آموزش محاسبه شاخص گیاهی NDVI و SIPI گوگل ارث انجین

🚀 محاسبه شاخص‌های NDVI و SIPI با گوگل ارث انجین: راهنمای جامع ۲۰۲۵ 🚀

پایش سلامت گیاهان دیگه یه کار لوکس نیست، یه ضرورته! 🌱 با افزایش نگرانی‌ها در مورد تغییرات آب و هوایی و تأثیر اون بر کشاورزی و منابع طبیعی، داشتن ابزاری برای رصد و تحلیل دقیق وضعیت پوشش گیاهی، بیش از هر زمان دیگه‌ای اهمیت پیدا کرده.

خوشبختانه، گوگل ارث انجین (Google Earth Engine) این امکان رو به ما میده که با استفاده از داده‌های ماهواره‌ای، شاخص‌های مهمی مثل NDVI و SIPI رو محاسبه کنیم و از این طریق، سلامت و شادابی گیاهان رو زیر نظر داشته باشیم. توی این مقاله، با هم یاد می‌گیریم چطوری از این ابزار قدرتمند استفاده کنیم و چه اطلاعات ارزشمندی رو می‌تونیم ازش به دست بیاریم. 🤩

🌱 شاخص‌های NDVI و SIPI چی هستن و چرا مهمن؟

قبل از اینکه بریم سراغ کدنویسی و محاسبات، یه کم در مورد خود این شاخص‌ها صحبت کنیم. NDVI و SIPI دو تا از مهم‌ترین شاخص‌های طیفی هستن که برای ارزیابی وضعیت پوشش گیاهی استفاده میشن.

NDVI (شاخص نرمال شده تفاوت پوشش گیاهی): این شاخص، میزان سبزینگی و تراکم پوشش گیاهی رو نشون میده. هر چی مقدار NDVI بیشتر باشه، یعنی گیاه سالم‌تر و شاداب‌تره. NDVI معمولاً بین -1 و +1 متغیره.

SIPI (شاخص مستقل رنگدانه ساختاری): این شاخص، اطلاعاتی در مورد وضعیت سلامت گیاه و میزان تنش‌های وارد شده به اون رو به ما میده. SIPI به ما کمک می‌کنه تا بفهمیم گیاه تحت چه فشارهایی قرار داره و آیا نیاز به مراقبت بیشتری داره یا نه.

این شاخص‌ها به ما کمک می‌کنن تا:

تغییرات پوشش گیاهی رو در طول زمان رصد کنیم. ⏱️
مناطق آسیب‌پذیر رو شناسایی کنیم. ⚠️
تصمیمات بهتری در مورد مدیریت منابع طبیعی و کشاورزی بگیریم. 👨‍🌾

همین حالا خرید خود را ثبت کنید!

💻 آموزش قدم به قدم محاسبه NDVI و SIPI در گوگل ارث انجین

حالا بریم سراغ اصل مطلب! برای محاسبه این شاخص‌ها، باید از زبان JavaScript در گوگل ارث انجین استفاده کنیم. نگران نباشید، ما اینجا هستیم تا قدم به قدم بهتون کمک کنیم.

1. وارد گوگل ارث انجین بشید: اول از همه، وارد سامانه گوگل ارث انجین بشید و یک پروژه جدید ایجاد کنید.
2. انتخاب تصویر ماهواره‌ای: برای محاسبه شاخص‌ها، به تصاویر ماهواره‌ای نیاز داریم. معمولاً از تصاویر Sentinel-2 یا Landsat استفاده میشه. تصاویر Sentinel-2 به خاطر رزولوشن بالاتری که دارن، انتخاب بهتری هستن.
3. نوشتن کد JavaScript: حالا باید کد مورد نظر رو بنویسیم. کد زیر، نحوه محاسبه NDVI و SIPI رو نشون میده:

“`javascript
var dataset = ee.ImageCollection(‘COPERNICUS/S2_SR’)
.filterDate(‘2023-01-01’, ‘2023-12-31’)
.filterBounds(geometry);

var NDVI = dataset.map(function(image) {
return image.normalizedDifference([‘B8’, ‘B4’]).rename(‘NDVI’);
});

var SIPI = dataset.map(function(image) {
var NIR = image.select(‘B8’);
var RED = image.select(‘B4’);
var BLUE = image.select(‘B2’);
var SIPI = NIR.subtract(BLUE).divide(NIR.subtract(RED)).rename(‘SIPI’);
return SIPI;
});
“`

4. تفسیر نتایج: بعد از اجرای کد، میتونید نقشه‌های NDVI و SIPI رو ببینید. رنگ‌های مختلف روی نقشه، مقادیر مختلف این شاخص‌ها رو نشون میدن. با تحلیل این نقشه‌ها، میتونید وضعیت سلامت گیاهان رو در منطقه مورد نظرتون ارزیابی کنید.

نکته مهم: این فقط یه مثال ساده است. شما میتونید با تغییر کد، شاخص‌های دیگه‌ای رو هم محاسبه کنید و تحلیل‌های پیشرفته‌تری انجام بدید.

همین حالا خرید خود را ثبت کنید!

🤔 سوالات متداول درباره محاسبه NDVI و SIPI

حالا که با نحوه محاسبه این شاخص‌ها آشنا شدیم، ممکنه سوالاتی براتون پیش اومده باشه. در ادامه، به ۱۵ تا از پرجستجوترین سوالات در این زمینه پاسخ میدیم:

1. NDVI چیست و چگونه محاسبه می‌شود؟
NDVI شاخص نرمال شده تفاوت پوشش گیاهی است که با استفاده از فرمول (NIR – RED) / (NIR + RED) محاسبه می‌شود، جایی که NIR نشان‌دهنده بازتاب مادون قرمز نزدیک و RED نشان‌دهنده بازتاب قرمز است.

