Rumus Indeks Multispektral

This page lists some multispectral indices that Chloros uses

Rumus indeks di bawah ini menggunakan kombinasi rentang transmisi rata-rata filter Survey3:

Survey3 Warna Filter	Nama Filter Survey3	Rentang Transmisi (FWHM)	Transmisi Rata-rata
Blue	NGB - Blue	468-483 nm	475 nm
Cyan	OCN- Cyan	476-512 nm	494 nm
Green	RGN | NGB - Green	543-558 nm	547 nm
Orange	OCN - Orange	598-640 nm	619 nm
Red	RGN - Red	653-668 nm	661 nm
RedEdge	Re - RedEdge	712-735 nm	724 nm
NIR1	OCN - NIR1	798-848 nm	823 nm
NIR2	RGN | NGB | NIR - NIR2	835–865 nm	850 nm

Saat rumus-rumus ini digunakan, nama mungkin berakhir dengan "\_1" atau "\_2", yang sesuai dengan filter NIR mana yang digunakan, baik NIR1 maupun NIR2.

---

EVI - Indeks Vegetasi yang Ditingkatkan

Indeks ini awalnya dikembangkan untuk digunakan dengan data MODIS sebagai perbaikan atas NDVI dengan mengoptimalkan sinyal vegetasi di area dengan indeks luas daun (LAI) yang tinggi. Indeks ini paling berguna di wilayah dengan nilai LAI tinggi di mana NDVI mungkin mengalami saturasi. Indeks ini menggunakan wilayah reflektansi biru untuk mengoreksi sinyal latar belakang tanah dan mengurangi pengaruh atmosfer, termasuk penyebaran aerosol.

$$EVI = 2.5 * {(NIR - Red) \over (NIR + 6 * Red - 7.5 * Blue + 1)}$$

Nilai EVI seharusnya berkisar antara 0 hingga 1 untuk piksel vegetasi. Fitur terang seperti awan dan bangunan putih, serta fitur gelap seperti air, dapat menyebabkan nilai piksel yang tidak normal pada gambar EVI. Sebelum membuat gambar EVI, Anda harus menghilangkan awan dan fitur terang dari gambar reflektansi, serta secara opsional menetapkan ambang batas nilai piksel dari 0 hingga 1.

Referensi: Huete, A., dkk. "Ringkasan Kinerja Radiometrik dan Biofisik Indeks Vegetasi MODIS." Remote Sensing of Environment 83 (2002):195–213.

---

FCI1 - Indeks Tutupan Hutan 1

Indeks ini membedakan kanopi hutan dari jenis vegetasi lain menggunakan citra reflektansi multispektral yang mencakup pita tepi merah.

$$FCI1 = Red * RedEdge$$

Daerah berhutan akan memiliki nilai FCI1 yang lebih rendah karena reflektansi pohon yang lebih rendah dan adanya bayangan di dalam kanopi.

Referensi: Becker, Sarah J., Craig S.T. Daughtry, dan Andrew L. Russ. "Indeks tutupan hutan yang andal untuk citra multispektral." Photogrammetric Engineering & Remote Sensing 84.8 (2018): 505-512.

---

FCI2 - Indeks Tutupan Hutan 2

Indeks ini membedakan kanopi hutan dari jenis vegetasi lain menggunakan citra reflektansi multispektral yang tidak mencakup pita tepi merah.

$$FCI2 = Red * NIR$$

Daerah berhutan akan memiliki nilai FCI2 yang lebih rendah karena reflektansi pohon yang lebih rendah dan adanya bayangan di dalam kanopi.

Referensi: Becker, Sarah J., Craig S.T. Daughtry, dan Andrew L. Russ. "Indeks tutupan hutan yang andal untuk citra multispektral." Photogrammetric Engineering & Remote Sensing 84.8 (2018): 505-512.

