در عصر حاضر، پایش منابع طبیعی و مدیریت پایدار محیط زیست به یکی از دغدغه های اصلی جوامع بشری تبدیل شده است. در این میان، فناوری سنجش از دور با ارائه ابزارهای قدرتمند، انقلابی در نحوه مطالعه و بررسی پوشش گیاهی ایجاد کرده است.

امروزه تصاویر ماهواره ای به یکی از مهم ترین منابع اطلاعاتی برای پایش سطح زمین تبدیل شده اند. با استفاده از داده های سنجش از دور می توان تغییرات پوشش گیاهی، سلامت گیاهان، خشکسالی، تغییرات محیط زیستی و بسیاری از پدیده های سطح زمین را بدون نیاز به برداشت های میدانی گسترده بررسی کرد.

یکی از مهم ترین و پرکاربردترین این ابزارها، شاخص تفاضل نرمال شده پوشش گیاهی یا NDVI (Normalized Difference Vegetation Index)  است. این شاخص ساده اما قدرتمند، به محققان، کشاورزان، و برنامه ریزان شهری این امکان را می دهد تا وضعیت سلامت و تراکم پوشش گیاهی را در مقیاس های مختلف، از یک مزرعه کوچک تا کل کره زمین، پایش کنند.

شاخص NDVI با استفاده از رفتار متفاوت پوشش گیاهی در طول موج های قرمز (Red) و مادون قرمز نزدیک  محاسبه می شود و به عنوان ابزاری قدرتمند برای ارزیابی تراکم و سلامت پوشش گیاهی در تصاویر ماهواره ای مانند  Landsat، Sentinel  و MODIS استفاده می شود.

در این مقاله، به بررسی جامع این شاخص، نحوه محاسبه، کاربردهای گسترده و اهمیت آن در مطالعات محیط زیستی می پردازیم.

شاخص NDVI  چیست؟

NDVI   مخفف Normalized Difference Vegetation Index به معنی شاخص تفاضل نرمال شده پوشش گیاهی است.

این شاخص برای اولین بار در سال 1978 توسط Rouse  و همکاران معرفی شد و تاکنون یکی از شناخته شده ترین شاخص های طیفی در حوزه سنجش از دور محسوب می شود.

شاخص NDVI یک معیار عددی است که برای تعیین تراکم و سلامت پوشش گیاهی با استفاده از داده های ماهواره ای به کار می رود. این شاخص بر اساس این اصل فیزیکی ساده عمل می کند که گیاهان سالم، نور مرئی (به ویژه طیف قرمز) را جذب و نور مادون قرمز (Near-Infrared) را به شدت منعکس می کنند. در مقابل، سطوح غیرگیاهی مانند خاک، آب و ابر، رفتار متفاوتی در بازتاب این امواج از خود نشان می دهند.

به همین دلیل، از NDVI به عنوان “نقشه سبزینگی” نیز یاد می شود، زیرا نمایانگر سرزندگی و طراوت گیاهان است. بنابراین با مقایسه میزان بازتاب این دو باند می توان وجود و وضعیت پوشش گیاهی را تشخیص داد.

چرا گیاهان در باندهای Red و NIR رفتار متفاوتی دارند؟

ساختار سلولی برگ گیاهان باعث ایجاد تفاوت شدید در بازتاب طیفی می شود. باند قرمز (Red) کلروفیل موجود در برگ گیاهان انرژی نور قرمز را برای فرآیند فتوسنتز جذب می کند. بنابراین:

پوشش گیاهی سالم == بازتاب کم در باند قرمز

باند مادون قرمز نزدیک  (NIR) ساختار داخلی برگ باعث پراکندگی و بازتاب شدید امواج مادون قرمز نزدیک می شود. بنابراین:

پوشش گیاهی سالم == بازتاب زیاد در باند  NIR

این تفاوت اساس محاسبه شاخص NDVI است.

محدوده مقادیر NDVI

مقادیر این شاخص همواره در بازه ۱-  تا ۱+  قرار می گیرند که تفسیر آن بسیار ساده است :

• مقادیر نزدیک به ۱+ (مثلاً ۰.۸ تا ۰.۹): نشان دهنده پوشش گیاهی بسیار متراکم و سالم است که در جنگل های انبوه یا مزارع با رشد بالا مشاهده می شود.
• مقادیر حدود ۰.۲ تا ۰.۴: نشان دهنده پوشش گیاهی نسبتاً پراکنده یا در حال رشد است، مانند بوته زارها یا علفزارهای کم تراکم.
• مقادیر نزدیک به صفر: نشان دهنده مناطق بدون پوشش گیاهی مانند خاک لخت، بیابان ها یا مناطق شهری است.
• مقادیر منفی: معمولاً به آب، ابر یا برف تعلق دارد، زیرا این سطوح در طیف مادون قرمز بازتاب کمی دارند.