2. SIPI چه کاربردی دارد و چگونه به ارزیابی سلامت گیاه کمک می‌کند؟
SIPI شاخصی است که اطلاعاتی درباره سلامت گیاه و میزان تنش‌های وارد شده به آن ارائه می‌دهد و با استفاده از فرمول (NIR – BLUE) / (NIR – RED) محاسبه می‌شود، جایی که NIR نشان‌دهنده بازتاب مادون قرمز نزدیک، RED نشان‌دهنده بازتاب قرمز و BLUE نشان‌دهنده بازتاب آبی است.

3. چرا از گوگل ارث انجین برای محاسبه شاخص‌های گیاهی استفاده می‌شود؟
گوگل ارث انجین امکان پردازش حجم وسیعی از داده‌های ماهواره‌ای را به‌صورت رایگان و کارآمد فراهم می‌کند، بنابراین برای محاسبه شاخص‌های گیاهی در مقیاس بزرگ بسیار مناسب است.

4. آیا برای استفاده از گوگل ارث انجین نیاز به دانش برنامه‌نویسی دارم؟
بله، برای استفاده از گوگل ارث انجین نیاز به دانش برنامه‌نویسی دارید، اما با آموزش‌های موجود می‌توانید به سرعت این مهارت را کسب کنید.

5. چه نوع داده‌های ماهواره‌ای برای محاسبه NDVI و SIPI مناسب هستند؟
تصاویر Sentinel-2 و Landsat به دلیل داشتن باندهای مورد نیاز برای محاسبه NDVI و SIPI، داده‌های مناسبی برای این منظور هستند.

6. چگونه می‌توانم تصاویر ماهواره‌ای را در گوگل ارث انجین فیلتر کنم؟
می‌توانید تصاویر ماهواره‌ای را بر اساس تاریخ، منطقه جغرافیایی و سایر ویژگی‌ها در گوگل ارث انجین فیلتر کنید.

7. آیا محاسبه NDVI و SIPI با استفاده از گوگل ارث انجین رایگان است؟
بله، استفاده از گوگل ارث انجین برای اهداف غیرتجاری رایگان است.

8. چگونه می‌توانم نتایج محاسبات NDVI و SIPI را در گوگل ارث انجین تجسم کنم؟
می‌توانید نتایج محاسبات را به صورت نقشه‌های رنگی با مقیاس‌های مختلف در گوگل ارث انجین تجسم کنید.

9. آیا می‌توانم از داده‌های NDVI و SIPI برای پیش‌بینی عملکرد محصولات کشاورزی استفاده کنم؟
بله، داده‌های NDVI و SIPI می‌توانند به عنوان ورودی برای مدل‌های پیش‌بینی عملکرد محصولات کشاورزی استفاده شوند.

10. چگونه می‌توانم دقت محاسبات NDVI و SIPI را در گوگل ارث انجین افزایش دهم؟
با استفاده از تصاویر با رزولوشن بالا، حذف ابرها و اصلاحات اتمسفری می‌توان دقت محاسبات را افزایش داد.

11. آیا می‌توانم از داده‌های NDVI و SIPI برای پایش جنگل‌ها و مراتع استفاده کنم؟
بله، داده‌های NDVI و SIPI برای پایش سلامت و تغییرات جنگل‌ها و مراتع بسیار مفید هستند.

12. چگونه می‌توانم داده‌های NDVI و SIPI را از گوگل ارث انجین دانلود کنم؟
می‌توانید داده‌های NDVI و SIPI را به صورت فایل‌های GeoTIFF یا CSV از گوگل ارث انجین دانلود کنید.

13. آیا می‌توانم از شاخص‌های دیگری به جز NDVI و SIPI برای ارزیابی سلامت گیاه استفاده کنم؟
بله، شاخص‌های دیگری مانند EVI، SAVI و MSAVI نیز برای ارزیابی سلامت گیاه مورد استفاده قرار می‌گیرند.

14. چگونه می‌توانم با استفاده از داده‌های NDVI و SIPI مناطق آسیب‌دیده را شناسایی کنم؟
مناطق با مقادیر پایین NDVI و SIPI معمولاً نشان‌دهنده مناطق آسیب‌دیده هستند و نیاز به بررسی بیشتر دارند.

15. آیا محاسبه NDVI و SIPI در گوگل ارث انجین نیاز به اتصال اینترنت دارد؟
بله، برای استفاده از گوگل ارث انجین و انجام محاسبات نیاز به اتصال اینترنت دارید.

🧑‍🎓 درباره علیرضا عادلی اصل، مدرس این مبحث

علیرضا عادلی اصل، دانشجوی کارشناسی ارشد مهندسی فضای سبز در دانشگاه تهران هستن و علاقه‌شون به مباحث بین‌رشته‌ای، به خصوص برنامه‌نویسی با زبان‌های R و جاوااسکریپت، تحلیل داده‌های محیط‌زیستی و سرمایه‌گذاری مالی، باعث شده تا دیدگاه همه‌جانبه‌ای در فعالیت‌های علمی و حرفه‌ایشون داشته باشن.

ایشان سابقه تدریس در دانشگاه تهران در حوزه‌های مرتبط با معماری منظر و فناوری‌های نوین رو دارن و کاربرد سنجش از دور در معماری منظر و تحلیل محیطی داده‌محور، از جمله زمینه‌های مورد علاقه‌شون هستن. از جمله پروژه‌های مورد توجهشون میشه به مدل‌سازی داده‌محور برای بهینه‌سازی طراحی منظر و تحلیل سری‌های زمانی پوشش‌های گیاهی با داده‌های ماهواره‌ای اشاره کرد.