---

GEMI - Indeks Pemantauan Lingkungan Global

Indeks vegetasi non-linier ini digunakan untuk pemantauan lingkungan global dari citra satelit dan berusaha mengoreksi efek atmosfer. Indeks ini mirip dengan NDVI tetapi kurang sensitif terhadap efek atmosfer. Indeks ini dipengaruhi oleh tanah terbuka; oleh karena itu, tidak disarankan untuk digunakan di area dengan vegetasi yang jarang atau sedang.

$$GEMI = eta (1 - 0.25 * eta) - {Red - 0.125 \over 1 - Red}$$

Di mana:

$$eta = {2(NIR^{2}-Red^{2}) + 1.5 * NIR + 0.5 * Red \over NIR + Red + 0.5}$$

Referensi: Pinty, B., dan M. Verstraete. GEMI: Indeks Non-Linier untuk Memantau Vegetasi Global dari Satelit. Vegetation 101 (1992): 15-20.

---

GARI - Green Indeks yang Tahan Terhadap Pengaruh Atmosfer

Indeks ini lebih sensitif terhadap rentang konsentrasi klorofil yang luas dan kurang sensitif terhadap pengaruh atmosfer dibandingkan dengan NDVI.

$$GARI = {NIR - [Green - \gamma(Blue - Red)] \over NIR + [Green - \gamma(Blue - Red)] }$$

Konstanta gamma adalah fungsi bobot yang bergantung pada kondisi aerosol di atmosfer. ENVI menggunakan nilai 1,7, yang merupakan nilai yang direkomendasikan oleh Gitelson, Kaufman, dan Merzylak (1996, halaman 296).

Referensi: Gitelson, A., Y. Kaufman, dan M. Merzylak. "Penggunaan Saluran Green dalam Penginderaan Jauh Vegetasi Global dari EOS-MODIS." Remote Sensing of Environment 58 (1996): 289-298.

---

Indeks Klorofil GCI - Green

Indeks ini digunakan untuk memperkirakan kandungan klorofil daun pada berbagai spesies tumbuhan.

$$GCI = {NIR \over Green} - 1$$

Memiliki rentang gelombang NIR yang luas dan gelombang hijau memberikan prediksi kandungan klorofil yang lebih baik sekaligus memungkinkan sensitivitas yang lebih tinggi dan rasio sinyal-ke-noise yang lebih baik.

Referensi: Gitelson, A., Y. Gritz, dan M. Merzlyak. "Hubungan Antara Kandungan Klorofil Daun dan Reflektansi Spektral serta Algoritma untuk Penilaian Klorofil Non-Destruktif pada Daun Tumbuhan Tinggi." Journal of Plant Physiology 160 (2003): 271-282.

---

Indeks Daun GLI - Green

Indeks ini awalnya dirancang untuk digunakan dengan kamera digital RGB guna mengukur tutupan gandum, di mana angka digital (DN) merah, hijau, dan biru berkisar antara 0 hingga 255.

$$GLI = {(Green - Red) + (Green - Blue) \over (2 * Green) + Red + Blue }$$

Nilai GLI berkisar antara -1 hingga +1. Nilai negatif mewakili tanah dan fitur non-hidup, sedangkan nilai positif mewakili daun dan batang hijau.

Referensi: Louhaichi, M., M. Borman, dan D. Johnson. "Platform Berbasis Lokasi dan Fotografi Udara untuk Dokumentasi Dampak Pemotongan pada Gandum." Geocarto International 16, No. 1 (2001): 65-70.

---

GNDVI - Green Indeks Vegetasi Perbedaan Terstandarisasi

Indeks ini serupa dengan NDVI, kecuali bahwa ia mengukur spektrum hijau dari 540 hingga 570 nm alih-alih spektrum merah. Indeks ini lebih sensitif terhadap konsentrasi klorofil daripada NDVI.

$$GNDVI = {(NIR - Green) \over (NIR + Green) }$$

Referensi: Gitelson, A., dan M. Merzlyak. "Penginderaan Jauh Konsentrasi Klorofil pada Daun Tumbuhan Tinggi." Advances in Space Research 22 (1998): 689-692.