این طیف وسیع از اعداد، امکان تشخیص دقیق انواع کاربری های اراضی را هم فراهم می آورد.

تفسیر معمول شاخص NDVI:

مقدار NDVI	تفسیر
کمتر از 0	آب، برف، ابر
0 تا 0.2	خاک بدون پوشش یا مناطق شهری
0.2 تا 0.5	پوشش گیاهی کم یا متوسط
0.5 تا 0.8	پوشش گیاهی متراکم
بیشتر از 0.8	پوشش گیاهی بسیار سالم

البته ممکن است این محدوده ها بسته به اقلیم، نوع گیاه و فصل تغییر کنند.

نحوه محاسبه شاخص  NDVI

محاسبه NDVI بر اساس یک رابطه ریاضی ساده انجام می شود. با استفاده از داده های ماهواره ای که شامل باندهای طیفی مختلف هستند، مقدار NDVI برای هر پیکسل تصویر محاسبه می شود. فرمول اصلی آن به صورت زیر است:

فرمول اصلی:

NDVI=(NIR-RED)/(NIR+RED)

که در آن:

NIR: میزان بازتابش در باند مادون قرمز (Near-Infrared)

RED: میزان بازتابش در باند قرمز (Red)

نحوه محاسبه NDVI با تصاویر ماهواره ای

درمورد تولید نقشه با استفاده از نرم افزار ArcGIS Pro مقاله ای آماده شده است که پیشنهاد میکنیم حتما آن را بررسی نمایید. اما بطور کلی، برای تولید نقشه NDVI معمولاً مراحل زیر انجام می شود:

1- انتخاب تصویر ماهواره ای مناسب

ابتدا باید داده ماهواره ای مناسب انتخاب شود.

برخی از منابع رایج:

• Sentinel-2

تفکیک مکانی: 10 متر

مناسب برای مطالعات کشاورزی و پوشش گیاهی

• Landsat 8  و  Landsat 9

تفکیک مکانی: 30 متر

مناسب برای مطالعات منطقه ای و بلندمدت

• MODIS

مناسب برای مطالعات وسیع در مقیاس جهانی

• پیش پردازش تصاویر

قبل از محاسبه NDVI معمولاً عملیات زیر انجام می شود:

• تصحیح اتمسفری
• حذف ابرها
• تبدیل DN به Reflectance
• اصلاح هندسی
•  

2- استخراج باندهای موردنیاز

برای محاسبه NDVI باید دو باند استخراج شود:

ماهواره	باند Red	باند NIR
Sentinel-2	Band 4	Band 8
Landsat 8/9	Band 4	Band 5
Landsat 5/7	Band 3	Band 4

3- اجرای فرمول  NDVI

پس از آماده سازی باندها، فرمول روی تمام پیکسل های تصویر اعمال می شود و یک تصویر جدید با مقادیر NDVI  تولید می شود.

مثال کاربردی از نحوه محاسبه NDVI

برای درک بهتر، فرض کنید یک تصویر ماهواره ای از منطقه ای شامل سه پیکسل مختلف داریم و می خواهیم NDVI هر کدام را محاسبه کنیم:

فرمول NDVI:

NDVI = (NIR – RED) / (NIR + RED)

پیکسل اول (منطقه شهری):

• مقدار باند مادون قرمز  (NIR):  158
• مقدار باند قرمز  (RED):  25
• محاسبه:  (158 – 25) / (158 + 25) = 133 / 183 ≈ 0.72 (مقداری نسبتاً بالا که نشان دهنده وجود فضای سبز شهری یا خطای محاسباتی است؛ در مناطق شهری خالص، این مقدار معمولاً کمتر است.)

پیکسل دوم (منطقه کشاورزی یا چمن زار):

• مقدار باند مادون قرمز  (NIR):  90
• مقدار باند قرمز  (RED):  14
• محاسبه:  (90 – 14) / (90 + 14) = 76 / 104 ≈ 0.73 (نشان دهنده پوشش گیاهی نسبتاً سالم.)

پیکسل سوم (منطقه با پوشش گیاهی ضعیف یا خاک لخت):

• مقدار باند مادون قرمز  (NIR):  92
• مقدار باند قرمز  (RED):  75
• محاسبه:  (92 – 75) / (92 + 75) = 17 / 167 ≈ 0.10 (مقداری نزدیک به صفر که نشان دهنده فقدان پوشش گیاهی متراکم است.)

