Табела 2 - вегетациони идекс NDVI

Датум Минимални Максимални Просек
Јул 2015 0.1855 0.8303 0.4191
Август 2015 0.1265 0.7648 0.3582
Октобар 2015 0.1003 0.6825 0.4028
Април 2016 0.0978 0.5526 0.1897
Јун 2016 0.1789 0.8082 0.4987
Август 2016 0.1119 0.7570 0.3696
Мај 2017 0.1524 0.5821 0.2583
Јул 2017 0.1932 0.6214 0.3511
Октобар 2017 0.0946 0.7096 0.3571
Април 2018 0.1134 0.2836 0.7819
Август 2018 0.1855 0.7665 0.5194
Септембар 2018 0.1287 0.6854 0.4012
Март 2019 0.08333 0.62069 0.19933
Јун 2019 0.04461 0.77467 0.35911
Септембар 2019 0.19523 0.68252 0.42542
Јануар 2020 -0.15931 0.49516 0.22336
Септембар 2020 0.16534 0.58756 0.35371
Март 2021 0.19611 0.48106 0.39511
Јул 2021 0.1761 0.5906 0.2715
Септембар 2021 0.0917 0.6732 0.2701

20
• Вегетациони индекс SAVI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

21
• Вредности вегетационог индекса SAVI:

Табела 3 - вегетациони индекс SAVI

Датум Минимални Максимални Просек
Јул 2015 0.1147 0.5456 0.2651
Август 2015 0.0915 0.5801 0.2660
Октобар 2015 0.0479 0.4638 0.2148
Април 2016 0.0672 0.3681 0.1267
Јун 2016 0.0728 0.6248 0.3206
Август 2016 0.0883 0.5369 0.2448
Мај 2017 0.1181 0.4454 0.1905
Јул 2017 0.2760 0.8872 0.5013
Октобар 2017 0.0603 0.5025 0.2260
Април 2018 0.0823 0.5999 0.2068
Август 2018 0.1307 0.5596 0.3497
Септембар 2018 0.0882 0.4763 0.2660
Март 2019 0.1181 0.4454 0.1905
Јун 2019 -0.0443 0.6334 0.2574
Септембар 2019 0.1305 0.4651 0.2788
Јануар 2020 -0.0364 0.3185 0.1130
Септембар 2020 0.1305 0.4651 0.2788
Март 2021 0.0524 0.4282 0.1268
Јул 2021 0.1760 0.4407 0.2715
Септембар 2021 0.0916 0.4719 0.2701

22
• Вегетациони индекс LSWI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

23
• Вредности вегетационог индекса LSWI:

Табела 4 - вегетациони индекс LSWI

Датум Минимални Максимални Просек
Јул 2015 -0.1797 0.2737 -0.0016
Август 2015 -0.1016 0.3279 0.0123
Октобар 2015 -0.1990 0.3011 0.0155
Април 2016 -0.1978 0.2159 -0.0121
Јун 2016 -0.0382 0.5331 0.0379
Август 2016 -0.1215 0.3429 0.0111
Мај 2017 -0.0325 0.3409 0.0444
Јул 2017 -0.0326 2.5757 0.2299
Октобар 2017 -0.1394 0.3454 0.0550
Април 2018 -0.1314 0.4831 0.0139
Август 2018 -0.1036 0.3974 0.1355
Септембар 2018 -0.1453 0.0554 0.2763
Март 2019 -0.2260 0.4665 0.0777
Јун 2019 -0.0075 0.5197 0.1826
Септембар 2019 -0.0772 0.3615 0.1070
Јануар 2020 -0.2411 0.3050 -0.0172
Септембар 2020 -0.1447 0.2974 0.0713
Март 2021 -0.0325 0.3409 0.0444
Јул 2021 -0.0207 0.2742 0.0156
Септембар 2021 -0.1682 0.2982 0.0149

24
• Вегетациони индекс GCVI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

25
• Вредности вегетационог индекса GCVI:

Табела 5- вегетациони индекс GCVI

Датум Минимални Максимални Просек
Јул 2015 1.3788 9.0311 2.9021
Август 2015 1.2722 9.7514 2.8279
Октобар 2015 1.0997 5.9182 3.1171
Април 2016 1.3508 6.1970 1.9593
Јун 2016 1.3654 9.2505 3.5386
Август 2016 1.0013 9.0352 2.7427
Мај 2017 1.5940 7.4322 2.7232
Јул 2017 0.7346 2.2954 1.1883
Октобар 2017 1.2825 6.8968 2.9798
Април 2018 1.0522 9.3842 2.1485
Август 2018 1.3823 10.2566 4.3002
Септембар 2018 1.3938 7.2092 3.4905
Март 2019 0.3015 2.1825 0.6292
Јун 2019 -0.0854 6.8761 1.4049
Септембар 2019 0.4852 4.2996 1.5543
Јануар 2020 -0.5731 1.3386 0.3473
Септембар 2020 0.3962 2.8492 1.1280
Март 2021 1.5940 7.4322 2.7232
Јул 2021 2.4296 6.6880 3.9018
Септембар 2021 1.6799 5.6130 3.4430

26
• Вегетациони индекс GLI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

27
• Вредности вегетационог индекса GLI:

Табела 6 - вегетациони индекс GLI

Датум Минимални Максимални Просек
Јул 2015 -0.1449 0.1143 -0.0576
Август 2015 -0.1664 0.0583 -0.0874
Октобар 2015 -0.3509 0.0476 -0.0763
Април 2016 -0.2367 -0.0375 -0.1405
Јун 2016 -0.2036 0.1425 -0.0191
Август 2016 -0.1976 0.1196 -0.0750
Мај 2017 -0.2356 0 -0.0361
Јул 2017 -0.0698 0.0563 -0.0002
Октобар 2017 -0.2804 -0.0219 -0.0223
Април 2018 -0.1236 0.0852 -0.0109
Август 2018 -0.1451 0.0958 -0.0109
Септембар 2018 -0.0234 0.0158 -0.0234
Март 2019 -0.0485 0.0797 -0.0153
Јун 2019 -0.0441 0.1894 0.0327
Септембар 2019 -0.0252 0.1150 0.0267
Јануар 2020 -0.0678 0.0147 -0.0309
Септембар 2020 -0.0354 0.0571 0.0089
Март 2021 -0.2316 0.1395 -0.0063
Јул 2021 -0.2800 -0.1328 -0.1883
Септембар 2021 -0.2935 0.0488 -0.0996

28
• Вегетациони индекс CCCI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

29
• Вредности вегетационог индекса CCCI:

Табела 7 - вегетациони индекс CCCI

Датум Минимални Максимални Просек
Јул 2015 0.4939 1.5641 0.8755
Август 2015 0.4339 1.2800 0.7265
Октобар 2015 -0.0489 1.5767 0.7121
Април 2016 0.3068 1.2551 0.7140
Јун 2016 0.5410 1.0237 0.7470
Август 2016 0.4501 1.4531 0.7419
Мај 2017 0.4954 1.1574 0.7312
Јул 2017 0.2906 3.4028 2.2471
Октобар 2017 0.0109 1.5659 0.6795
Април 2018 0.4551 1.4106 0.7167
Август 2018 0.4988 1.1331 0.7463
Септембар 2018 0.4132 1.3347 0.7363
Март 2019 0.1688 1.5095 0.6905
Јун 2019 -0.2571 0.1104 0.8051
Септембар 2019 0.4106 1.3404 0.7499
Јануар 2020 -3.4028 3.4028 -1.1434
Септембар 2020 0.5794 1.0892 0.7891
Март 2021 0.1972 1.5568 0.7198
Јул 2021 0.6054 1.0275 0.7935
Септембар 2021 0.2974 1.4723 0.7408

30
• Вегетациони индекс Clrededge:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

31
• Вредности вегетационог индекса CIrededge:

Табела 8 - вегетациони идекс Clrededge

Датум Минимални Максимални Просек
Јул 2015 -0.0566 0.4995 0.1798
Август 2015 -0.0679 0.34995 0.1204
Октобар 2015 -0.3596 0.39858 0.0823
Април 2016 -0.1989 0.2536 0.0335
Јун 2016 -0.2165 0.5258 0.0922
Август 2016 -0.0709 0.4061 0.1129
Мај 2017 -0.0593 0.3001 0.0593
Јул 2017 -4.4284 0.4032 -0.1876
Октобар 2017 -0.3138 0.3386 0.1065
Април 2018 -0.1849 0.4156 0.0700
Август 2018 -0.0392 0.3442 0.1313
Септембар 2018 -0.0415 0.4017 0.1558
Март 2019 -0.0953 0.3920 0.0838
Јун 2019 -0.2428 0.5936 0.0662
Септембар 2019 -0.0639 0.3145 0.1366
Јануар 2020 -0.4562 0.4468 0.0663
Септембар 2020 -0.0404 0.4376 0.1521
Март 2021 -0.2679 0.3833 0.1625
Јул 2021 0.0008 0.2412 0.1259
Септембар 2021 -0.3753 0.4295 0.1207