---

GOSAVI - Green Indeks Vegetasi yang Disesuaikan Tanah yang Dioptimalkan

Indeks ini awalnya dirancang menggunakan fotografi warna-inframerah untuk memprediksi kebutuhan nitrogen pada jagung. Indeks ini mirip dengan OSAVI, namun mengganti band hijau dengan band merah.

$$GOSAVI = {NIR - Green \over NIR + Green + 0.16) }$$

Referensi: Sripada, R., dkk. "Penentuan Kebutuhan Nitrogen Selama Musim Tanam Jagung Menggunakan Fotografi Warna-Inframerah Udara." Disertasi Doktor, Universitas Negeri Carolina Utara, 2005.

---

GRVI - Indeks Vegetasi Rasio Green

Indeks ini sensitif terhadap laju fotosintesis di kanopi hutan, karena reflektansi hijau dan merah sangat dipengaruhi oleh perubahan pigmen daun.

$$GRVI = {NIR \over Green }$$

Referensi: Sripada, R., dkk. "Fotografi Warna-Inframerah Udara untuk Menentukan Kebutuhan Nitrogen Awal Musim pada Jagung." Jurnal Agronomi 98 (2006): 968-977.

---

GSAVI - Green Indeks Vegetasi yang Disesuaikan dengan Tanah

Indeks ini awalnya dirancang menggunakan fotografi warna-inframerah untuk memprediksi kebutuhan nitrogen pada jagung. Indeks ini mirip dengan SAVI, tetapi mengganti pita hijau dengan pita merah.

$$GSAVI = 1.5 * {(NIR - Green) \over (NIR + Green + 0.5) }$$

Referensi: Sripada, R., dkk. "Penentuan Kebutuhan Nitrogen Selama Musim Tanam Jagung Menggunakan Fotografi Udara Warna-Inframerah." Disertasi Doktor, Universitas Negeri Carolina Utara, 2005.

---

LAI - Indeks Luas Daun

Indeks ini digunakan untuk memperkirakan tutupan daun dan memprediksi pertumbuhan tanaman serta hasil panen. ENVI menghitung LAI hijau menggunakan rumus empiris berikut dari Boegh dkk. (2002):

$$LAI = 3.618 * EVI - 0.118$$

Di mana EVI adalah:

$$EVI = 2.5 * {(NIR - Red) \over (NIR + 6 * Red - 7.5 * Blue + 1)}$$

Nilai LAI yang tinggi umumnya berkisar antara sekitar 0 hingga 3,5. Namun, ketika adegan mengandung awan dan fitur terang lainnya yang menghasilkan piksel jenuh, nilai LAI dapat melebihi 3,5. Sebaiknya Anda menyaring awan dan fitur-fitur terang dari adegan Anda sebelum membuat gambar LAI.

Referensi: Boegh, E., H. Soegaard, N. Broge, C. Hasager, N. Jensen, K. Schelde, dan A. Thomsen. "Data Multispektral Udara untuk Mengukur Indeks Luas Daun, Konsentrasi Nitrogen, dan Efisiensi Fotosintesis dalam Pertanian." Remote Sensing of Environment 81, no. 2-3 (2002): 179-193.

---

LCI - Indeks Klorofil Daun

Indeks ini digunakan untuk memperkirakan kandungan klorofil pada tumbuhan tingkat tinggi, yang sensitif terhadap variasi reflektansi yang disebabkan oleh penyerapan klorofil.

$$LCI = {NIR2 - RedEdge \over NIR2 + Red}$$

Referensi: Datt, B. "Penginderaan Jauh Kandungan Air pada Daun Eucalyptus." Journal of Plant Physiology 154, no. 1 (1999): 30-36.

---

MNLI - Indeks Non-Linier yang Dimodifikasi

Indeks ini merupakan penyempurnaan dari Indeks Non-Linier (NLI) yang menggabungkan Indeks Vegetasi yang Disesuaikan Tanah (SAVI) untuk memperhitungkan latar belakang tanah. ENVI menggunakan nilai faktor penyesuaian latar belakang kanopi (L) sebesar 0,5.

$$MNLI = {(NIR^{2} - Red) * (1 + L) \over (NIR^{2} + Red + L) }$$

Referensi: Yang, Z., P. Willis, dan R. Mueller. "Dampak Gambar AWIFS yang Ditingkatkan Rasio Band terhadap Akurasi Klasifikasi Tanaman." Prosiding Simposium Penginderaan Jauh Pecora 17 (2008), Denver, CO.

