輕鬆掌握GEE，立即成為遙測高手<br>－多時序NDVI分析初體驗

內文查詢網站導覽

文字大小

縮小中放大 English 中文

:::

電子報

新興科技應用

農村發展及水土保持署

輕鬆掌握GEE，立即成為遙測高手
－多時序NDVI分析初體驗

期數 / 第11期

發布日期 / 2021.05.27

主筆 / 白佩鑫

責任編輯 / 陳振宇

遙測影像可以快速提供廣域的地表資訊，包括大氣、地形、地景等。以光學遙測影像來說，我們可以利用多期影像比對來了解地景變遷(如2021/4/15電子報內容)，亦可進一步探索時序上變化。然而，要如何從定性的描述轉變為定量的分析，使用多光譜資訊對於快速掌握大範圍的整體狀況是非常有效的工具。因此，許多專家學者們嘗試於衛星上搭載不同的遙感探測元件與頻譜波段，經過影像處理後產製更多元的圖資，並定義出各式不同的遙測指標，幫助我們快速獲取所需要的資訊。有些遙測指標可用於評估植被生長狀況，例如常態化差異植生指標(Normalized Difference Vegetation Index, NDVI)及強化型植生指標(Enhanced Vegetation Index, EVI)；亦有用於評估水體分布之指標，例如常態化差異水勢指標(Normalized Difference Water Index, NDWI)及修正型常態化差異水勢指標(Modified Normalized Difference Water Index, MNDWI)。藉由結合不同指標的綜合應用，有助於更多地物或地表特徵的分析與應用(圖1)。接下來，讓我們簡單介紹幾種常見的遙測指標。

圖1、將不同指標應用於研究區域中，有助於分辨地物種類。 (圖片來源: Szabo et al., 2016)

環境監測的重要指標 - NDVI

NDVI是用於監測地表最廣泛的遙測光譜指標，歷年來已有近十二萬篇的科學論文使用這項指標(Robinson et al., 2017)。利用植物在不同健康狀態下反射紅光(RED)與近紅外光(NIR)的光譜強度有明顯差異的特性下，定義NDVI=(NIR-RED)/(NIR+RED)，其中NDVI之值介於-1到1之間，且數值越高，表示植物生長狀況越良好。當RED=0時，有最大值1；反之，當NIR=0時，有最小值-1。
NDWI則反映應植被冠層含水率多寡，水分含量越低，其數值越小，除了助於地表水的判釋，也常應用於輔助NDVI之分析結果。

圖2、不同生長狀態植物對近紅外光與紅光的反射差異。 (圖片來源: https://www.myeasyfarm.com/en/actu-ndvi20200907)

應用NDVI評估九九峰的植生復育

NDVI除了大量使用於農作物的監測外，也可以結合地景指標評估林地土地利用衝擊(謝漢欽等人，2020)。此外，亦有許多研究利用NDVI協助圈繪崩塌地範圍、分析崩塌變化情形(Borghuis et al., 2007)，並了解崩塌後植生復育的狀況(Lin et al., 2004；Yang et al., 2017)。1999年九二一集集大地震，造成中部山區多處嚴重崩塌，其中南投九九峰即為代表性的案例之一。較特別的是，相較於國外其他案例，地震十多年後此處的植生復育狀況相當良好(圖3)。Yang等人(2017)蒐集多期SPOT衛星影像進行崩塌區域判釋，並由多時序的NDVI指標評估九九峰的植生狀況(圖4)，結果發現地震發生後至2011年3月，崩塌區域的NDVI指標由原本的0.044提升至0.367，同時經由崩塌發生前中後之NDVI數值計算植生復育率(Vegetation Recovery Rate , VRR)，結果顯示此地區的VRR高達73%。

圖3、南投草屯九九峰921地震前後影像。 (1997年(左)；1999年(中)；2012年(右))(圖片來源：看見齊柏林基金會)

圖4、九九峰NDVI指標變化狀況。(圖片來源：Yang et al., 2017)

結合不同指標的多時序分析

近年來受到極端氣候的影響，乾旱導致森林大火發生頻率增加，土壤含水量的監測也成為相當重要的資料。美國奧克拉荷馬州氣象局近年來除持續蒐集歷史觀測資料，並架設110個環境監測站分布於各處，提供足夠密集的觀測網，觀測內容包括地下水、土壤溫度、太陽輻射、風速資料等，所有觀測資料均上網公開(http://www.mesonet.org/)(圖5)。為了方便呈現土壤溼度與植被的乾旱狀況，有些研究嘗試以FWI指標(Fractional Water Index)表示土壤含水量(Schneider et al., 2003)。例如，Gu等人的研究使用奧克拉荷馬州的實測資料，並再訪週期8天的MODIS衛星資料萃取的NDVI指標和NDWI指標，將其數值以時間序列呈現(圖6)，以探討兩者與實測FWI的相關性(圖6)。雖然兩種指標皆常被應用於植被乾旱的監測，結果卻顯示NDVI與FWI的相關性較高，而NDWI對於評估FWI則無太多的助益。

圖5、美國奧克拉荷馬州監測資料網站。 (圖片網址: http://www.mesonet.org/)

圖6、以時間序列探討不同指標間的關係。(圖片來源：Gu et al., 2008)

讓GEE幫您解決巨量資料與運算能量的限制吧!

