NDVI اختلاف بازتاب نور قرمز و فروسرخ نزدیک را به شاخصی نسبی تبدیل می‌کند. ببینید نقشهٔ NDVI چطور برای یافتن نواحی نیازمند بازدید میدانی کمک می‌کند و چه چیزهایی را به‌تنهایی تشخیص نمی‌دهد.
شاخص NDVI یکی از روش‌های خلاصه‌کردن بازتاب نور پوشش گیاهی در یک تصویر است. این شاخص معمولاً از باند قرمز و فروسرخ نزدیک محاسبه می‌شود: (NIR − Red) ÷ (NIR + Red). چون برگ سبز بخشی از نور قرمز را جذب و فروسرخ نزدیک را بیشتر بازتاب می‌دهد، مقدار NDVI می‌تواند تفاوت نسبی پوشش سبز را در نقاط تصویر نشان دهد. NDVI اندازه‌گیری مستقیم محصول، آب خاک یا بیماری نیست؛ باید آن را نشانه‌ای برای پرسیدن سؤال بهتر دانست، نه پاسخ قطعی دربارهٔ علت مشکل.
برای ساخت نقشه، تصویر باید باندهای لازم را داشته باشد؛ هر عکس معمولی موبایل یا دوربین RGB برای محاسبهٔ NDVI کافی نیست. دوربین چندطیفی پهپاد و دادهٔ ماهواره‌ای می‌توانند اطلاعات طیفی بدهند، اما وضوح مکانی، زمان تصویربرداری، پوشش ابر، زاویهٔ خورشید و روش پردازش در هر سامانه فرق دارد. اگر پهپاد استفاده می‌کنید، دستورالعمل حسگر و نرم‌افزار برای کالیبراسیون و هم‌ترازکردن تصاویر را دنبال کنید و پروازهای چند تاریخ را فقط وقتی مقایسه کنید که روش جمع‌آوری تا حد ممکن یکسان باشد.
کاربرد عملی نقشه در غربالگری است: نواحی متفاوت را پیدا کنید، آن‌ها را با نقشهٔ قطعه و مرحلهٔ رشد محصول تطبیق دهید و برای بازدید میدانی اولویت بگذارید. برای نمونه، یک لکهٔ کم‌مقدار نسبت به بخش‌های هم‌مرحله ممکن است ارزش بررسی رطوبت خاک، گرفتگی آبیاری، علف هرز یا آسیب را داشته باشد. علامت‌گذاری مختصات و ثبت عکس و مشاهدهٔ مزرعه کمک می‌کند ببینید اختلاف تصویری واقعاً با وضعیت گیاه همراه است یا نه. نقشه را در تاریخ‌های تکراری بررسی کنید تا تغییر روند را ببینید، نه اینکه یک تصویر را معادل تشخیص نهایی بگیرید.
محدودیت اصلی NDVI این است که مقدار متفاوت، علت تفاوت را مشخص نمی‌کند. کمبود آب، تغذیه، تراکم بوته، خاک نمایان بین ردیف‌ها، سایه، علف‌های هرز، آفت یا تفاوت مرحلهٔ رشد می‌توانند بر بازتاب اثر بگذارند. در پوشش خیلی متراکم نیز بعضی شاخص‌ها قدرت تفکیک تفاوت‌ها را از دست می‌دهند. پس تصمیم آبیاری، کوددهی یا سم‌پاشی را فقط از روی یک رنگ در نقشه نگیرید؛ آن را با مشاهده، نمونه‌برداری و اطلاعات هواشناسی یا حسگر مناسب همان مسئله بسنجید.
پیش از سفارش تصویربرداری مشخص کنید کدام تصمیم مزرعه قرار است بهتر شود، چه تفکیک مکانی لازم است و چه کسی نتیجه را تفسیر می‌کند. برای رصد تغییرات، تاریخ تصویر، محصول، مرحلهٔ رشد، نوع حسگر و تنظیمات پردازش را همراه نقشه نگه دارید. این ثبت باعث می‌شود مقایسه‌های بعدی معنی‌دارتر باشند. برای مطالعهٔ روش NDVI، توضیح USGS دربارهٔ بازتاب پوشش گیاهی و راهنمای Penn State Extension دربارهٔ تصویربرداری پهپادی در پایش محصول را ببینید: https://www.usgs.gov/special-topics/remote-sensing-phenology/science/ndvi-foundation-remote-sensing-phenology و https://extension.psu.edu/unmanned-aerial-vehicle-based-crop-scouting-in-fruit-trees
راهنمای فنی تغذیه دقیق در کشاورزی هوشمند: تلفیق آزمون خاک، بافت و شوری، تصاویر ماهواره‌ای و حسگرها برای ساخت نسخه کوددهی متغیرمقدار، کنترل اجرای دستگاه و ارزیابی اقتصادی بدون اتکا به شاخص منفرد.
خواندن مقاله
راهنمای طراحی پایش و کنترل هوشمند اقلیم گلخانه: جانمایی حسگرها، تحلیل دما و رطوبت، مدیریت تهویه و فن، سایه‌انداز و سرمایش تبخیری، منطق کنترل مرحله‌ای و آزمون ایمنی برای تولید پایدار.
خواندن مقاله
راهنمای فنی طراحی آبیاری هوشمند با ترکیب داده حسگر رطوبت خاک، نیاز آبی گیاه، تبخیر و تعرق و پیش‌بینی بارش؛ از جانمایی حسگر تا کنترل ایمن شیر و ارزیابی پایلوت در مزرعه.
خواندن مقاله