---

MSAVI2 - Indeks Vegetasi yang Disesuaikan Tanah yang Dimodifikasi 2

Indeks ini merupakan versi yang lebih sederhana dari indeks MSAVI yang diusulkan oleh Qi, dkk. (1994), yang memperbaiki Indeks Vegetasi yang Disesuaikan Tanah (SAVI). Indeks ini mengurangi noise tanah dan meningkatkan rentang dinamis sinyal vegetasi. MSAVI2 didasarkan pada metode induktif yang tidak menggunakan nilai L konstan (seperti pada SAVI) untuk menonjolkan vegetasi yang sehat.

$$MSAVI2 = {2 * NIR + 1 - \sqrt{(2 * NIR + 1)^{2} - 8(NIR - Red)} \over 2}$$

Referensi: Qi, J., A. Chehbouni, A. Huete, Y. Kerr, dan S. Sorooshian. "A Modified Soil Adjusted Vegetation Index." Remote Sensing of Environment 48 (1994): 119-126.

---

NDRE - Perbedaan Terstandarisasi RedEdge

Indeks ini mirip dengan NDVI tetapi membandingkan kontras antara NIR dengan RedEdge alih-alih Red, yang sering mendeteksi stres vegetasi lebih awal.

$$NDRE = {NIR - RedEdge \over NIR + RedEdge }$$

---

NDVI - Indeks Perbedaan Vegetasi yang Dinormalisasi

Indeks ini merupakan ukuran vegetasi hijau yang sehat. Kombinasi formulasi perbedaan yang dinormalisasi dan penggunaan wilayah penyerapan serta reflektansi tertinggi klorofil membuatnya tangguh dalam berbagai kondisi. Namun, indeks ini dapat mengalami saturasi pada kondisi vegetasi yang padat ketika nilai LAI menjadi tinggi.

$$NDVI = {NIR - Red \over NIR + Red }$$

Nilai indeks ini berkisar antara -1 hingga 1. Rentang umum untuk vegetasi hijau adalah 0,2 hingga 0,8.

Referensi: Rouse, J., R. Haas, J. Schell, dan D. Deering. Pemantauan Sistem Vegetasi di Great Plains dengan ERTS. Simposium ERTS Ketiga, NASA (1973): 309-317.

---

NLI - Indeks Non-Linier

Indeks ini mengasumsikan bahwa hubungan antara banyak indeks vegetasi dan parameter biofisik permukaan bersifat non-linier. Indeks ini melinierkan hubungan dengan parameter permukaan yang cenderung bersifat non-linier.

$$NLI = {NIR^{2} - Red \over NIR^{2} + Red }$$

Referensi: Goel, N., dan W. Qin. "Pengaruh Arsitektur Kanopi terhadap Hubungan antara Berbagai Indeks Vegetasi dan LAI serta Fpar: Simulasi Komputer." Remote Sensing Reviews 10 (1994): 309-347.

---

OSAVI - Indeks Vegetasi yang Disesuaikan Tanah yang Dioptimalkan

Indeks ini didasarkan pada Indeks Vegetasi yang Disesuaikan Tanah (SAVI). Indeks ini menggunakan nilai standar 0,16 untuk faktor penyesuaian latar belakang kanopi. Rondeaux (1996) menentukan bahwa nilai ini memberikan variasi tanah yang lebih besar daripada SAVI pada tutupan vegetasi rendah, sementara menunjukkan sensitivitas yang meningkat terhadap tutupan vegetasi lebih dari 50%. Indeks ini paling baik digunakan di daerah dengan vegetasi yang relatif jarang di mana tanah terlihat melalui kanopi.

$$OSAVI = {(NIR - Red) \over (NIR + Red + 0.16) }$$

Referensi: Rondeaux, G., M. Steven, dan F. Baret. "Optimization of Soil-Adjusted Vegetation Indices." Remote Sensing of Environment 55 (1996): 95-107.