對於大範圍、長時間的地表監測來說，多時序的分析是常見的呈現方式。由於遙測資料容易受到電離層、雲霧、水氣等環境因素影響，因此除了原始影像的校正及處理外，通常也會進行多期影像的比對，以利呈現整體的趨勢並消除環境因素的誤差。然而，上揭的流程往往需要下載大量的影像以及高速的運算能力，而Google Earth Engine 強大的雲端運算能量與線上巨量圖資的特色，對於處理多期影像資料而言，是一個相當低成本的選擇，除了省下硬體空間的需求，更是節省了下載資料的時間。

圖7、Google Earth Engine 線上分析功能。

馬上來體驗GEE線上分析功能－ 10秒製作10年的多時序分析

本次我們以九二一地震草嶺大崩塌的NDVI和NDWI多時序分析為例，讓大家體驗一下GEE強大的雲端分析能力! 此案例係由1999年集集大地震前後共99幅Landsat 5 衛星影像中提取不同光譜波段，繪製1997年至2006年的NDVI與NDWI指標變化(圖8)，只需要等待10秒鐘的時間就能線上完成10年的分析。比較可惜的是，儘管我們已將5%以上的雲霧覆蓋率之影像濾除，但本次未使用影像校正處理程序，加上影像品質不穩定，指標數值略有週期性的起伏現象。然而，從整體的趨勢中，還是可以看到1999年後兩指標皆明顯下降，且有逐漸增加的趨勢；從縮時影像中(圖9)，崩塌裸露區域仍遠遠大於堰塞湖水體範圍，因此NDWI變化無NDVI顯著。以下提供GEE程式碼(https://code.earthengine.google.com/df85c07837a7e98c3525dc20f002201e)供您參考(包含圖9與圖10製作)。
還等什麼呢? 立即動手來試看看吧！同時，我們後續將介紹更多GEE的研究分析與加值應用等你來挑戰！

圖8、1997年至2006年草嶺地區多時序分析結果。

圖9、1997年至2006年Landsat 5草嶺縮時影像。

圖10、1997年至2006年草嶺NDVI縮時影像。

參考文獻

Borghuis, A. M., Chang, K., & Lee, H. Y. (2007). Comparison between automated and manual mapping of typhoon‐triggered landslides from SPOT‐5 imagery. International Journal of Remote Sensing, 28(8), 1843-1856.
2. Gu, Y., Hunt, E., Wardlow, B., Basara, J. B., Brown, J. F., & Verdin, J. P. (2008). Evaluation of MODIS NDVI and NDWI for vegetation drought monitoring using Oklahoma Mesonet soil moisture data. Geophysical Research Letters, 35(22).
3. Lin, C. Y., Lo, H. M., Chou, W. C., & Lin, W. T. (2004). Vegetation recovery assessment at the Jou-Jou Mountain landslide area caused by the 921 Earthquake in Central Taiwan. Ecological Modelling, 176(1-2), 75-81.
4. Robinson, N. P., Allred, B. W., Jones, M. O., Moreno, A., Kimball, J. S., Naugle, D. E., ... & Richardson, A. D. (2017). A dynamic Landsat derived normalized difference vegetation index (NDVI) product for the conterminous United States. Remote Sensing, 9(8), 863.
5. Schneider, J. M., Fisher, D. K., Elliott, R. L., Brown, G. O., & Bahrmann, C. P. (2003). Spatiotemporal variations in soil water: First results from the ARM SGP CART network. Journal of Hydrometeorology, 4(1), 106-120.
6. Szabo, S., Gácsi, Z., & Balazs, B. (2016). Specific features of NDVI, NDWI and MNDWI as reflected in land cover categories. Landscape & Environment, 10(3-4), 194-202.
7. Yang, M. D., Chen, S. C., & Tsai, H. P. (2017). A long-term vegetation recovery estimation for Mt. Jou-Jou using multi-date SPOT 1, 2, and 4 images. Remote Sensing, 9(9), 893.
8. 謝漢欽, & 黃俊元. (2020). 應用 NDVI 與地景指標評估林地利用的衝擊─以苗栗獅潭地區多期福衛二號影像為例. 臺灣林業科學, 35(2), 173-191.

相關連結

1.　Google Earth Engine 官方網站 : https://earthengine.google.com/

2.　Google Earth Engine Code Editor : https://code.earthengine.google.com/

3.　NDVI & NDW 程式碼分享 : https://code.earthengine.google.com/df85c07837a7e98c3525dc20f002201e