В данной статье я не буду вдаваться в подробности теории, предполагаю, что вы знаете для чего нужен этот индекс. Моя задача - показать, как вам можно его получить.
NDVI
NDVI (Normalized Difference Vegetation Index) — нормализованный относительный индекс растительности — простой показатель количества фотосинтетически активной биомассы (обычно называемый вегетационным индексом). Этот индекс вычисляется по поглощению и отражению растениями лучей красной и ближней инфракрасной зоны спектра. Значения индекса для растительности лежат в диапазоне от 0,20 до 0,95. Чем лучше развита растительность во время вегетации, тем выше значение NDVI. Таким образом, NDVI – это индекс, по которому можно судить о развитии зеленой массы растений во время вегетации.
Этот индекс активно используют в сельском хозяйстве для решения широкого спектра задач.
Для этого нам понадобятся следующие ресурсы и программы:
1. Скачивание снимка
Переда началом нам нужно зарегистрироваться на сайте.
В связи с последними событиями, при регистрации желательно указывайте регион Германия. Потому что российские аккаунты частенько банят.
В поисковой строке указываем название своего квадрата, его вы можете найти в интернете по названию области. Здесь важно отметить, что спутник делит снимки по квадратам 100х100 кв.км.
Если вы не знаете название своего квадрата, тогда в правой части нажимаем на кнопку "Area Mode" и выделяем необходимую область. В Фильтре "Satellite Platform" выбираем "S2A_*" и нажимаем поиск.
Бывает такое, что необходимая область может находится на нескольких квадратах одновременно, тогда придётся скачивать их оба. Названия же самих квадратов можно узнать в имени файла, на месте где я выделил красным.
В моём случае это 38ULA. В левой части проверяем, что бы снимок был не облачный, можем нажать на глазик и увеличить превью снимка. Если снимок нас устраивает, то нажимаем на кнопку скачивания. По итогу вы получите zip архив.
Название архива — говорящее. Разберём его подробно на примере S2A_MSIL1C_20211027T082041_N0301_R121_T38ULA_20211027T101011.zip:
S2A или S2B – это номер спутника Sentinel-2A или Sentinel-2B;
MSIL1C – тип обработки спутникового снимка. L1C говорит о том, что это уровень обработки снимка без устранения атмосферных помех. То есть, это изображение сырое, которое спутник никак не обрабатывает;
20211027T082041 - 2021 год, 27 октября - дата пролёта спутника над квадратом и время начала пролёта над квадратом в 8 часов, 20 минут и 41 секунд;
N0301 и R121 – если не ошибаюсь (информацию так и не нашёл), это траектория движения спутника по орбите. Нам она не так сильно важна;
T38ULA – номер квадрата, по которой сделан снимок;
20211027T101011 - дата и время окончания пролёта спутника.
Разархивируем файл в отдельную папку.
Внутри этого архива есть папка с длинным названием, которое заканчивается на .SAFE. В папке *.SAFE есть папка GRANULE, в ней — ещё одна папка с длинным названием, внутри которой находится папка IMG_DATA, а в ней — 14 изображений в формате jp2. Среди них есть 13 пронумерованных — их названия заканчиваются на B01-B12 (плюс ещё одно с номером B8A). Это — снимки земной поверхности, сделанные на определённых длинах волн. Например, B04 — это снимок в красном диапазоне, а B08 — в ближнем инфракрасном. Название 14-го изображения заканчивается на TCI, что означает True Color Image — это полноцветный снимок, то есть примерно такой, какой получился бы на обычный фотоаппарат.
2. Обработка снимка
Для обработки открываем программу Qgis. Из нашей папки потребуются 2 снимка, это B04 и B08, переносим их в программу. Переходим во вкладку “Растр” и открываем “Калькулятор растров”.
В строке выражения, нам нужно прописать следующую формулу:
В программе это получится: (B08-B04)/(B08+B04)
Только, естественно, указываем полное название файла. При двойном нажатии в “Каналы растра” он в “Выражения” подтянется сам.
