MITARBEITER

NDVI (Normalized Difference Vegetation Index) und PRI (Photochemical Reflectance Index): Theorie, Methoden und Anwendung

Moderne Technologie ermöglicht es, spektrale Vegetationsindizes wie NDVI und PRI in verschiedenen Maßstäben sowohl räumlich als auch zeitlich zu messen, von Satelliten, die die gesamte Erdoberfläche erfassen, bis zu kleinen Handsensoren, die einzelne Pflanzen oder sogar Blätter messen.

Was sind NDVI und PRI?

NDVI (Normalized Difference Vegetation Index) und PRI (Photochemical Reflectance Index) sind beides spektrale Vegetationsindizes, die aus Messungen von relativ schmalen Wellenlängen des reflektierten Lichts (10 bis 50 Nanometer) im elektromagnetischen Spektrum abgeleitet werden. Dies ist nützlich für die Messung verschiedener Eigenschaften in Pflanzendächern. NDVI steht für den Normalized Difference Vegetation Index und PRI steht für den Photochemical Reflectance Index.

Es gibt viele Arten von spektralen Vegetationsindizes. Dieser Artikel und das Webinar konzentrieren sich jedoch auf die Theorie, die Methoden und die Anwendung von NDVI und PRI, da dies zwei der am häufigsten verwendeten Indizes sind.

NDVI ist besonders nützlich für die Messung der strukturellen Eigenschaften von Pflanzendächern wie leaf area index, der Lichtabsorption und sogar der Biomasse und des Wachstums, während PRI eher für die Messung der funktionellen Eigenschaften von Pflanzendächern wie der Lichtnutzungseffizienz geeignet ist. Die neuere Literatur zeigt, dass PRI auch für die Messung von Blattpigmenten nützlich ist.

Verständnis der Wechselwirkungen zwischen Baldachin und Strahlung

Um zu verstehen, woher NDVI und PRI kommen, ist es wichtig, die Wechselwirkungen zwischen Baumkronen und Strahlung zu kennen. Bei der Interaktion von elektromagnetischer Strahlung mit Pflanzendächern gibt es drei Hauptrichtungen.

In Abbildung 2 wird die Energie als Photonen in Form von Pfeilen dargestellt. Photonen, die von der Sonne kommen, können auf drei Arten mit dem Blätterdach interagieren: Sie können übertragen werden, d.h. sie wandern durch die Baumkronen und treffen auf den Boden. Sie können absorbiert werden, d.h. das grüne photosynthetische Material im Blätterdach nimmt einige Photonen auf und nutzt diese Energie für die Photosynthese. Oder sie werden reflektiert, d.h. sie treffen auf die Oberfläche der Baumkronen und werden in den Weltraum zurückgeworfen.

Abbildung 3 ist ein Diagramm mit elektromagnetischer Strahlung. Eines der auffälligsten Merkmale in diesem Diagramm ist das sichtbare Spektrum. Es reicht von 400 bis 700 Nanometern und umfasst die blauen, grünen, gelben, orangen und roten Farben, die das menschliche Auge wahrnimmt. Es gibt jedoch auch ultraviolette Strahlung (UV) bei sehr kurzen Wellenlängen und Infrarotstrahlung bei längeren Wellenlängen. Es ist wichtig zu verstehen, dass es innerhalb des elektromagnetischen Strahlungsspektrums Photonen mit unterschiedlichen Energien (Wellenlängen) gibt. Die Wechselwirkung der Strahlung mit einem Pflanzendach ist von der Wellenlänge abhängig. Zum Beispiel interagieren rote Photonen anders mit den Baumkronen als blaue Photonen oder Photonen im nahen Infrarot. Was die Vegetationsindizes messen, ist die reflektierte Komponente der Strahlung.

REFLEKTIERTE STRAHLUNG
Spektrale Eigenschaften des Kronendachs

Abbildung 4 zeigt ein typisches Reflektionsspektrum von Baumkronen, wie Sie es von den meisten Baumkronen mit grünem photosynthetischem Material erwarten würden. Die y-Achse stellt die prozentuale Reflexion der elektromagnetischen Strahlung dar. Die x-Achse ist die Wellenlänge in Nanometern. Der Bereich von 450 bis 700 Nanometern ist der sichtbare Bereich, und bei etwa 700 Nanometern kommen wir in den infraroten und insbesondere in den nahen infraroten Bereich des Spektrums. Dieses Spektrum wurde von einem Pflanzendach abgeleitet. Beachten Sie, dass der Großteil der Strahlung, die im sichtbaren Spektrum reflektiert wird, ihren Höhepunkt im grünen Bereich hat. Aus diesem Grund ist das Blätterdach einer Pflanze in der Regel grün. Die blauen und roten Farben werden in diesem Fall stark von den Chlorophyllen absorbiert. Beachten Sie auch die hohen Reflexionswerte im nahen Infrarotbereich. Es ist sehr typisch, dort hohe Reflexionen zu sehen, weil diese Energie nicht für die Photosynthese genutzt werden kann. Die Pflanzen wurden so konzipiert, dass sie diese Strahlung reflektieren.

Verschiedene Komponenten der Pflanzendecke können die Spektren im gesamten Wellenlängenbereich des sichtbaren und nahen Infrarots und darüber hinaus beeinflussen. Abbildung 5 zeigt den Chlorophyllgehalt der Blätter auf verschiedenen Ebenen.

Da der Chlorophyllgehalt variiert, ändert sich dieses Spektrum dramatisch, insbesondere im sichtbaren Bereich zwischen Grün und Rot und ein wenig im nahen Infrarot.

In ähnlicher Weise zeigt Abbildung 6, dass der Carotinoidgehalt ebenfalls die Reflexion verändert, aber seine Auswirkungen sind viel weniger breit über das Spektrum verteilt.

Die Struktur der Blattzellen ist ebenfalls eine Eigenschaft der Baumkronen, die das Reflexionsspektrum beeinflussen kann. Abbildung 7 zeigt, dass die Wirkung im sichtbaren Bereich und im nahen Infrarot tendenziell gleichmäßig ist.

Auch der Wassergehalt der Blätter kann das Spektrum eines Blattes stark beeinflussen. Abbildung 8 zeigt mehr vom Spektrum im nahen Infrarotbereich, weil dort der größte Teil des Wassereffekts liegt. Im sichtbaren Bereich ist der Effekt nicht zu sehen, und im nahen Infrarotbereich ist er gering. Bei etwa 800 Nanometern gibt es jedoch einen großen Effekt. Es sind also die längeren Wellenlängen, bei denen der Wassergehalt einen Einfluss hat.

Die vorangegangenen Beispiele zeigen die Auswirkungen auf der Blattebene. Das Reflexionsspektrum, das von einem Blätterdach beobachtet wird, ist jedoch eine Mischung aus vielen Blättern. Wenn wir sie alle zusammennehmen, können Sie in Abbildung 9 sehen, dass leaf area index auch einen dramatischen Effekt im gesamten sichtbaren und nahen Infrarotbereich des Spektrums hat.

Beachten Sie, dass im roten Bereich von etwa 600 bis 700 Nanometern und auch im nahen Infrarot, wo das Blattmaterial hinzugefügt wurde, immer höhere Reflexionen zu verzeichnen sind.

Wie NDVI berechnet wird

Die vorangegangenen Diagramme zeigen kontinuierliche Reflexionsspektren, aber NDVI konzentriert sich nur auf zwei bestimmte Bereiche des Spektrums; das nahe Infrarot (NIR) bei etwa 800 Nanometern wird mit der Reflexion im roten Bereich kombiniert, der typischerweise bei etwa 650 bis 700 Nanometern liegt (Abbildung 10). Ein typischer NDVI Wert liegt zwischen -1 und 1. Ein höherer NDVI Wert deutet auf eine grünere Baumkrone oder mehr Blattfläche hin.

Wie bereits erwähnt, ist der prozentuale Reflexionsgrad ein Verhältnis zwischen der aufsteigenden Strahlung oder der Strahlung, die von der Baumkrone reflektiert wird, und der Energiemenge, die auf die Baumkrone trifft. Der Grund für die Formulierung von NDVI mit roten und nahen Infrarot-Bändern ist, dass Rot stark vom Chlorophyllgehalt beeinflusst wird und nahes Infrarot mit der Zellstruktur der Blätter und den Lufträumen im Blatt zusammenhängt. Wenn sich die Blätter ausdehnen und reifen, verändert sich die Zellstruktur, und das kann einen starken Einfluss auf die Streuung im nahen Infrarot haben. Aus dem Spektrum in Abbildung 10 geht auch hervor, dass das Rot stark absorbiert wird. Das können wir erkennen, weil nicht viel reflektiert wird. Im nahen Infrarot sehen wir jedoch eine große Menge an Reflexion. Anhand des Verhältnisses zwischen dem roten und dem nahen Infrarot (Gleichung 1) können wir also nachvollziehen, was mit der Vegetationsdecke geschieht.

NDVI ANWENDUNGEN
Schätzen Sie leaf area index mit NDVI

NDVI wird oft verwendet, um die leaf area index einer Vielzahl von verschiedenen Baldachinen zu schätzen. Dies ist besonders nützlich bei einer Zeitreihenanalyse, bei der Sie NDVI im Laufe der Zeit verfolgen. In einem einjährigen Laubdach, in dem es große saisonale Verschiebungen in leaf area index gibt, ist NDVI nützlich, um diese Veränderungen zu verfolgen. NDVI kann auch verwendet werden, um auf die räumliche Variabilität in leaf area index zu schließen oder diese zu schätzen.