این مثال ساده نشان می دهد که چگونه با داشتن دو باند طیفی، می توان به راحتی وضعیت پوشش گیاهی را در هر نقطه از تصویر ماهواره ای تعیین کرد.

نحوه تولید نقشه NDVI در نرم افزارهای  GIS

شاخص NDVI را می توان در نرم افزارهای مختلف تولید کرد:

ArcGIS Pro

مراحل کلی:

1. اضافه کردن تصاویر ماهواره ای
2. استخراج باندهای Red و NIR
3. استفاده از Raster Calculator
4. اجرای فرمول NDVI
5. طبقه بندی و نمایش نتایج

QGIS

در QGIS می توان از:

• Raster Calculator
• افزونه Semi-Automatic Classification Plugin

برای محاسبه NDVI استفاده کرد.

Google Earth Engine

یکی از سریع ترین روش ها برای تولید NDVI در مقیاس بزرگ استفاده از Google Earth Engine است.

مزایا:

• دسترسی به آرشیو بزرگ تصاویر ماهواره ای
• پردازش ابری
• مناسب برای مطالعات زمانی

کاربرد NDVI در سنجش از دور

کاربردهای این شاخص بسیار متنوع است و در رشته های مختلفی از علوم زمین تا مدیریت شهری نقش کلیدی ایفا می کند:

１. کشاورزی دقیق و مدیریت محصولات

کشاورزان با استفاده از تصاویر NDVI می توانند وضعیت سلامت محصولات خود را در طول فصل رشد پایش کنند. این اطلاعات به آنها کمک می کند تا مناطق دارای تنش آبی یا کمبود مواد مغذی را شناسایی کرده و در زمان مناسب اقدام به آبیاری یا کوددهی دقیق کنند . هرچند که این شاخص برای تشخیص تنش آبی در مراحل اولیه به تنهایی کافی نیست و باید با شاخص های دیگری مانند شاخص تنش آبی محصول (CWSI) ترکیب شود.

بطور کلی یکی از مهم ترین کاربردهای NDVI در کشاورزی دقیق است.

با استفاده از نقشه NDVI می توان:

• مناطق دارای تنش گیاهی را شناسایی کرد.
• نیاز آبی گیاه را بررسی کرد.
• کوددهی را مدیریت کرد.
• عملکرد محصول را پیش بینی کرد.

برای مثال کاهش NDVI در یک مزرعه می تواند نشان دهنده:

• کمبود آب
• بیماری گیاه
• کاهش مواد غذایی خاک

باشد.

２. پایش جنگل ها و منابع طبیعی

سازمان های محیط زیستی از این شاخص برای پایش تغییرات جنگل ها، شناسایی مناطق در معرض خشکسالی و ارزیابی اثرات بلایای طبیعی مانند آتش سوزی یا خشکسالی استفاده می کنند. به عنوان مثال، یک مطالعه بر روی جنگل یاتیر در اسرائیل نشان داد که چگونه می توان از تصویر تفاضلی NDVI  برای ارزیابی دقیق اثرات خشکسالی بر سلامت درختان استفاده کرد.

پایش خشکسالی

NDVI  یکی از شاخص های مهم برای بررسی اثرات خشکسالی است.

در شرایط خشکسالی:

• رشد گیاه کاهش پیدا می کند.
• میزان کلروفیل کاهش می یابد.
• بازتاب Red افزایش پیدا می کند.
• بازتاب NIR کاهش پیدا می کند.

در نتیجه مقدار NDVI کاهش خواهد یافت.

۳. برنامه ریزی شهری و محیط زیست

با افزایش جمعیت و گسترش شهرها، پایش کیفیت محیط زیست شهری اهمیت زیادی پیدا کرده است. شاخص NDVI به عنوان یک شاخص محیط زیستی کلیدی، برای ارزیابی میزان فضای سبز و تأثیر آن بر دمای سطح زمین (LST) به کار می رود. مطالعات نشان داده است که بین NDVI و دمای سطح زمین همبستگی منفی وجود دارد، به این معنی که افزایش پوشش گیاهی می تواند به کاهش دمای محیط و ایجاد آسایش بیشتر برای ساکنان شهر کمک کند.

کاربرد NDVI  در مدیریت محیط زیست برای:

• پایش جنگل ها
• ارزیابی مراتع
• بررسی مناطق حفاظت شده
• مطالعه تغییرات اکوسیستم

استفاده می شود.

