SAVI-derived Vegetation Image There

SAVI-derived Vegetation Image There are various vegetation indices to enhance vegetation information in remote sensing imagery usually by ratioing a near-infrared (NIR) band to a red band. This takes advantage of the high vegetation reflectance in NIR spectral range such as TM band 4 and high pigment absorption of red light, such as TM band 3 (Jensen, 2000). Although nearly everyone working with the remote sensing of vegetation knows the Normalized Difference Index (NDVI), this study employed SAVI to highlight vegetation features due to its advantage over NDVI when applied in an area with low plant cover such as the urban areas. SAVI can work in the area with plant cover as low as 15 percent, while NDVI can only work
effectively in the area with plant cover above 30 percent (Ray, 1994). The SAVI is calculated using the following equation(Huete, 1988):

ผลลัพธ์ (ไทย) 1:

มา SAVI พืชรูปมีดัชนีพืชพรรณต่าง ๆ เพื่อเพิ่มข้อมูลพืชพรรณในรีโมทไร้สายถ่ายปกติ โดย ratioing วงใกล้อินฟราเรด (NIR) กับวงสีแดง นี้ใช้ประโยชน์จากการที่พืชสูงแบบสะท้อนแสงในช่วงสเปกตรัม NIR วง TM 4 และรงควัตถุสูงการดูดซึมของแสงสีแดง เช่นวง TM 3 (เจน 2000) แม้ว่าเกือบทุกคนทำงานกับแชมพูของพืชรู้ตามปกติต่างดัชนี (NDVI), ศึกษาจ้าง SAVI เพื่อเน้นคุณลักษณะของพืชเนื่องจากเหนือ NDVI เมื่อใช้ในพื้นที่เมล็ดพืชต่ำเช่นพื้นที่เขตเมือง SAVI สามารถทำงานในพื้นที่ที่มีโรงงานครอบคลุมต่ำสุดร้อยละ 15 ขณะ NDVI สามารถทำงานในพื้นที่ที่มีพืชปกด้านบน 30 เปอร์เซ็นต์ (Ray, 1994) ได้อย่างมีประสิทธิภาพ SAVI ที่คำนวณโดยใช้สมการต่อไปนี้ (Huete, 1988):

ผลลัพธ์ (ไทย) 2:

SAVI ภาพที่ได้มาจากพืชมีดัชนีพืชพรรณต่างๆเพื่อเพิ่มข้อมูลพืชที่อยู่ในภาพระยะไกลโดยปกติ ratioing ใกล้อินฟราเรด (NIR) วงดนตรีวงสีแดง นี้ใช้ประโยชน์จากการสะท้อนพืชในระดับสูงในช่วงสเปกตรัม NIR เช่น TM วง 4 เม็ดสีและการดูดซึมที่สูงของแสงสีแดงเช่น TM วง 3 (เจนเซ่น, 2000) แม้ว่าเกือบทุกคนที่ทำงานร่วมกับการสำรวจระยะไกลของพืชรู้ปกติแตกต่างดัชนี (NDVI) การศึกษาครั้งนี้ลูกจ้าง SAVI เพื่อเน้นคุณสมบัติพืชอันเนื่องมาจากความได้เปรียบของตนเหนือ NDVI เมื่อนำไปใช้ในพื้นที่ที่มีพืชคลุมต่ำเช่นเขตเมือง SAVI สามารถทำงานในพื้นที่ที่มีพืชคลุมต่ำเป็นร้อยละ 15 ในขณะที่ NDVI
สามารถทำงานได้อย่างมีประสิทธิภาพในพื้นที่ที่มีฝาปิดโรงงานดังกล่าวข้างต้นร้อยละ30 (เรย์, 1994) SAVI คำนวณโดยใช้สมการดังต่อไปนี้ (Huete, 1988):

ผลลัพธ์ (ไทย) 3:

ที่มาภาพ : พืชมีพืชต่าง ๆเพื่อเพิ่มข้อมูลดัชนีพืชพรรณในการรับรู้จากระยะไกลภาพปกติ โดย ratioing เป็นอินฟราเรดใกล้ ( NIR ) วงดนตรีเป็นวงแดง ใช้ประโยชน์จากพืชในช่วงสเปกตรัม NIR การสะท้อนแสงสูงเช่น TM วงดนตรี 4 และการดูดซึมเม็ดสีสูงของแสงแดง เช่น TM Band 3 ( เจนเซ่น , 2000 )แม้ว่าเกือบทุกคนทำงานด้วยการสำรวจระยะไกลของพืชรู้ค่าดัชนีความแตกต่าง ( การเปลี่ยนแปลงด้านพืชพรรณ ) ในการศึกษานี้ได้ใช้อาร์เอฟไอดี เพื่อเน้นคุณสมบัติประโยชน์ของพืชเนื่องจากการเปลี่ยนแปลงด้านพืชพรรณ เมื่อใช้ในพื้นที่ที่มีพืชปกคลุมน้อย เช่น เขตเมือง นอกจากนั้นยังสามารถทำงานในพื้นที่ที่มีพืชปกคลุมที่ระดับ 15 เปอร์เซ็นต์ ในขณะที่การเปลี่ยนแปลงด้านพืชพรรณสามารถ
ได้อย่างมีประสิทธิภาพในพื้นที่ที่มีพืชปกคลุมเหนือ 30 เปอร์เซ็นต์ ( เรย์ , 1994 ) โดย : คำนวณโดยใช้สมการต่อไปนี้ ( huete , 1988 ) :