Abbildung 11 zeigt, wie Forscher Bildmaterial verwenden können, um die räumliche Variabilität des LAI zu verstehen. Sie können NDVI mit diesen Bildern berechnen, da sie über Nahinfrarot- und Rotwellenbänder verfügen. Sie verwenden dann diese NDVI Werte, um den LAI der Pflanzen zu kartieren, damit sie die räumliche Heterogenität des LAI sowohl zwischen als auch innerhalb der einzelnen Bewirtschaftungseinheiten erkennen können.

Beachten Sie, dass es bei dieser Anwendung von NDVI Grenzen gibt.

Abbildung 12 zeigt, dass NDVI ab einem LAI von drei bis vier dazu neigt, sich in seiner Beziehung zu leaf area index zu sättigen. Das liegt daran, dass die Chlorophyllabsorption im roten Bereich selbst bei niedrigen LAI-Werten sehr gering ist. Wenn also mehr Blattfläche hinzukommt, ändert sich die Absorption ab einem LAI von drei oder vier nur noch geringfügig. Ähnlich verhält es sich im nahen Infrarotbereich: Wenn wir mehr Blattmaterial hinzufügen, wird die schrittweise Veränderung der Reflexion im nahen Infrarotbereich bei sehr hohen LAI-Werten tendenziell geringer. Dies ist also ein möglicher Schwachpunkt bei der Verwendung von NDVI zur Schätzung des LAI. Diese Methode ist nur für Baumkronen geeignet, deren LAI zwischen null und vier liegt.

Eine weitere verwandte Anwendung von NDVI wäre die Schätzung der Lichtabsorption, da der LAI damit zusammenhängt, wie viel Licht von einem Pflanzendach absorbiert wird. Je mehr Blätter, desto mehr Licht wird absorbiert. Die Lichtabsorption ist eine wichtige Variable, denn sie gibt uns eine Vorstellung davon, wie viel Licht von einer Baumkrone absorbiert wird. Wenn wir zum Beispiel davon ausgehen, dass eine Baumkrone an ihre Umgebung angepasst ist und die gesamte Lichtenergie nutzen kann, dann gibt uns die Kenntnis der Lichtabsorption einen Hinweis auf die photosynthetische Kapazität.

Ein Vorteil der Verwendung von NDVI für die Vorhersage der teilweisen Lichtabsorption oder der teilweisen Absorption der photosynthetisch aktiven Strahlung(F_PAR), ist, dass die Beziehung zwischen NDVI und F_PAR normalerweise nicht in die Sättigung geht. Die Lichtabsorption ist in der Regel bei einem LAI von etwa drei bis vier relativ vollständig. Wenn zusätzliche Blattflächen hinzukommen, steigt der Anteil der Lichtabsorption nicht linear an. Abbildung 13 zeigt eine lineare Beziehung zwischen NDVI und F_PAR.

Beachten Sie, dass die Kurve sogar bis zu hohen Abfangwerten linear bleibt.

Verwendung von NDVI in der Phänologie

Eine weitere relativ häufige Verwendung von NDVI ist die Schätzung der Phänologie in Systemen, die laubabwerfend oder einjährig sind, oder in jeder anderen Art von System mit einer großen inter-annualen Variabilität der Blattfläche. Das untere Diagramm in Abbildung 14 zeigt, dass eine Zeitreihe von NDVI Daten und die Anpassung einer Kurve an diese Zeitreihe ein ziemlich regelmäßiges Muster aufweisen.

Im Winter gibt es nicht nur eine große Blattfläche, so dass NDVI niedrig ist. Im Frühjahr steigt NDVI dann mit zunehmendem LAI an. Gegen Mitte der Vegetationsperiode erreicht er seinen Höhepunkt und im Herbst führen Seneszenz und Blattfall dazu, dass die Werte von NDVI sinken. Anhand dieser Kurven können wir verschiedene Metriken über den Zeitpunkt verschiedener Ereignisse extrahieren. Wenn Sie sich zum Beispiel für den Zeitpunkt des Ergrünens oder den Beginn der Saison interessieren. Die obere Grafik in Abbildung 14 zeigt die SOSp-Metrik, die aus einer NDVI Kurve extrahiert wurde. Diese SOSp-Metrik zeigt, wann die Blätter zu wachsen begannen. Da wir sehen können, wann die Blätter zu wachsen begannen, können wir dies mit einem bestimmten Datum als Beginn der Saison kennzeichnen. Wenn wir viele Jahre lang Beobachtungen wie diese zusammenstellen, haben wir viele Daten, an denen der Beginn der Saison für eine bestimmte Baumkrone stattfand. Wir können dies dann mit Klimavariablen oder anderen Variablen in Beziehung setzen, um zu sehen, ob es eine Ursache und Wirkung gibt. Einige Forscher haben beispielsweise herausgefunden, dass mit der Erwärmung des Klimas der Beginn der Saison in der Regel früher im Jahr stattfindet. Und es gibt noch viele andere Metriken, die wir aus diesen Kurven extrahieren können. Wir können entweder die Daten von NDVI direkt als Indikator für die Phänologie verwenden oder wir können die Daten von NDVI direkt in ein Modell zur Vorhersage des Auftretens phänologischer Ereignisse einfließen lassen.

Abbildung 15 zeigt ein weiteres Beispiel für die Verwendung von NDVI , um die Phänologie zu verstehen. In einem Waldbestand mit gemischten Arten können wir viele verschiedene Stellen im Kronendach oder sogar einzelne Bäume betrachten und den Zeitpunkt ihrer Entwicklung verfolgen. Abbildung 15 zeigt die Entwicklung eines Mischwaldes im Frühjahr. Alle Arten beginnen mit sehr unterschiedlichen NDVI Werten. Dies hängt direkt mit ihrem leaf area index zu diesem Zeitpunkt zusammen. Im weiteren Verlauf des Frühjahrs steigen die NDVI Werte für die Laubbaumarten typischerweise an, und nach etwa 150 Tagen konvergieren sie alle auf einen ziemlich einheitlichen NDVI Wert. Etwa am Tag 150 beginnt die Baumkrone also, ihre strukturelle Reife zu erreichen. Wir wissen nicht unbedingt, was zu diesem Zeitpunkt mit der photosynthetischen Akklimatisierung vor sich geht, aber diese Daten sind ein gutes Beispiel dafür, wie NDVI Daten verwendet werden können, um die räumliche Heterogenität oder die Unterschiede zwischen den einzelnen Arten oder Bäumen bei der Begrünung zu bewerten, sogar innerhalb desselben Bestands.

Verwendung von NDVI zur Schätzung der Produktivität

NDVI Daten können verwendet werden, um die Produktivität in laubabwerfenden Baumkronen oder Baumkronen, die stark saisonabhängig sind, wie z.B. einjähriges Grasland, wo das Vorhandensein von grüner Blattfläche sehr eng mit der saisonalen Photosynthese gekoppelt ist, direkt zu schätzen.

Abbildung 16 zeigt zum Beispiel Daten aus einer Arbeit von Ryu, in der er die NDVI eines einjährigen Graslands über mehrere Jahre hinweg verfolgt hat. NDVI Werte sind die grünen Punkte in der oberen Grafik und die offenen Kreise in derselben Grafik sind Photosynthesemessungen. Beachten Sie, dass NDVI den Zeitpunkt und die Amplitude der Photosynthese in diesem einjährigen Grasland gut verfolgen kann. In der unteren Grafik hat er den gesamten vierjährigen Datensatz genommen und die korrelative Beziehung zwischen NDVI und der Photosynthese in den Baumkronen aufgezeigt. Auf diese Weise hat er ein empirisches Modell erstellt, das NDVI verwendet, um die Photosynthese der Baumkronen in diesem Ökosystem zu schätzen. Da NDVI den zeitlichen Ablauf der Photosynthese in diesem System verfolgt, können wir nicht nur die momentane Photosynthese an einem bestimmten Tag des Jahres schätzen, sondern auch Fragen beantworten wie: Wie kann ich den Zeitraum der Kohlenstoffaktualisierung schätzen? Wann hat die Saison begonnen? Wann hat sie ihren Höhepunkt erreicht? Wann endete sie? Abbildung 16 ist ein umfangreicher Datensatz, der für verschiedene nützliche Variablen ausgewertet werden könnte.

NDVI Einschränkungen

Einige Einschränkungen bei der Verwendung von NDVI sind zu beachten:

1. Wie bereits erwähnt, neigt NDVI bei hohen LAIs zur Sättigung: (Siehe Abbildung 12) Eine Möglichkeit, dieses Problem zu umgehen, besteht darin, dass der LAI je nach Ihren Anforderungen vielleicht nicht das ist, was Sie brauchen. Vielleicht geht es tatsächlich um einen Bruchteil des Abfangens. Wenn es aber um LAI geht, dann sollten Sie bedenken, dass Sie mit NDVI wahrscheinlich nicht viel anfangen können, wenn Sie in Systemen mit sehr hohem LAI arbeiten.
2. Die NDVI ist in immergrünen Ökosystemen nicht sehr dynamisch, zumindest nicht in einem Zeitreihenansatz: Das macht Sinn, denn immergrüne Systeme sind immergrün. Es gibt nicht viele Veränderungen zwischen Winter und Sommer bei leaf area index und somit auch nicht bei der fraktionierten Lichtinterzeption, zumindest soweit sie durch den LAI gesteuert wird.