32
• Вегетациони индекс VARIrededge:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

33
• Вредности вегетационог индекса VARIrededge:

Табела 9 - вегетациони идекс VARIrededge

Датум Минимални Максимални Просек
Јул 2015 0.0751 0.4850 0.0751
Август 2015 -0.0530 0.4467 0.1152
Октобар 2015 -0.0758 0.3235 0.1424
Април 2016 -0.0398 0.2701 0.0586
Јун 2016 -0.0065 0.3656 0.1634
Август 2016 -0.0670 0.4548 0.1126
Мај 2017 -0.0350 0.2367 0.0743
Јул 2017 -134.1999 75.8461 -0.3931
Октобар 2017 -0.06786 0.1313 0.3478
Април 2018 -0.0666 0.4133 0.0907
Август 2018 -0.0256 0.3774 0.1727
Септембар 2018 -0.0751 0.1281 0.3235
Март 2019 -0.0540 0.3011 0.0656
Јун 2019 1 1 1
Септембар 2019 -0.0256 0.2313 0.0853
Јануар 2020 -0.0751 0.2022 0.0783
Септембар 2020 -0.0256 0.2313 0.0853
Март 2021 -0.1088 0.3272 0.1500
Јул 2021 -0.0086 0.2069 0.0909
Септембар 2021 -0.0876 0.3544 0.1325

34
• Вегетациони индекс IRECI:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

35
• Вредности вегетационог индекса IRECI:

Табела 10 - вегетациони идекс IRECI

Датум Минимални Максимални Просек
Јул 2015 0.0800 1.0962 0.2780
Август 2015 0.0662 0.9522 0.26287
Октобар 2015 0.0298 0.6023 0.1863
Април 2016 0.0458 0.3706 0.0949
Јун 2016 0.0435 1.5817 0.3843
Август 2016 0.0743 0.9773 0.2236
Мај 2017 0.1107 0.6797 0.1972
Јул 2017 -3264 6696 2138
Октобар 2017 0.0411 0.7735 0.1984
Април 2018 0.0711 1.3842 0.2480
Август 2018 0.1184 1.0881 0.4536
Септембар 2018 0.0663 0.6814 0.2616
Март 2019 0.0309 0.4851 0.0897
Јун 2019 -0.0473 1.3049 0.3013
Септембар 2019 0.0930 0.6714 0.2696
Јануар 2020 0.0129 0.2478 0.0708
Септембар 2020 0.0782 0.4685 0.2192
Март 2021 0.0364 0.6238 0.2517
Јул 2021 0.1636 0.6054 0.2706
Септембар 2021 0.0617 0.5720 0.2550

36
• Вегетациони индекс S2REP:

јул 2015 август 2015 октобар 2015 април 2016 јун 2016 август 2016

мај 2017 јул 2017 октобар 2017 април 2018 август 2018 септембар 2018

март 2019 јун 2019 септембар 2019 јануар 2020 септембар 2020

март 2021 јул 2021 септембар 2021

Колорна рампа:

37
• Вредности вегетационог индекса S2REP:

Табела 11 - вегетациони идекс S2REP

Датум Минимални Максимални Просек
Јул 2015 754.1238 794.4882 772.2630
Август 2015 749.0757 795.6325 767.1732
Октобар 2015 723.4031 804.4266 764.8880
Април 2016 744.7826 779.1667 763.1766
Јун 2016 756.8348 783.2017 765.9400
Август 2016 751.5535 782.9834 766.9286
Мај 2017 752.9916 774.7625 764.8366
Јул 2017 545.5332 3402.8233 2379.33
Октобар 2017 717.9919 799.0564 764.9789
Април 2018 749.2429 778.5198 764.2429
Август 2018 756.0598 777.2518 767.0598
Септембар 2018 748.7174 783.3609 768.4541
Март 2019 722.3431 833.8888 765.9751
Јун 2019 704.5000 834.5122 765.8966
Септембар 2019 748.2322 786.2361 767.7446
Јануар 2020 23.7481 3287.4825 766.8996
Септембар 2020 757.9493 786.9522 770.1195
Март 2021 752.9916 774.7625 764.8366
Јул 2021 761.3248 775.6043 768.6622
Септембар 2021 740.5539 797.5781 766.9434