NDVI  در مطالعات شهری برای بررسی:

• فضای سبز شهری
• جزایر حرارتی
• کیفیت محیط شهری

کاربرد دارد.

4. پایش تغییرات اقلیمی و بلندمدت

یکی از مهم ترین کاربردهای  NDVI، امکان تحلیل سری های زمانی بلندمدت است. با دسترسی به داده های تاریخی (از دهه ۱۹۸۰ میلادی تاکنون)، محققان می توانند روند تغییرات پوشش گیاهی را در پاسخ به تغییرات اقلیمی، خشکسالی های دوره ای و سایر عوامل محیطی مطالعه کنند. به عنوان مثال، یک مطالعه بر روی استان یوگیاکارتا در اندونزی با استفاده از داده های ماهواره سنتینل-۲، کاهش میانگین NDVI را بین سال های ۲۰۱۷ تا ۲۰۲۰ نشان داد که حاکی از تبدیل پوشش گیاهی انبوه به طبقات با تراکم متوسط است .

با مقایسه نقشه های NDVI در دوره های زمانی مختلف می توان تغییرات زیر را بررسی کرد:

• جنگل زدایی
• توسعه شهری
• تخریب مراتع
• احیای پوشش گیاهی

تفاوت NDVI با سایر شاخص های پوشش گیاهی

NDVI تنها شاخص گیاهی موجود نیست. شاخص های دیگری نیز وجود دارند:

EVI (Enhanced Vegetation Index)

برای مناطق با پوشش گیاهی متراکم و اثر کمتر اتمسفر مناسب تر است.

SAVI (Soil Adjusted Vegetation Index)

برای مناطق دارای خاک نمایان بهتر عمل می کند.

NDWI

برای بررسی میزان آب موجود در پوشش گیاهی و منابع آبی استفاده می شود.

محدودیت ها و چالش ها

با وجود کاربردهای گسترده، استفاده از NDVI با چالش هایی نیز همراه است:

• تأثیر شرایط جوی: ابرها، ذرات معلق در هوا و بخار آب موجود در جو می توانند بر دقت داده های دریافتی تأثیر بگذارند و محاسبه NDVI را با خطا مواجه کنند.
• تأثیر خاک و پس زمینه: در مناطقی با پوشش گیاهی بسیار کم، بازتابش خاک می تواند بر مقدار NDVI تأثیر بگذارد و منجر به تفسیر اشتباه شود.
• تشخیص تنش های اولیه: همانطور که اشاره شد، NDVI ممکن است در تشخیص تنش های آبی خفیف به اندازه کافی حساس نباشد و نیاز به استفاده از شاخص های تکمیلی داشته باشد.

جمع بندی و نتیجه گیری

شاخص NDVI به عنوان یکی از بنیادی ترین و در عین حال قدرتمندترین ابزارهای سنجش از دور، دروازه ای به سوی درک بهتر و پایش مستمر منابع طبیعی گشوده است. از مزارع کشاورزی تا جنگل های انبوه و از شهرهای شلوغ تا مناطق دورافتاده، این شاخص با زبانی ساده و عددی، داستان زندگی گیاهان را روایت می کند.

در حقیقت این شاخص یکی از مهم ترین ابزارهای تحلیل تصاویر ماهواره ای و سنجش از دور است که امکان بررسی وضعیت پوشش گیاهی، سلامت گیاهان، خشکسالی و تغییرات محیطی را فراهم می کند.

محاسبه آسان، تفسیر مستقیم، امکان استفاده در نرم افزارهای GIS و سنجش از دور و قابلیت بالای آن در تحلیل های سری زمانی، شاخصNDVI  را به ابزاری ضروری برای محققان، برنامه ریزان و سیاست گذاران تبدیل کرده است.

 اگرچه این شاخص به تنهایی پاسخگوی همه سوالات نیست و باید با سایر داده ها و شاخص ها تکمیل شود، اما هیچ کس نمی تواند نقش حیاتی آن را در مسیر دستیابی به توسعه پایدار و مدیریت هوشمندانه محیط زیست نادیده بگیرد.

مراجع:

1. 
   https://www.usgs.gov/landsat-missions
2. https://www.earthdata.nasa.gov/
3. https://science.nasa.gov/earth/earth-observatory/
4. https://books.google.com/books?id=sTmcAQAAQBAJ&printsec=copyright#v=onepage&q&f=false
5. https://science.nasa.gov/earth/earth-observatory/measuring-vegetation-ndvi-evi/