Abbildung 17 zeigt, dass die Werte von NDVI über ein ganzes Jahr hinweg ziemlich stabil sind, während die_CO2-Aufnahme oder Photosynthese der Baumkronen im Laufe der Zeit dynamisch ist. Aber es gibt keine Verbindung zwischen der zeitlichen Dynamik von NDVI und der_CO2-Aufnahme in der Baumkrone. Dies wäre also eine unangemessene Verwendung von NDVI. Wir wollen mehr über die Baumkronen wissen und darüber, was die funktionelle Veränderung bewirkt. Abgesehen davon kann NDVI in immergrünen Systemen nützlich sein, um die räumliche Heterogenität zu untersuchen. Wenn Sie nach der Variabilität des LAI oder der Lichtabsorptionsbiomasse über große Flächen oder in einer langen Zeitreihe suchen. Wenn Sie z.B. die Erholung und das Wachstum nach einem Waldbrand bewerten, wird NDVI , selbst wenn es sich um ein immergrünes System handelt, über einen ausreichend langen Zeitraum hinweg reagieren. Auf der jährlichen Zeitskala wird es jedoch wahrscheinlich keine großen dynamischen Veränderungen geben.

Wie berechnet man den PRI (Photochemischer Reflexionsindex)?

Der PRI ist in seiner Formulierung ähnlich wie der NDVI , der einzige Unterschied besteht in den Wellenlängen oder Banden, die als Eingaben verwendet werden. PRI wird mit Reflexionen bei 531 Nanometern und 570 Nanometern berechnet, und die PRI-Werte reichen von -1 bis 1.

Der photochemische Reflexionsindex wird am häufigsten verwendet, um die Lichtnutzungseffizienz oder Veränderungen in der Lichtnutzungseffizienz zu ermitteln, die innerhalb eines Pflanzendaches auftreten. Dazu wird insbesondere die 531-Nanometer-Reaktion auf Veränderungen der Xanthophyll-Pigmente untersucht.

Abbildung 18 zeigt ein paar verschiedene Reflexionsspektren, die in relativ kurzer Folge aufgenommen wurden. Wenn wir die Differenz zwischen diesen beiden Spektren berechnen, sehen wir einige Peakbereiche, bei denen die Unterschiede am größten waren. Einer davon bei etwa 531 Nanometern könnte auf die Aktivität des Xanthophyll-Zyklus zurückgeführt werden.

Der Xanthophyll-Zyklus ist eine schnelle und umkehrbare Aktion/Reaktion, bei der die Xanthophyll-Pigmente einen inneren Umwandlungsprozess sowohl vorwärts als auch rückwärts durchlaufen.

Abbildung 19 veranschaulicht diesen inneren Umwandlungsprozess. Auf der rechten Seite des Diagramms beginnen wir mit Violaxanthin. Es wird in Antheraxanthin umgewandelt, und das Endprodukt ist Zeaxanthin. Violaxanthin ist der ungestresste Zustand. Wenn die Pflanze unter Stress gerät, findet eine innere Umwandlung der Pigmente statt, bis mehr Pigmente im Zeaxanthin-Zustand vorhanden sind. Wenn der Stress nachlässt, ist dieser Prozess umkehrbar. Wenn wir zum Beispiel die Lichtintensität verringern, kann sich diese innere Umwandlung der Pigmente umkehren, so dass im Pflanzengewebe überwiegend Violaxanthin vorhanden ist. Dies ist ein allgegenwärtiger Weg für Pflanzen, um sicher mit stressigen Umgebungen umzugehen. Wenn Pflanzen im Freien sind, nehmen sie ständig Strahlung auf. Sie können nicht einfach aufstehen und weggehen. Dieser Prozess ist eine Möglichkeit, überschüssiges Licht in den Xanthophyll-Zyklus zu absorbieren, wo die Energie genutzt wird, um die inneren Pigmentumwandlungen anzutreiben, anstatt die Photosynthesemaschinen zu schädigen. Wenn das Licht absorbiert und für den Xanthophyll-Zyklus verwendet wird, verringert sich die Effizienz der Lichtnutzung, da das Licht nicht die Kohlenstoffaufnahme antreibt. Stattdessen wird es über den Xanthophyll-Zyklus zur Wärmeabfuhr verwendet. Der Xanthophyll-Zyklus ist also ein Weg, wie die Pflanze die Effizienz der Lichtnutzung kontrolliert.

Der Xanthophyll-Zyklus zeigt auch andere interessante Dynamiken über Zeiträume hinweg. Abbildung 20 aus einer Arbeit von Demmig, Adams und Adams zeigt zum Beispiel einige verschiedene Behandlungen und was wir bei der Gesamtgröße des Xanthophyll-Pools (die Summe der Gehalte von Violaxanthin, Antheraxanthin und Zeaxanthin) erwarten können. Außerdem wird die relative Poolgröße oder das Verhältnis von Violaxanthin zu Antheraxanthin zu Zeaxanthin dargestellt.

Die oberen Kuchendiagramme Gegenüberstellung schattige Blätter zu sonnenbeschienenen Blättern. In sonnenbeschienenen Blättern ist der Gesamtpool viel größer als in schattigen Blättern. Beachten Sie die Anteile der einzelnen Xanthophylle. In schattigen Blättern liegt ein viel größerer Anteil der Xanthophylle im Violaxanthin-Zustand vor, vermutlich weil zum Zeitpunkt der Probenentnahme weniger Bedarf an Lichtschutz besteht. Umgekehrt liegt ein viel höherer Anteil der Xanthophylle in den sonnenbeschienenen Blättern im Zeaxanthin-Zustand vor, was auf einen Bedarf an Lichtschutz hinweist.

Das Gleiche lässt sich feststellen, wenn man den Xanthophyllgehalt im Sommer und im Winter vergleicht. Bei einem überwinternden immergrünen Baum beispielsweise ist der Bedarf an Lichtschutz im Sommer viel geringer, weil ein Großteil der Energie, die die Pflanzen aufnehmen (vorausgesetzt, es gibt keinen Stress), für die Photosynthese genutzt werden kann. Aber im Winter sind die Temperaturen niedrig und die Bedingungen für die Photosynthese ungünstig. Die Pflanze nimmt zwar immer noch Licht auf, aber sie muss etwas damit anfangen können, um sich nicht selbst zu zerstören. Also investiert die Pflanze Ressourcen, um den Pool an Xanthophyllen zu vergrößern. So gibt es im Winter einen größeren Anteil an Zeaxanthin, weil ein hoher Bedarf an Lichtschutz besteht.

Im unteren Beispiel gibt es einen Unterschied in der Stickstoffbehandlung und es folgt im Grunde dem Muster der beiden anderen Beispiele. Wenn die Pflanze viel Stickstoff hat, ist sie weniger gestresst und braucht weniger Lichtschutz. Wenn sie wenig Stickstoff hat, kann sie die absorbierten Photonen nicht nutzen und hat einen höheren Bedarf an Photoprotektion durch die Xanthophyll-Pigmente.

PRI hilft bei der Erfassung der Xanthophyll-Dynamik

Eine Möglichkeit, wie Forscher das PRI nutzen, ist die Erfassung dieser zeitlichen Dynamik der Xanthophylle (d.h. der Lichtnutzungseffizienz durch die Xanthophyll-Aktivität). Die Verwendung des PRI begann, als Dr. John Gamon entdeckte, dass die Aktivität des Xanthophyll-Zyklus anhand der reflektierten Spektren nachgewiesen werden kann. Er fand heraus, dass die Reflexion bei 531 Nanometern am empfindlichsten auf Veränderungen des Xanthophylls reagierte.

Rechts oben in Abbildung 21 sehen Sie das Reflexionsvermögen bei 531 Nanometern, und der Oxidationszustand auf der x-Achse zeigt den Zustand des Xanthophyll-Zyklus in Form des Verhältnisses von Violaxanthin zu Antheraxanthin zu Zeaxanthin. In diesem kurzen Zeitraum können wir eine Dynamik im Xanthophyll-Zyklus erkennen und sehen, dass die Reflexion bei 531 Nanometern auf diese Veränderungen reagiert.

Zu beachten ist, dass PRI auch eine Referenzbande bei 570 Nanometern verwendet, die nur als Referenz dient. Es gibt keine Veränderung bei 570 Nanometern, wenn sich die Xanthophylle verändern.

Abbildung 22 zeigt, dass die Veränderung des PRI fast genauso empfindlich auf Veränderungen des Oxidationszustands der Xanthophylle reagiert wie das Reflexionsvermögen bei 531 Nanometern. Beachten Sie auch, dass die Xanthophyll-Aktivität nur in relativ schmalen Banden innerhalb des Reflexionsspektrums nachgewiesen werden kann. In diesem Fall würde ein breites Band (d.h. die Messung des gesamten grünen Spektrums) die Aktivität des Xanthophyllzyklus wahrscheinlich übersehen. Daher sind Messungen in schmalen Wellenbereichen erforderlich, um eine xanthophyllbedingte Veränderung zu erkennen oder empfindlich genug zu sein, um sie zu erkennen.

Verstehen Sie die Dynamik der photosynthetischen Funktion

Einige Forscher verwenden den PRI, um die tageszeitliche Dynamik oder die kurzfristige Dynamik der photosynthetischen Funktion von Pflanzen zu untersuchen. In den Abbildungen 23 und 24 finden Sie Beispiele für einfache Experimente, die zeigen, wie dynamisch der PRI auf Veränderungen der Lichtnutzungseffizienz reagieren kann.