38
• Снимци са PLANET платформе NDVI:
2015 2016 2017

2018 2019 2020

2021

Колорна рампа:

• За снимке са Planet платформе анализа је вршена за по један снимак у години у

периоду август-септембар. Снимци су високог квалитета и њихова промена по годинама
је врло уочљива. На самом почетку у 2015. години доминира жута боја, одакле се јасно
закључује да је вегетација била знатно слабија. Временом виноград се формирао и
повећао, те у 2020. години као резултат имамо јарке нијансе зелене боје. Дакле,
повећавањем NDVI индекса на овим снимцима можемо констатовати да је виноград у
периоду од 2015-2020 знатно напредовао.

39
• Снимци са PLANET платформе VARI:

2015 2016 2017

2018 2019 2020

2021

Колорна рампа:

40
 Вегетациони индекс NDVI
јул 2019
5004900.000
5004750.000
5004600.000
5004450.000

Легенда
Колорна рампа
0
5004300.000

0.08
0.17
0.26
0.35
5004150.000

0.44
0.53
0.62
5004000.000

0.71
0.8
415350.000 415500.000 415650.000 415800.000 415950.000 416100.000 416250.000 416400.000 416550.000 416700.000
18.01.2021
6. ЗАКЉУЧАК

• По добијању задатка кренуло се у анализу. Дошло се до закључка да на

платформи која је препоручена за рад није било могуће израдити сам задатак
због недостатака снимака из 2015. И 2016. године који су се могли наћи на
платформи Copernicus Open Access Hub-а. Може се закључити да се и на овој
платформи нису могли наћи снимци за период јесен 2020. године.

• Исто тако нису се могли преузети ни одговарајући снимци без потпуне

облачности за период 2021. године јер њихов статус није дозвољавао
њихово преузимање. Након преузимања доступних снимака прешло се у
разматрање која подлога би била најповољнија за израду задатка и дошло се
до закључка да се сам задатак изради у програму Q-GIS.

• Потом се прешло на анализу литературе на основу које је и сам задатак

урађен. На свим снимцима урађена је атмосверска корекција и након тога сви
снимци су исецани по shp фајлу који је добијен уз сам задатак за дату област
винограда која се анализира.

• Након исецања срачунати су сви вегетациони индекси за све снимке и њихови

резултати су приказани у одељку 5 . РЕЗУЛТАТИ И ПРИЛОЗИ са унапред
задатом колорном шемом. Приказане су и табеле са минималним и
максималним вредностима као и њихова средња вредност у табелама по
годинама и периодима у години засебно за сваки вегетациони индекс.

• На основу добијених резултата и на основу анализе литературе извршена је

анализа добијених резултата и утврђене су потенцијалне промене током година
за дату област винограда.

Слика 16 - Даљинска детекција 42

 7. ЛИТЕРАТУРА

[1] http://www.poljoprivrednisavetnik.com/kalendar-vinograda.htm
[2] http://polj.uns.ac.rs/sites/default/files/udzbenici/AMPELOGRAFIJA%20I%
20SELEKCIJA.pdf
[3] https://repozitorij.unios.hr/islandora/object/pfos%3A2427
[4] https://up42.com/blog/tech/5-things-to-know-about-ndvi
[5] https://www.mdpi.com/2072-4292/11/22/2641/htm
[6] https://www.researchgate.net/
publication/337624007_The_Use_of_VARI_GLI_and_VIgreen_F
ormulas_in_Detecting_Vegetation_In_aerial_Images
[7] https://reader.elsevier.com/reader/sd/pii/S092427161300107X?
token=78D6B30E77F5662F13C
99AF42B37C2CCA0AC935AD93143EAA4B3E2FFFEA40899B4E18A9C7B4DAA4EDB23D
86FCA507E0 D&originRegion=eu-west-1&originCreation=20220118154400
[8] Душан Јовановић, Бојан Поповић, Милан Гавриловић, Даљинска детекција и
рачунарска обрада слике приручник за лабораторијске вежбе, Издање
Универзитет у Новом Саду, ФТН 2020.год

43