Professional Documents
Culture Documents
Elaborat Grupa 5
Elaborat Grupa 5
Закључак.............................................................................................................................................42
Литература.............................................................................................................................43
1. УВОД
7. CIrededge (ChlorophyllIndexRedEdge),
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.
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].
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].
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.
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
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
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:
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
• 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.
• 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.
1 https://www.mdpi.com/2073-
4395/9/10/581/htm?fbclid=IwAR05dJHoCqHVVHrkLeNyXOtDLo4BMyhPw1WMBEYVkpWAqz4LsNUMQ10FFzU
• 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.
1
https://iris.unito.it/retrieve/handle/2318/1764093/685105/agronomy-10-01909-
v2.pdf?fbclid=IwAR1yfJCJMwMicKM0W1X7TcD4Dox4fpKpwtJuxe9CTizsaDDZKmJno_bXiwI
8
Слика 4- Почетак цветања(лево) и пуно цветање (десно)
9
4. ОПИС ПОСТУПКА АНАЛИЗЕ
10
Слика 8- Приказ Planet-а
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’’.
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.
• 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.
• 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.
• Година 2016/17:
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.
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.
• 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.
• 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.
• 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
19
• Вредности вегетационог индекса NDVI:
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
21
• Вредности вегетационог индекса SAVI:
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
23
• Вредности вегетационог индекса LSWI:
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
25
• Вредности вегетационог индекса GCVI:
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
27
• Вредности вегетационог индекса GLI:
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
29
• Вредности вегетационог индекса CCCI:
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
31
• Вредности вегетационог индекса CIrededge:
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
33
• Вредности вегетационог индекса VARIrededge:
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
35
• Вредности вегетационог индекса IRECI:
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
37
• Вредности вегетационог индекса S2REP:
38
• Снимци са PLANET платформе NDVI:
2015 2016 2017
2021
Колорна рампа:
39
• Снимци са PLANET платформе VARI:
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
[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