Abbildung 23 zeigt ein Experiment, bei dem die Forscher eine Pflanze mit abgestuftem Licht bestrahlten (die Lichtintensität wurde erhöht, bis sie ihren Höhepunkt erreichte und dann abfiel). Das obere Diagramm zeigt, wie die Lichtmenge ansteigt und dann abfällt. Und die_CO2-Aufnahme (die auf die Photosynthese hinweist) folgt ebenfalls dieser Veränderung der Lichtmenge. Wenn also mehr Energie zur Verfügung steht, steigt die Photosynthese an, und wenn die Lichtmenge abnimmt, geht die Photosynthese zurück.

Das untere Diagramm in Abbildung 23 ist genau dasselbe Experiment mit anderen Messungen. Die beiden Messungen sind PRI und 𝚫F/F_m eine Fluoreszenzmessung, die die Effizienz des Photosystems II misst (bezogen auf die Lichtnutzungseffizienz). Abbildung 24 zeigt, dass PRI und die Fluoreszenzmessung das Timing der Lichtstufen gut verfolgen. Auch hier gilt: Wenn das Licht erhöht wird, sinkt PRI und 𝚫F/F_m sinkt, was beides auf eine Abnahme der Lichtausbeute hinweist. Wenn die Lichtintensität sinkt, ist es genau umgekehrt.

Abbildung 24 ist ein weiteres einfaches Experiment, das die zeitliche Entwicklung von Fluoreszenz und PRI im Laufe der Zeit veranschaulicht. Die Pflanzen beginnen zur Stunde Null im Dunkeln. Nach einer Stunde wird das Licht eingeschaltet und es gibt eine fast sofortige Reaktion der Fluoreszenz und des PRI. Sie reagieren sehr stark abwärts, was mit der Lichtausbeute korreliert. Nachdem das Licht einige Zeit eingeschaltet war, schalten die Experimentatoren das Licht wieder aus. Und auch hier gibt es eine relativ schnelle, unmittelbare Reaktion der Fluoreszenz und der PRI auf diese Veränderung der Lichtmenge, da sich die Physiologie der Blätter verändert.

Diese Experimente zeigen, dass PRI nützlich sein könnte, um schnelle Veränderungen zu messen, die im Laufe eines ganzen Tages auftreten können oder wenn ein Pflanzendach von der Sonne in den Schatten wechselt. Wenn sich diese oder andere Umgebungsvariablen ändern, würden wir Änderungen in der Lichtnutzungseffizienz erwarten, die der PRI möglicherweise erkennen könnte.

PRI für langfristige Veränderungen nutzen

Die Idee, PRI für Langzeitmessungen zu verwenden, gab es schon immer. Allerdings haben sich nicht so viele Forscher mit diesem Thema befasst, weil die Messung von PRI über lange Zeiträume hinweg etwas schwierig ist. Normalerweise benötigt man fortschrittliche Instrumente, um diese schmalen Wellenlängen des Lichts zu erhalten. In letzter Zeit hat das Interesse jedoch zugenommen, und die in Abbildung 25 dargestellten Ergebnisse sind relativ neu und werden noch erforscht.

Was die Forscher bisher herausgefunden haben, ist, dass der PRI über längere Zeiträume nicht nur auf den Xanthophyllzyklus, sondern auch auf den Gesamtgehalt an Carotinoiden und Chlorophyll reagiert. Es ist wichtig zu wissen, dass die Xanthophylle (Violaxanthin, Antheraxanthin und Zeaxanthin) eine Klasse von Carotinoiden sind. Wenn Forscher also den Gesamtgehalt an Carotinoiden messen, ist oft ein großer Teil davon tatsächlich Xanthophylle. Es ist noch nicht ganz klar, ob die PRI nur auf die Xanthophylle oder auf die gesamten Carotinoide anspricht. Weitere Untersuchungen werden dies klären. Forscher haben jedoch herausgefunden, dass es eine sehr enge Korrelation zwischen PRI und dem Verhältnis von Carotinoiden zu Chlorophyllen gibt. Das Verhältnis von Carotinoiden zu Chlorophyll kann mit der Effizienz der Lichtnutzung in Verbindung gebracht werden, da die Carotinoide akzessorische Pigmente sind, die eine Rolle bei der Lichtausbeute spielen können. Aber die meisten von ihnen, wie die Xanthophylle, spielen auch eine lichtschützende Rolle. Wenn wir also Gegenüberstellung den Gehalt an Carotinoiden im Verhältnis zu Chlorophyll betrachten, können wir die Dynamik dieses Verhältnisses im Laufe der Zeit verfolgen und einen Eindruck davon gewinnen, wie gestresst eine Pflanze sein könnte. Dies könnte also eine Möglichkeit sein, die Lichtnutzungseffizienz oder die photosynthetische Effizienz mit Hilfe der PRI zu untersuchen, allerdings über einen längeren Zeitraum oder über einen größeren räumlichen Bereich hinweg.

Das Diagramm auf der linken Seite von Abbildung 25 zeigt eine Studie, in der eine Kiefer über ein ganzes Jahr hinweg untersucht wurde, um einige langfristige Korrelationen zwischen photosynthetischer Physiologie, Blattpigmenten und PRI zu bewerten. Dabei wurde festgestellt, dass fast alle wichtigen photosynthetischen physiologischen Variablen mit dem PRI zusammenhängen. Das liegt zum Teil daran, dass es zwischen diesen Variablen eine Menge Ko-Korrelationen gibt, aber in Übereinstimmung mit früheren Studien fanden sie einige der höchsten Korrelationen mit dem Verhältnis von Xanthophyll zu Chlorophyll, dem Verhältnis von Carotinoiden zu Chlorophyll und der Gesamtgröße des Xanthophyll-Pools zur Gesamtgröße des Carotinoid-Pools.

Aber auch wenn es eine Menge Ko-Korrelation gibt, zeigen die Forscher in Abbildung 26, dass PRI über lange Zeiträume verwendet werden kann, um Trends in der Lichtnutzung abzuschätzen.

PRI eignet sich also gut zur Messung der Lichtnutzungseffizienz über tageszeitliche Zeitskalen hinweg, und es scheint, dass wir sie auch auf längeren Zeitskalen verwenden können. Bei der Verwendung auf längeren Zeitskalen ist jedoch eine gewisse Vorsicht bei der Interpretation der Daten geboten, um die treibenden Faktoren, die zu Veränderungen bei PRI führen, wirklich zu verstehen.

PRI-Beschränkungen

Wie bei NDVI gibt es auch bei PRI einige Einschränkungen. Erstens hat sich herausgestellt, dass die Beziehung zwischen PRI und Lichtnutzungseffizienz, unabhängig von der Zeitskala, zwischen verschiedenen Baumkronen variiert. Es gibt also einige Abhängigkeiten von den Arten und einige strukturelle Abhängigkeiten.

Abbildung 27 zeigt, dass die Beziehung zwischen PRI und Fluoreszenz (die ein Indikator für die Lichtausbeute ist) bei vielen verschiedenen Arten unterschiedlich ist. Es ist also nicht möglich, den PRI zu messen und daraus einen Wert für die Lichtausbeute abzuleiten. Um einen absoluten Wert für die Lichtausbeute zu erhalten, muss zunächst etwas Hintergrundarbeit geleistet werden, um diese korrelativen Beziehungen herzustellen. Das gilt auch für NDVI. Wenn Sie den NDVI Wert kennen, müssen Sie einige korrelative Arbeiten durchführen, bevor Sie diese NDVI Zahl in einen absoluten LAI oder F_PAR Zahl übertragen können.

Während einer gesamten Vegetationsperiode reagiert der PRI auf Veränderungen vieler Variablen, von denen die meisten mit der photosynthetischen Leistung zusammenhängen. Seien Sie jedoch vorsichtig, wenn Sie PRI-Messungen in einem bestimmten Zeitraum direkt mit einem anderen Zeitraum vergleichen oder wenn Sie einige dieser Messungen räumlich skalieren wollen.

Beachten Sie auch, dass die Effizienz von PRI und Lichtnutzung dazu neigt, sich zu entkoppeln, insbesondere in extremen Fällen. In einem immergrünen Ökosystem gibt es zum Beispiel oft eine Entkopplung in der Übergangszeit vom Frühling zum Sommer. Der andere Ort, an dem Forscher eine Entkopplung beobachtet haben, ist während extremer Trockenheit. Wenn die Bäume kurz vor dem Absterben stehen, neigt die PRI dazu, zusammenzubrechen. In solchen Situationen ist das Ergebnis meist, dass PRI die Lichtausbeute überschätzt. Auch hier ist also Vorsicht geboten.

Und schließlich hängt die Lichtnutzungseffizienz nicht nur mit den Pigmenten des Xanthophyllzyklus oder anderen Pigmenten in den Blättern zusammen. In einigen Fällen muss auch die Photorespiration berücksichtigt werden, und die PRI hat nichts mit der Photorespiration zu tun. Daher kann die Photorespiration eine Fehlerquelle bei PRI-basierten Schätzungen der Lichtnutzungseffizienz sein.