Таким образом мы получим необходимый снимок. Только он будет серого цвета, поэтому нам нужно его раскрасить. Дважды нажимаем на наш снимок. Переходим во вкладку “Стиль”. В “Изображения” выбираем “Одноканальное псевдоцветное”. Нажимаем на иконку с папкой “Загрузить палитру из файла”. Добавляем файл с раскраской. Я выложу на яндекс диск свою раскраску, вы можете её скачать.
Итог:
Получаем готовый снимок, где можем просмотреть состояние своих полей за конкретный день.
Комментарии (14)
steanlab
11.08.2022 14:12T38ULA – номер квадрата, по которой сделан снимок
А где можно посмотреть списки наименований всех квадратов? Потому что "указываем название своего квадрата, его вы можете найти в интернете по названию области" мягко говоря не работает от слова совсем :) Какие нужны ключевые слова с запросе? Что за система «деления на квадраты» используется?
Сам нашел. sentinel grid map
karrok
11.08.2022 22:39+1А вы не смотрели в сторону планетарного комптютера от майкрософта?
Доступные коллекции - https://planetarycomputer.microsoft.com/catalog
АПИ - https://planetarycomputer.microsoft.com/docs/reference/data/
Вероятно вам может пригодится секция PgSTAC Mosaic endpoints -
регистрация поиска и по полученому хэшу грузите тайлы из необходимой коллекции
c_kotik
Так как же фермеру узнать состояние полей?
Klyucherov Автор
По итогу, у нас получается NDVI снимок, на котором видны проблемные участки. На основе этого мы можем скорректировать следующее внесение удобрений. Или же если видим, что есть какие то проблемные участки, то отправляем оперативную группу органумов и выясняем что это, возможно какой-то сорняк.
В основном агрономы не видят что происходит внутри поля, когда перед ними ставится задача провести осмотр, они пройдут по краю, скажут что всё хорошо, и всё. А если поле 600 Га, то даже по краям тяжело пройти. А снимки позволяют увидеть картину сверху, целиком.
WicRus
А если органутанам выдать квадрокоптер, чтобы они поле ещё и сверху изучали?
Тут больше интересно, какую информацию можно найти вне видимого диапазона. И есть ли от него вообще польза.
baldr
Польза есть. У меня клиент занимается примерно этим же самым - скачиваем данные со спутников (NASA MODIS), в разных диапазонах строятся карты. Можно наглядно за последние 20 лет видеть карты растительности. Скачиваем данные по посадкам агрокультур (где рис, где кукуруза и тп), объединяем все это, добавляем температуру, строим ML модель. Добавляем прогнозы - и можно примерно предсказывать где что будет как дальше расти. По разному типу излучения моделью можно на спутниках распознавать тип культур.
Таких сервисов уже довольно много. Кто-то запускает беспилотники по карте фотографировать поля - фермеру каждый день видно с какой стороны поле сохнет или цвет какой нездоровый. Когда у тебя пара сотен гектар в разных местах штата - может быть довольно удобно.
Klyucherov Автор
За 5 минут можно обработать один большой снимок 100х100 км.
А для того что бы обработать одно поле дроном, нужно гораздо больше времени, если у тебя 100 полей по 200 Га, то это вообще анрил.
Сейчас ни один агрохолдинг без спутниковых снимков не справляется. Данный пост был написан для обычных фермеров у которых нет огромных площадей.
По поводу пользы. Тут есть 2 аспекта которые мы можем сделать благодаря этим снимкам. Это сэкономить или дозаработать.
Если интересно что как и почему, напишите комментарий, постараюсь написать по этому поводу отдельный пост, потому что тема очень большая, что бы говорить о ней в комментариях.
WicRus
Интересно именно, какие и как вывода делаются с данных снимков? То есть как интерпретируется полученная информация. Механически получить информацию и подготовить для обработки сейчас может даже школьник, а как её дальше «читать». Если есть возможность напишите отдельную статью про это.
Klyucherov Автор
Хорошо, напишу, постараюсь выложить на следующей неделе, подпишитесь тогда, что бы не потерять.
c_kotik
Это все прекрасно, но может всё таки для широкой публики хабра стоит привести примеры анализов с расшифровкой? Иначе получается очередной курс рисования совы.
Klyucherov Автор
Данная статья и была рассчитана не на широкую публику, об этом я написал в самом начале.