---

RDVI - Indeks Vegetasi Perbedaan yang Direskalasi

Indeks ini menggunakan selisih antara panjang gelombang inframerah dekat dan merah, bersama dengan NDVI, untuk menonjolkan vegetasi yang sehat. Indeks ini tidak terpengaruh oleh efek tanah dan geometri pemandangan matahari.

$$RDVI = {(NIR- Red) \over \sqrt{(NIR + Red)} }$$

Referensi: Roujean, J., dan F. Breon. "Estimasi PAR yang Diserap Vegetasi dari Pengukuran Reflektansi Dua Arah." Remote Sensing of Environment 51 (1995): 375-384.

---

SAVI - Indeks Vegetasi yang Disesuaikan Tanah

Indeks ini mirip dengan NDVI, tetapi menekan efek piksel tanah. Indeks ini menggunakan faktor penyesuaian latar belakang kanopi, L, yang merupakan fungsi dari kepadatan vegetasi dan seringkali memerlukan pengetahuan sebelumnya mengenai jumlah vegetasi. Huete (1988) menyarankan nilai optimal L=0,5 untuk memperhitungkan variasi latar belakang tanah orde pertama. Indeks ini paling baik digunakan di daerah dengan vegetasi yang relatif jarang di mana tanah terlihat melalui kanopi.

$$SAVI = {1.5 * (NIR- Red) \over (NIR + Red + 0.5) }$$

Referensi: Huete, A. "Indeks Vegetasi yang Disesuaikan dengan Tanah (SAVI)." Remote Sensing of Environment 25 (1988): 295-309.

---

TDVI - Indeks Vegetasi Perbedaan yang Ditransformasikan

Indeks ini berguna untuk memantau tutupan vegetasi di lingkungan perkotaan. Indeks ini tidak mengalami saturasi seperti NDVI dan SAVI.

$$TDVI = 1.5 * {(NIR- Red) \over \sqrt{NIR^{2} + Red + 0.5} }$$

Referensi: Bannari, A., H. Asalhi, dan P. Teillet. "Indeks Perbedaan Vegetasi yang Diubah (TDVI) untuk Pemetaan Tutupan Vegetasi" Dalam Prosiding Simposium Geosains dan Penginderaan Jauh, IGARSS '02, IEEE International, Volume 5 (2002).

---

VARI - Indeks Visible yang Tahan Atmosfer

Indeks ini didasarkan pada ARVI dan digunakan untuk memperkirakan fraksi vegetasi dalam suatu adegan dengan sensitivitas rendah terhadap efek atmosfer.

$$VARI = {Green - Red \over Green + Red - Blue }$$

Referensi: Gitelson, A., dkk. "Garis Vegetasi dan Tanah dalam Ruang Spektral Visibel: Konsep dan Teknik untuk Perkiraan Jarak Jauh Fraksi Vegetasi. Jurnal Internasional Penginderaan Jauh 23 (2002): 2537−2562.

---

WDRVI - Indeks Vegetasi Rentang Dinamis Luas

Indeks ini mirip dengan NDVI, tetapi menggunakan koefisien bobot (a) untuk mengurangi ketidakseimbangan antara kontribusi sinyal inframerah dekat dan merah terhadap NDVI. WDRVI sangat efektif pada pemandangan dengan kepadatan vegetasi sedang hingga tinggi ketika NDVI melebihi 0,6. NDVI cenderung mencapai plateau saat fraksi vegetasi dan indeks luas daun (LAI) meningkat, sedangkan WDRVI lebih sensitif terhadap rentang fraksi vegetasi yang lebih luas dan perubahan pada LAI.

$$WDRVI = {(\alpha * NIR- Red) \over (\alpha * NIR + Red)}$$

Koefisien bobot (a) dapat berkisar antara 0,1 hingga 0,2. Nilai 0,2 direkomendasikan oleh Henebry, Viña, dan Gitelson (2004).

Referensi

Gitelson, A. "Indeks Vegetasi Rentang Dinamis Luas untuk Kuantifikasi Jarak Jauh Karakteristik Biofisik Vegetasi." Journal of Plant Physiology 161, No. 2 (2004): 165-173.

Henebry, G., A. Viña, dan A. Gitelson. "Indeks Vegetasi Rentang Dinamis Luas dan Potensi Kegunaannya untuk Analisis Celah." Gap Analysis Bulletin 12: 50-56.