Kombination der Messungen von NDVI und PRI

Es besteht ein breites Interesse daran, die Photosynthese aus der Ferne oder zerstörungsfrei schätzen zu können. Einige Forscher greifen auf das Modell der Lichtnutzungseffizienz von Monteith zurück (Gleichung 3).

wobei GPP (Bruttoprimärproduktivität) oder Photosynthese ein Produkt aus PAR (photosynthetisch aktive Strahlung), die auf ein Pflanzendach einfällt, mal_FPAR (fractional light interception) oder wie viel von diesem PAR tatsächlich vom Pflanzendach absorbiert wird, mal ε (Lichtnutzungseffizienz) ist. Mit anderen Worten: Wie effizient werden diese absorbierten Photonen genutzt, um Kohlenstoff in Form von Kohlenhydraten zu binden?

Einige Forscher haben jedoch vorgeschlagen, einen Proxy für F_PAR und ε zu verwenden, aber nicht für PAR.

Die Forscher haben versucht, F durch NDVI zu ersetzen._PAR und PRI für ε zu ersetzen, und sie haben einige anständige Ergebnisse erzielt. Abbildung 28 ist eine Studie, die sowohl über Zeit als auch über Raum skaliert.

Jeder Datenpunkt stammt entweder von einem anderen Ort oder aus einer anderen Zeitperiode, die am selben Ort abgetastet wurde. In diesem Fall haben sie NDVI einfach mit sPRI multipliziert (sPRI ist eine Art der Skalierung von PRI, so dass die Werte zwischen Null und Eins liegen). sPRI entspricht im Wesentlichen PRI. Sie sehen, dass die Beziehung in Abbildung 28 ziemlich eng ist.

Abbildung 29 ist ein Versuch, PAR und_FPAR in APAR zu bündeln. APAR ist also die absorbierte photosynthetisch aktive Strahlung. Es ist also so, als würde man PAR und_FPAR kombinieren und dann mit dem skalierten PRI multiplizieren. Diese Forscher versuchen, die Photosynthese in tatsächlichen Einheiten der Photosynthese zu schätzen. Auch hier handelt es sich um eine ziemlich lineare Beziehung. Es gibt eine gewisse Verzerrung in Bezug auf die Skalierung, aber auch hier wird die Photosynthese aus der Ferne recht gut erfasst.

Eine Anwendung der Kombination von NDVI und dem sPRI-Lichtnutzungseffizienzmodell wäre die räumliche Skalierung.

Abbildung 30 zeigt ein von Satellitenbildern abgeleitetes Produkt. Aus diesen Satellitenbildern konnten die Forscher NDVI und PRI berechnen. Sie kombinierten NDVI und PRI in dem Modell der Lichtnutzungseffizienz und extrahierten für jedes Pixel oder jeden Ort im Bild eine Schätzung der_CO2-Aufnahme oder der Photosynthese. Auch wenn dies von einem Satellitenbild abgeleitet wurde, können Sie sich vorstellen, dass viele Sensoren in der Landschaft platziert werden könnten, um etwas sehr Ähnliches zu erhalten oder zumindest ein Gefühl für die räumliche Heterogenität der Photosynthese mit diesem kombinierten NDVI/PRI-Ansatz zu bekommen.

So messen Sie NDVI, PRI und spektrale Reflexion

Es gibt eine Vielzahl von Möglichkeiten, Spektraldaten zu messen, zum Teil weil es eine Vielzahl von Lichtwellenlängen gibt, die wir messen können.

Abbildung 31 zeigt verschiedene Messungen von unterschiedlichen Instrumenten. Zum Beispiel gibt es "hyperspektrale Daten", die wir von einem Spektrometer ableiten können, das uns nahezu kontinuierliche Informationen über das gesamte Spektrum liefert. Dies wäre die detaillierteste Art von Spektraldaten, die wir aus einem Instrument gewinnen können. Normalerweise werden diese Art von Instrumenten in der Fernerkundung für Forschungszwecke eingesetzt, wo wir vielleicht nach neuen Vegetationsindizes oder neuen Dynamiken suchen. Als zum Beispiel die PRI entdeckt wurde, wurden mehrere Spektren auf einmal untersucht.

Ein anderer Ansatz wäre die Verwendung einer begrenzten Anzahl von Spektralbändern. So sind zum Beispiel vom QuickBird-Satelliten und anderen hochauflösenden Satelliten so genannte "multispektrale Daten" verfügbar. QuickBird liefert uns Bänder im blauen, grünen, roten und nahen Infrarot, also nur vier Bänder, um die spektrale Dynamik in dieser Region für Pflanzendecken darzustellen. Der multispektrale Ansatz ist also im Grunde ein Synonym für ein Multiband-Radiometer. Der Unterschied zwischen hyperspektral und multispektral ist unscharf, aber im Grunde bedeutet "hyper" viel und "multi" nur wenig. Auf der extremen Seite steht hyperspektral, aber auf der anderen Seite haben wir ein Einband-Radiometer. Ein PAR-Instrument ist im Wesentlichen ein Einband-Radiometer mit einem sehr breiten Messbereich. Es misst die Strahlung zwischen 400 und 700 Nanometern und gibt einen einzigen Wert für diesen gesamten Bereich aus. Ein Pyranometer tut dasselbe, aber sein Bereich ist noch breiter und reicht viel weiter in den nahen und kurzwelligen Infrarotbereich hinein.

Das Instrument, das wir brauchen, hängt also von unseren Forschungszielen ab. Wenn unsere Ziele nur darin bestehen, für die spezifischen Anwendungen in diesem Artikel zu messen, wäre ein komplettes Spektrometer zu viel des Guten. In diesen Fällen können wir ein Multiband-Radiometer verwenden, das entweder den PRI, den NDVI oder beides gleichzeitig misst. Wir brauchen nur vier Bänder.

Der NDVI/PRI-Sensor von METER ist ein Multiband-Radiometer, das sowohl NDVI als auch PRI misst.

Der eine Typ hat Bänder, die bei 630 Nanometern und 800 Nanometern zentriert sind und für NDVI Messungen bestimmt sind. Der andere Typ hat Bänder, die bei 532 Nanometern und 570 Nanometern zentriert sind und für die Messung des PRI bestimmt sind. Spektrale Reflexionssensoren sind für die Messung der einfallenden Strahlung vorgesehen (Abbildung 33).

Die Teflon-Diffusoren sorgen für eine halbkugelförmige Sicht auf den Himmel, was die Messung des einfallenden Lichts ermöglicht. Und unten rechts sehen Sie die Richtungssensoren, die physische Feldblenden haben, die das Sichtfeld auf 20 Grad begrenzen. Dadurch können sie auch ausgerichtet werden, so dass die Forscher, die sie verwenden, tatsächlich steuern können, wohin der Sensor innerhalb eines Pflanzendaches schaut. Er verfügt über eine NIST-rückverfolgbare Kalibrierung, so dass er Messungen und tatsächliche physikalische Einheiten des Lichts liefert. Er ist klein, wasserdicht und wetterfest, so dass Sie sich keine Sorgen machen müssen, ihn draußen aufzustellen und über lange Zeiträume Daten zu sammeln, was bei den meisten Spektrometern ein Problem darstellt. Normalerweise müssen Sie eine Art Behälter für das Gerät bauen, um es vor den Elementen zu schützen.

NDVI und Überlegungen zur PRI-Messung

Wenn wir die spektrale Reflexion messen wollen, um PRI und NDVI zu erhalten, sind wir in der Regel an einem Blick von oben auf die Baumkronen interessiert, zumindest für die Messungen der Strahlungsdichte (oder die Messungen des Aufwinds).

Dies erfordert Messungen oberhalb der Baumkronen. Die Schwierigkeit dieser Aufgabe hängt von der Höhe der Baumkronen ab. In Abbildung 34 sehen Sie zum Beispiel einen Flux-Turm in Nord-Michigan, der weit über ein gemischtes Laubdach hinausragt. Das wäre die perfekte Plattform für einen SRS-Sensor. Handelt es sich bei der Baumkrone jedoch beispielsweise um eine Weizenpflanze, ist ein Turm unnötig. Sie können den Sensor an einem Zaunpfahl oder einem stabilen Stativ befestigen. In jedem Fall muss sich der Sensor oberhalb der Baumkronen befinden.

Bei Langzeitmessungen des spektralen Reflexionsgrads ist es von Vorteil, Instrumente mit zwei Ansichten zu verwenden: ein Instrument, das nach oben schaut, um die einfallende Strahlung zu quantifizieren, und ein anderes, das nach unten schaut, um zu quantifizieren, wie viel von dieser Strahlung reflektiert wird. Das bedeutet, dass es keine Rolle spielt, wie die Himmelsbedingungen sind. Sie können bei Sonnenschein messen und wenn Wolken aufziehen, hat das keinen Einfluss auf die Messung, da beide Strahlungsquellen gleichzeitig gemessen werden. Dies ist auch ein Vorteil gegenüber bodengestützten Spektralreflexionsmessungen im Gegensatz zu Satellitenbildern. Das Problem bei Satellitenbildern ist, dass immer dann, wenn cloud bedeckt ist, insbesondere im sichtbaren Bereich, die Sicht auf das Ökosystem der Baumkronen, an denen wir interessiert sind, behindert wird. Mit einem SRS-Sensor oder Spektrometer, der die Baumkronen unter allen Bedingungen messen kann, können wir NDVI und PRI unter allen Bedingungen viel detaillierter untersuchen. Auch wenn wir versuchen, einen Sensor oberhalb der Baumkronen anzubringen, ist es vorteilhaft, einen kleinen Sensor mit geringer Leistung zu verwenden, da es einfacher ist, ihn dort anzubringen, wo er die Baumkronen kontinuierlich überwachen kann.

Eine Sache, die Sie bei NDVI und PRI im Auge behalten sollten, ist, dass Änderungen der Oberflächengeometrie des Sonnensensors dramatische Auswirkungen auf die Daten haben können. Dies ist besonders wichtig, wenn Sie Zeitseriendaten betrachten. In Abbildung 35 sind zum Beispiel fünf Tage von NDVI aufgezeichnet.

Jede Linie steht für einen anderen Tag. Beachten Sie, dass zwischen all diesen Datenzeilen ein typisches U-förmiges Muster zu erkennen ist. Dabei handelt es sich um Winkeleffekte, was bedeutet, dass sich nicht der LAI oder der Anteil des Lichteinfalls verändert hat. Der Sensor blickte auf einen festen Standort. Es hatte also damit zu tun, wie die Photonen mit der Baumkrone interagierten und vom Instrument aufgezeichnet wurden.

Abbildung 36 zeigt ein extremes Beispiel für Rückstreuung und Vorwärtsstreuung.

In diesem Beispiel ändert sich der Standort des Beobachters und des Baldachins nicht, aber die Position der Sonne am Himmel ändert sich. Sie sehen, dass dies einen starken Einfluss darauf haben kann, wie die Photonen auf das Blätterdach treffen und wie sie am Standort des Beobachters oder des Instruments aufgezeichnet werden.

Denken Sie auch daran, dass bei der Erfassung langer Zeitreihen von Daten unter allen Wetterbedingungen Dinge passieren können, die zu falschen Beobachtungen führen. Die vordere Optik kann nass werden, ein Vogel könnte auf dem Sensor landen, der Sensor könnte schmutzig werden. All diese Dinge können Rauschen oder Spitzen in den Daten verursachen. So zeigt zum Beispiel Tag 178 in Abbildung 35 eine große Ausprägung nach oben.

Daher ist bei Zeitreihen NDVI und PRI-Daten in der Regel ein gewisses Maß an Datenfilterung erforderlich. Eine der Lösungen für den Effekt der Oberflächengeometrie des Sonnensensors besteht darin, nur eine Beobachtung pro Tag zu verwenden. Dies funktioniert in der Regel gut mit NDVI , da NDVI strukturell verwandte Variablen wie den LAI betrachtet, die sich im Laufe eines Tages nicht stark verändern, aber sie verändern sich von Tag zu Tag oder über Wochen und Monate. Wenn das also der Schwerpunkt ist, dann ist eine tägliche Auflösung wirklich alles, was erforderlich ist. Abbildung 37 ist ein Beispiel, bei dem die Forscher jeden Tag eine Messung um die Mittagszeit durchgeführt haben. Die Mittagszeit, insbesondere die solare Mittagszeit, ist besser, weil der Zenit und der Azimut der Sonne von Tag zu Tag gleich sind, wenn die Beobachtungen gemacht werden.

Abbildung 38 ist eine Zeitreihe von mehreren verschiedenen Behandlungsflächen, auf denen tägliche Daten aufgezeichnet werden, um die Muster oder die Unterschiede in den Mustern der Begrünung während des Übergangs vom Frühjahr zum Sommer auf einer Wiese zu zeigen.

Einige Forscher wünschen sich tageszeitliche Daten, insbesondere im Fall der PRI, da die PRI sehr dynamisch sein kann, da sie auf die Dynamik des Xanthophyllzyklus reagiert. Es besteht ein großes Interesse daran zu verstehen, was einige dieser engen Kopplungen und schnellen Reaktionen sind, mit denen Pflanzen und Pflanzendecken auf schnelle Veränderungen in der Umwelt reagieren. Wenn Sie die tageszeitlichen Daten verwenden möchten, empfehlen wir Ihnen, sich mit der Modellierung der bidirektionalen Reflexion zu befassen (Modellierung oder Berücksichtigung der Winkeleffekte, die in den Daten vorhanden sind), wie in einem Artikel von Thomas Hillker beschrieben, der 2008 in Remote Sensing of Environment veröffentlicht wurde.

Referenzen

• Colombo, Roberto, Dario Bellingeri, Dante Fasolini, und Carlo M. Marino. "Retrieval von leaf area index in verschiedenen Vegetationstypen unter Verwendung von hochauflösenden Satellitendaten". Fernerkundung der Umwelt 86, Nr. 1 (2003): 120-131.(Link zum Artikel).
• Demmig-Adams, Barbara, und William W. Adams III. "Die Rolle der Carotinoide des Xanthophyllzyklus beim Schutz der Photosynthese". Trends in der Pflanzenwissenschaft 1, Nr. 1 (1996): 21-26.(Link zum Artikel).
• Gamon, J. A., C. B. Field, W. Bilger, O. Björkman, A. L. Fredeen, und J. Peñuelas. "Fernerkundung des Xanthophyll-Zyklus und der Chlorophyll-Fluoreszenz in Sonnenblumenblättern und -dächern". Oecologia 85, Nr. 1 (1990): 1-7.(Link zum Artikel).
• Gamon, John A., Christopher B. Field, Michael L. Goulden, Kevin L. Griffin, Anne E. Hartley, Geeske Joel, Josep Peñuelas, und Riccardo Valentini. "Beziehungen zwischen NDVI, Kronenstruktur und Photosynthese in drei kalifornischen Vegetationstypen". Ökologische Anwendungen 5, Nr. 1 (1995): 28-41.(Link zum Artikel).
• Gamon, JAm, L. Serrano, und J. S. Surfus. "Der photochemische Reflexionsindex: ein optischer Indikator für die Effizienz der photosynthetischen Strahlungsnutzung bei verschiedenen Arten, Funktionstypen und Nährstoffniveaus." Oecologia 112, no. 4 (1997): 492-501.(Artikel-Link).
• Gamon, J. A., und J. S. Surfus. "Bewertung von Blattpigmentgehalt und -aktivität mit einem Reflektometer". The New Phytologist 143, Nr. 1 (1999): 105-117.(Link zum Artikel).
• Gamon, J. A., J. Penuelas, und C. B. Field. "A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency". Fernerkundung der Umwelt 41, Nr. 1 (1992): 35-44.(Link zum Artikel).
• Garrity, Steven R., Gil Bohrer, Kyle D. Maurer, Kim L. Mueller, Christoph S. Vogel, und Peter S. Curtis. "A comparison of multiple phenology data sources for estimating seasonal transitions in deciduous forest carbon exchange". Land- und Forstmeteorologie 151, Nr. 12 (2011): 1741-1752.(Link zum Artikel).
• Garrity, Steven R., Jan UH Eitel, und Lee A. Vierling. "Disentangling the relationships between plant pigments and the photochemical reflectance index reveals a new approach for remote estimation of carotenoid content." Fernerkundung der Umwelt 115, Nr. 2 (2011): 628-635.(Link zum Artikel).
• Hall, Forrest G., Thomas Hilker, Nicholas C. Coops, Alexei Lyapustin, Karl F. Huemmrich, Elizabeth Middleton, Hank Margolis, Guillaume Drolet, and T. Andrew Black. "Multi-angle remote sensing of forest light use efficiency by observing PRI variation with canopy shadow fraction". Fernerkundung der Umwelt 112, Nr. 7 (2008): 3201-3211.(Link zum Artikel).
• Peñuelas, Josep, Iolanda Filella, und John A. Gamon. "Bewertung der photosynthetischen Strahlungsnutzung mit der spektralen Reflexion". New Phytologist 131, no. 3 (1995): 291-296.(Link zum Artikel).
• Porcar-Castell, Albert, José Ignacio Garcia-Plazaola, Caroline J. Nichol, Pasi Kolari, Beñat Olascoaga, Nea Kuusinen, Beatriz Fernández-Marín, Minna Pulkkinen, Eija Juurola, und Eero Nikinmaa. "Physiologie der jahreszeitlichen Beziehung zwischen dem photochemischen Reflexionsindex und der photosynthetischen Lichtnutzungseffizienz". Oecologia 170, no. 2 (2012): 313-323.(Link zum Artikel).
• Rahman, Abdullah F., John A. Gamon, David A. Fuentes, Dar A. Roberts, und Dylan Prentiss. "Modellierung des räumlich verteilten Ökosystemflusses des borealen Waldes mit hyperspektralen Indizes aus AVIRIS-Bildern". Journal of Geophysical Research: Atmospheres 106, no. D24 (2001): 33579-33591.(Link zum Artikel).
• Rahman, A. F., Vicente D. Cordova, John A. Gamon, Hans Peter Schmid, und Daniel A. Sims. "Potenzial der MODIS Ozeanbänder für die Schätzung des CO2-Flusses aus der terrestrischen Vegetation: Ein neuer Ansatz". Geophysikalische Forschungsbriefe 31, Nr. 10 (2004).(Link zum Artikel).
• Ryu, Youngryel, Dennis D. Baldocchi, Joseph Verfaillie, Siyan Ma, Matthias Falk, Ilse Ruiz-Mercado, Ted Hehn, und Oliver Sonnentag. "Testen Sie die Leistung eines neuartigen Spektralreflexionssensors mit Leuchtdioden (LEDs) zur Überwachung von Stoffwechsel, Struktur und Funktion von Ökosystemen." Land- und Forstmeteorologie 150, Nr. 12 (2010): 1597-1606.(Link zum Artikel).

Haben Sie Fragen?

Unsere Wissenschaftler verfügen über jahrzehntelange Erfahrung in der Unterstützung von Forschern und Landwirten bei der Messung des Kontinuums zwischen Boden, Pflanze und Atmosphäre.

• Sprechen Sie mit einem Experten
• Angebot anfordern
• Sehen Sie alle unsere Haubeninstrumente

APPENDIX

Wie Sie mehr aus Ihrem NDVI Sensor herausholen

Sehen Sie sich dieses Video an oder lesen Sie den folgenden Artikel, um zu erfahren, wie NDVI in der aktuellen Forschung eingesetzt wird und wie einige der Einschränkungen von NDVIüberwunden werden können.

NDVI - weltweit

Am ehesten kann man sich NDVI als Daten vorstellen, die von einem Satelliten aus der Erdumlaufbahn stammen. In Abbildung 1 sehen Sie stark bewachsene Gebiete mit hohen NDVI Werten, die durch dunkelgrüne Farben auf dem gesamten Globus dargestellt sind.

Umgekehrt haben Gebiete mit geringer Vegetation niedrige NDVI Werte, die braun aussehen. NDVI reagiert empfindlich auf die Menge der Vegetationsdecke, die auf der Erdoberfläche vorhanden ist.

NDVI - lokal

Wie kann NDVI auf der Ebene der Parzelle nützlich sein? Abbildung 2 unten zeigt einen Sukzessionsgradienten, bei dem der Nullpunkt ein kahler Fleck Erde oder ein paar Grashalme oder einjährige Gräser sind. Wenn wir diesen Fleck Boden lange genug liegen lassen, wird sich die Vegetation verändern: Sträucher können die Gräser ablösen und schließlich können wir einen Wald sehen. Über ein großes Gebiet hinweg können wir auch von Grasland zu Wald übergehen. In einem landwirtschaftlichen System findet ein jährlicher Wechsel der Vegetation statt - vom kahlen Feld über das Aufblühen der Pflanzen bis hin zu ihrer Reife und Seneszenz. Dieser Zyklus wiederholt sich jedes Jahr. Innerhalb dieser Wachstumszyklen hilft NDVI dabei, das Wachstum der Baumkronen im Laufe der Zeit sowie die räumliche Dynamik in der Landschaft zu quantifizieren.

Spektrale Reflexionsdaten

Woher kommt also NDVI ? In Abbildung 3 ist auf der x-Achse die Wellenlänge des Lichts innerhalb des elektromagnetischen Spektrums dargestellt. 450 bis 950 nm decken sowohl den sichtbaren Bereich als auch einen Teil des nahen Infrarots ab. Auf der y-Achse ist der prozentuale Reflexionsgrad dargestellt. Dies ist ein typisches Reflexionsspektrum von grüner Vegetation.

Die grüne Hyperspektrallinie ist das, was wir von einem Spektralradiometer erwarten würden. Der Reflexionsgrad ist in der Regel im blauen Bereich niedrig, im grünen Bereich höher und im roten Bereich niedriger. Sie verschiebt sich dramatisch, wenn wir vom sichtbaren in den nahen Infrarotbereich wechseln. Die beiden vertikalen Balken mit der Bezeichnung NDVI geben Ihnen eine Vorstellung davon, wo ein typischer NDVI Sensor innerhalb des Spektrums misst. Ein Band liegt im roten Bereich und das andere im nahen Infrarotbereich.

NDVI macht sich den großen Unterschied zwischen dem sichtbaren Bereich und dem nahen Infrarotbereich des Spektrums zunutze. Gesunde, wachsende Pflanzen reflektieren das nahe Infrarot stark. Die beiden Bilder auf der rechten Seite der Abbildung oben zeigen denselben Bereich. Das obere Bild wird in Echtfarbe angezeigt, d.h. in drei Bändern - blau, grün und rot. Das untere Bild ist ein Falschfarben-Infrarotbild. Die drei angezeigten Bänder sind blau, grün und anstelle von rot haben wir das nahe Infrarot verwendet. Das helle Rot weist auf eine starke Reflexion im nahen Infrarot hin, was typisch für eine grüne oder gesunde Vegetation ist.

Der Grund, warum NDVI mit Rot und Nahinfrarot formuliert ist, liegt darin, dass Rot die Chlorophyllabsorption anspricht und Nahinfrarot auf die Struktur der Baumkronen und die innere Zellstruktur der Blätter reagiert. Je mehr Blätter zu einer Baumkrone hinzukommen, desto mehr Chlorophyll und strukturelle Komplexität gibt es. Daher können wir davon ausgehen, dass der Anteil der roten Reflexion abnimmt und der Anteil der nahen Infrarotreflexion steigt.

Wie berechnen wir die NDVI?

Der Normalized Difference Vegetation Index berücksichtigt die Menge an Nahinfrarot (NIR), die von den Pflanzen reflektiert wird. Er wird berechnet, indem die Differenz zwischen den Reflexionen (Rho) im nahen Infrarot und im roten Bereich durch die Summe der beiden geteilt wird. Die Werte von NDVI liegen typischerweise zwischen minus eins (Oberflächenwasser) und eins (volles, lebendiges Blätterdach). Niedrige Werte (0,1 - 0,4) weisen auf spärliche Baumkronen hin, während höhere Werte (0,7 - 0,9) auf volle, aktive Baumkronen hindeuten.

Zur Berechnung des prozentualen Reflexionsgrads müssen wir sowohl die aufsteigende Strahlung (die Strahlung, die auf das Blätterdach auftrifft und dann zu unserem Sensor zurückreflektiert wird) als auch die gesamte absteigende Strahlung (vom Himmel) auf ein Blätterdach quantifizieren. Das Verhältnis dieser beiden Werte ergibt den prozentualen Reflexionsgrad in jedem der Bänder.

NDVI Anwendungen

Die Menschen verwenden NDVI , um auf Dinge zu schließen wie leaf area index(LAI) oder die fraktionierte Lichtabsorption (_FPAR) einer Baumkrone. Einige Wissenschaftler bringen NDVI auch mit der Biomasse oder dem Ertrag einer Pflanze in Verbindung. Die Menschen verwenden NDVI auch, um ein Gefühl für die Phänologie (allgemeine zeitliche Muster der Grünfärbung) zu bekommen, sowie um festzustellen, wo die Vegetation vorkommt oder wie viel Vegetation an einem bestimmten Ort vorhanden ist.

In Abbildung 4 sehen Sie, wie sich das Reflexionsspektrum bei einem gegebenen LAI der Baumkronen mit leaf area index verändert, wobei es im sichtbaren Bereich abnimmt und im nahen Infrarot zunimmt.

Bei einem sehr niedrigen LAI ist das Reflexionsspektrum relativ undifferenziert zwischen Rot und NIR (schwarze Linie), aber wenn der LAI hoch ist, gibt es eine starke Absorption von rotem Licht durch Chlorophyll mit einem starken Reflexionsgrad im NIR. Mit steigendem LAI nimmt die Reflektion im nahen Infrarot um 800 nm herum sogar noch zu.

NDVI Einschränkungen

Die Grenzen des Normalized Difference Vegetation Index liegen eher an den Extremen des Spektrums. Immer dann, wenn die Vegetation sehr gering ist (der Großteil der Szene besteht aus Boden), reagiert NDVI empfindlich auf diesen Boden. Dies kann die Messungen verfälschen. Am anderen Ende des Spektrums, wo viel Vegetation vorhanden ist, neigt NDVI zur Sättigung. Beachten Sie den vernachlässigbaren Unterschied zwischen den Spektren bei einem leaf area index (LAI) von 3 (lila) und 6 (grün). In einem tropischen Wald reagiert NDVI nicht auf kleine Veränderungen des LAI, da der LAI bereits sehr hoch ist. Es gibt jedoch mehrere Lösungen.

Lösung 1: Bodenangepasster Vegetationsindex

Abbildung 5 zeigt die Ergebnisse einer Studie, bei der spektrale Messungen verschiedener Vegetationsindizes über einen Transekt nackten Bodens vorgenommen wurden. Wenn wir von trockenem Lehm zu feuchtem Lehm übergehen, sehen wir eine starke Reaktion von NDVI auf die Feuchtigkeit des Bodens, was nicht wünschenswert ist, wenn wir die Vegetation messen. Wir sind nicht an einem Index interessiert, der empfindlich auf Veränderungen des Bodens oder der Bodenfeuchtigkeit reagiert. Es gibt jedoch noch einige andere Indizes in Abbildung 5, die viel weniger empfindlich auf Veränderungen des Bodens auf dem Transekt reagieren.

Der erste dieser Indizes ist der Soil Adjusted Vegetation Index (SAVI). Die Gleichung für den SAVI ist ähnlich wie die von NDVI. Er umfasst dieselben beiden Bänder wie NDVI- das nahe Infrarot und das Rot.

Das Einzige, was anders ist, ist der Parameter L. L ist ein Bodenanpassungsfaktor, dessen Werte zwischen 0 und 1 liegen können. Wenn die Vegetationsdecke 100% beträgt, ist L gleich 0, da keine Notwendigkeit für eine Bodenanpassung besteht. Wenn die Vegetationsdecke jedoch sehr gering ist, nähert sich der Parameter L dem Wert 1. Da es schwierig ist, den genauen Grad der Vegetationsbedeckung zu messen, ohne NDVI zu verwenden, können wir NDVI so modifizieren, dass es nicht auf den Boden reagiert, indem wir im Voraus schätzen, wie hoch L sein sollte. Es ist gängige Praxis, L auf einen Zwischenwert von 0,5 zu setzen. In Abbildung 5 sehen Sie, dass der bodenangepasste Vegetationsindex (Soil Adjusted Vegetation Index, SAVI) viel weniger empfindlich auf den Bodenhintergrund reagiert.

Lösung 2: modifiziertes SAVI

Der nächste Vegetationsindex ist der modifizierte SAVI (MSAVI). Die SAVI-Gleichung enthält einen L-Parameter, den wir schätzen müssen - keine sehr genaue Methode, um die Dinge zu handhaben. Daher hat ein Wissenschaftler namens Qi ein universelles Optimum für L entwickelt. Wir werden nicht näher auf die Mathematik eingehen, aber er konnte die SAVI-Gleichung so vereinfachen, dass der Parameter L nicht mehr benötigt wird und nur noch die Reflexionsgrade im nahen Infrarot und im Rotbereich eingegeben werden müssen.

Dies war ein ziemlich bedeutender Fortschritt, da es die Notwendigkeit umging, L zu schätzen oder unabhängig zu messen. Als Qi SAVI mit MSAVI verglich, gab es praktisch keinen Unterschied zwischen den beiden Indizes in Bezug auf ihre Empfindlichkeit gegenüber der Menge der Vegetation und ihre Reaktion auf den Bodenhintergrund.

NDVI Einschränkungen: hoher LAI

NDVI ist im mittleren Bereich der LAInützlich, solange Sie keine starken Bodeneffekte haben, aber sobald Sie sich einem LAI über 4 nähern, verlieren Sie an Empfindlichkeit. In Abbildung 7 ist der Verlust der Empfindlichkeit vor allem auf eine Sättigung im roten Bereich zurückzuführen. Die Messungen wurden in einem Weizendach und einem Maisdach durchgeführt. Die Nahinfrarot-Reflexion ist über das gesamte Spektrum der Weizen- und Maiskronen empfindlich, aber der rote Bereich sättigt relativ schnell. Dort, wo das Rot zu sättigen beginnt, beginnt auch die NDVI zu sättigen.

HINWEIS: NDVI erreicht bei hohen LAI-Werten eine Sättigung. Wenn es Ihnen jedoch darum geht, den Anteil des abgefangenen Lichts zu ermitteln, hat NDVI in der Regel kein Problem mit der Sättigung. In Abbildung 8 ist_FPAR oder der Anteil der photosynthetisch aktiven Strahlung, der abgefangen wird, fast vollständig, lange bevor NDVI in die Sättigung geht. Das liegt daran, dass die Baumkronen das Licht effizient abfangen. Sobald wir einen LAI von etwa 4 erreichen, ist das meiste Licht von der Baumkrone abgefangen oder absorbiert worden. Daher hat eine schrittweise Erhöhung des LAI keinen signifikanten Einfluss auf die_{FPAR-Variable}.

Lösung 3: WDRVI

Eine Lösung für das Problem der NDVI Sättigung ist der Wide Dynamic Range Vegetation Index (WDRVI). Seine Formulierung ist ähnlich wie die von NDVI, mit Ausnahme eines Gewichtungskoeffizienten, der verwendet werden kann, um die Unterschiede zwischen dem Beitrag des nahen Infrarots und der roten Reflexion zu verringern.

Im WDRVI wird a mit der Reflexion im nahen Infrarot multipliziert, um seinen Wert zu reduzieren und ihn näher an den Wert der roten Reflexion zu bringen. Auf diese Weise wird der Beitrag des roten und des nahen Infrarots zum Vegetationsindex ausgeglichen.

a kann im Bereich von 0 bis 1 liegen. Abbildung 9 zeigt, dass die lineare Reaktion des breiten dynamischen Vegetationsindex auf den LAI zunimmt, wenn wir einen kleineren Wert von a verwenden.

Der einzige Nachteil des WDRVI ist, dass die Auswahl von a subjektiv ist. Sie müssen selbst experimentieren, bis Sie einen Wert für a finden, der für Ihre Lösung optimal ist. Die meisten Menschen neigen dazu, einen sehr niedrigen Wert zu wählen, weil sie damit einer linearen Reaktion auf den LAI immer näher kommen, wenn dieser Wert abnimmt.

Lösung 4: Erweiterter Vegetationsindex

Der Enhanced Vegetation Index (EVI) wurde entwickelt, um die Empfindlichkeit in Ökosystemen mit hoher Biomasse zu verbessern, aber er versucht auch, atmosphärische Einflüsse zu reduzieren. Es handelt sich um einen Vegetationsindex, der für die Zwecke einer satellitengestützten Plattform entwickelt wurde. Auf dem Weg vom Satelliten zum Boden ist viel Atmosphäre zu durchdringen, und manchmal beeinflussen die Aerosole in der Atmosphäre die Reflexionen im roten und nahen Infrarotbereich, was zu falschen Beobachtungen führt. Der EVI versucht auch, die Empfindlichkeit des Indexes gegenüber dem Boden zu verringern. Somit ist der EVI eine Art Lösung für beide Extreme.

In der EVI-Gleichung sind die beiden wichtigsten Eingaben die Reflexionen im nahen Infrarot und im Rot. C1, C2 und L sind alles Parameter, die geschätzt werden können, aber das blaue Band muss gemessen werden. Die meisten Sensoren von NDVI sind Zweibandsensoren, so dass Sie diese Informationen im blauen Bereich nicht haben. Außerdem ist das blaue Band bei Satelliten relativ verrauscht und hat nicht immer die beste Datenqualität, so dass EVI nur einen begrenzten Wert hat.

Lösung 5: EVI2 (Enhanced Vegetation Index 2)

Diese Probleme brachten einen Wissenschaftler namens Jiang dazu, eine Lösung zu finden. Jiang beobachtete eine starke Autokorrelation zwischen dem roten und dem blauen Band. Daher beschloss er, den EVI ohne das blaue Band zu formulieren, und nannte ihn EVI2 (Enhanced Vegetation Index 2). Wenn Sie sich für die Mathematik interessieren, empfehlen wir Ihnen, seine Arbeit zu lesen, aber hier geben wir Ihnen die Gleichung, falls Sie daran interessiert sind, sie zu verwenden.

Als Jiang seinen EVI2 berechnete und ihn mit dem traditionellen EVI verglich (Abbildung 10), war das Verhältnis fast eins zu eins. In jeder Hinsicht war EVI2 gleichwertig mit EVI. Da das blaue Band vermieden wird, bietet es einige spannende Möglichkeiten, da es sich darauf beschränkt, die beiden Eingänge des NIR und des roten Bandes zur Berechnung von NDVI zu verwenden.

NDVI Sensor-Übersicht

NDVI Messungen haben einen beträchtlichen Wert, und obwohl es Extreme gibt, bei denen NDVI schlecht abschneidet, gibt es selbst in diesen Fällen mehrere Lösungen. Diese Lösungen verwenden alle die Nahinfrarot- und Rotbänder. Sie können also einen NDVI Sensor nehmen, die Rohwerte der NIR- und Rotreflexionen erhalten und sie in einen dieser Indizes umformulieren (es gibt noch mehrere andere Indizes, die wir nicht behandelt haben). Wenn Sie sich also in einem System mit extrem hohem oder niedrigem LAI befinden, versuchen Sie herauszufinden, wie die Nahinfrarot- und Rotbänder in einer Art Vegetationsindex verwendet werden können, um Ihre spezielle Anwendung zu untersuchen.

Referenzen

• Gamon, John A., Christopher B. Field, Michael L. Goulden, Kevin L. Griffin, Anne E. Hartley, Geeske Joel, Josep Peñuelas, und Riccardo Valentini. "Beziehungen zwischen NDVI, Kronenstruktur und Photosynthese in drei kalifornischen Vegetationstypen". Ökologische Anwendungen 5, Nr. 1 (1995): 28-41.(Link zum Artikel).
• Gitelson, Anatoly A. "Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation". Zeitschrift für Pflanzenphysiologie 161, Nr. 2 (2004): 165-173.(Link zum Artikel).
• Huete, Alfredo. "Huete, AR Ein bodenangepasster Vegetationsindex (SAVI). Remote Sensing of Environment." Fernerkundung der Umwelt 25 (1988): 295-309.
• Jiang, Zhangyan, Alfredo R. Huete, Kamel Didan, und Tomoaki Miura. "Entwicklung eines verbesserten Zwei-Band-Vegetationsindex ohne blaues Band". Fernerkundung der Umwelt 112, Nr. 10 (2008): 3833-3845.(Link zum Artikel).
• Qi, Jiaguo, Abdelghani Chehbouni, Alfredo R. Huete, Yann H. Kerr, und Soroosh Sorooshian. "Ein modifizierter bodenangepasster Vegetationsindex". Fernerkundung der Umwelt 48, Nr. 2 (1994): 119-126.(Link zum Artikel).
• Rocha, Adrian V., und Gaius R. Shaver. "Vorteile eines aus den solaren und photosynthetisch aktiven Strahlungsflüssen berechneten Zweiband-EVI". Land- und Forstmeteorologie 149, Nr. 9 (2009): 1560-1563.(Link zum Artikel).

Haben Sie Fragen?

Unsere Wissenschaftler verfügen über jahrzehntelange Erfahrung in der Unterstützung von Forschern und Landwirten bei der Messung des Kontinuums zwischen Boden, Pflanze und Atmosphäre.

• Sprechen Sie mit einem Experten
• Angebot anfordern
• Sehen Sie alle unsere Haubeninstrumente