Índice de vegetación de diferencia normalizada

El índice de vegetación de diferencia normalizada ( NDVI ) es una métrica ampliamente utilizada para cuantificar la salud y la densidad de la vegetación mediante datos de sensores. Se calcula a partir de datos espectrométricos en dos bandas específicas: rojo e infrarrojo cercano. Los datos espectrométricos suelen provenir de sensores remotos, como satélites.

Esta métrica es popular en la industria debido a su precisión. Presenta una alta correlación con el estado real de la vegetación en el suelo. El índice es fácil de interpretar: el NDVI tendrá un valor entre -1 y 1, donde los valores cercanos a cero indican poca o ninguna vegetación, los valores negativos se asocian con superficies no terrestres o agua, y los valores más altos corresponden a vegetación sana y densa. Se utiliza en aplicaciones como la agricultura, el monitoreo de sequías y el análisis de ecosistemas.

La exploración del espacio exterior comenzó en serio con el lanzamiento del Sputnik 1 por la Unión Soviética el 4 de octubre de 1957. Este fue el primer satélite artificial en orbitar la Tierra . Los lanzamientos exitosos posteriores, tanto en la Unión Soviética (por ejemplo, los programas Sputnik y Cosmos ) como en Estados Unidos (por ejemplo, el programa Explorer ), llevaron rápidamente al diseño y la operación de satélites meteorológicos especializados . Estas son plataformas orbitales que transportan instrumentos diseñados específicamente para observar la atmósfera y la superficie terrestres con el fin de mejorar la predicción meteorológica . A partir de 1960, la serie de satélites TIROS incorporó cámaras de televisión y radiómetros. Posteriormente (a partir de 1964) le siguieron los satélites Nimbus y la familia de instrumentos de radiómetro avanzado de muy alta resolución ( AVHR) a bordo de las plataformas de la Administración Nacional Oceánica y Atmosférica (NOAA). Este último mide la reflectancia del planeta en las bandas roja e infrarroja cercana, así como en el infrarrojo térmico. Paralelamente, la NASA desarrolló el Satélite Tecnológico de Recursos Terrestres (ERTS), que se convirtió en el precursor del programa Landsat . Estos primeros sensores tenían una resolución espectral mínima , pero solían incluir bandas en el rojo y el infrarrojo cercano, útiles para distinguir la vegetación y las nubes, entre otros objetivos.

Con el lanzamiento del primer satélite ERTS, que pronto sería rebautizado como Landsat 1 , el 23 de julio de 1972, con su escáner multiespectral (MSS), la NASA financió una serie de investigaciones para determinar sus capacidades de teledetección terrestre . Uno de esos primeros estudios se centró en examinar el reverdecimiento de la vegetación primaveral y el posterior secado en verano y otoño (el llamado "avance y retroceso primaveral") a lo largo de la extensa región de las Grandes Llanuras del centro de Estados Unidos, de norte a sur. Esta región abarcaba una amplia gama de latitudes, desde el extremo sur de Texas hasta la frontera entre Estados Unidos y Canadá, lo que dio como resultado una amplia gama de ángulos cenitales solares en el momento de las observaciones satelitales.

Los investigadores de este estudio sobre las Grandes Llanuras (el estudiante de doctorado Donald Deering y su asesor, el Dr. Robert Hass) descubrieron que su capacidad para correlacionar, o cuantificar, las características biofísicas de la vegetación de pastizales de esta región a partir de las señales espectrales satelitales se veía dificultada por las diferencias en el ángulo cenital solar a lo largo de este marcado gradiente latitudinal. Con la ayuda de un matemático residente (el Dr. John Schell), estudiaron soluciones a este problema y posteriormente desarrollaron la relación entre la diferencia de las radiancias roja e infrarroja y su suma como un medio para ajustar o "normalizar" los efectos del ángulo cenital solar. Originalmente, denominaron a esta relación " Índice de Vegetación " (y a otra variante, la transformación de raíz cuadrada de la relación diferencia-suma, el "Índice de Vegetación Transformado"); pero a medida que otros investigadores de teledetección identificaban la simple relación rojo/infrarrojo y otras relaciones espectrales como el "índice de vegetación", finalmente comenzaron a identificar la formulación de la relación diferencia/suma como el índice de vegetación de diferencia normalizada. El primer uso documentado del NDVI en el estudio de las Grandes Llanuras fue en 1973 por Rouse et al. ^{[ 2 ]} (el Dr. John Rouse era el Director del Centro de Teledetección de la Universidad de Texas A&M, donde se realizó el estudio de las Grandes Llanuras). Sin embargo, fueron precedidos en la formulación de un índice espectral de diferencia normalizada por Kriegler et al. en 1969. ^{[ 3 ]} Poco después del lanzamiento de ERTS-1 (Landsat-1), Compton Tucker del Centro de Vuelo Espacial Goddard de la NASA produjo una serie de artículos científicos iniciales que describían los usos del NDVI.

Así, el NDVI fue uno de los intentos más exitosos para identificar de forma sencilla y rápida las áreas vegetadas y su estado, y sigue siendo el índice más conocido y utilizado para detectar la cubierta vegetal verde en datos de teledetección multiespectral. Una vez demostrada la viabilidad de detectar la vegetación, los usuarios también comenzaron a utilizar el NDVI para cuantificar la capacidad fotosintética de la cubierta vegetal. Sin embargo, esto puede resultar una tarea bastante compleja si no se realiza correctamente, como se explica más adelante.

Las plantas verdes vivas absorben la radiación solar en la región espectral de la radiación fotosintéticamente activa (PAR), que utilizan como fuente de energía en el proceso de fotosíntesis . Las células de las hojas también han evolucionado para reemitir la radiación solar en la región espectral del infrarrojo cercano (que transporta aproximadamente la mitad de la energía solar total incidente), porque la energía de los fotones en longitudes de onda mayores a unos 700 nanómetros es demasiado baja para sintetizar moléculas orgánicas. Una fuerte absorción en estas longitudes de onda solo resultaría en el sobrecalentamiento de la planta y posiblemente dañaría los tejidos. Por lo tanto, las plantas verdes vivas aparecen relativamente oscuras en la PAR y relativamente brillantes en el infrarrojo cercano. ^{[ 4 ]} Por el contrario, las nubes y la nieve tienden a ser bastante brillantes en el rojo (así como en otras longitudes de onda visibles) y bastante oscuras en el infrarrojo cercano. El pigmento en las hojas de las plantas, la clorofila , absorbe fuertemente la luz visible (de 400 a 700  nm) para su uso en la fotosíntesis. Por otro lado, la estructura celular de las hojas refleja fuertemente la luz infrarroja cercana (de 700 a 1100  nm). Cuantas más hojas tenga una planta, mayor será la afectación de estas longitudes de onda. Dado que los primeros instrumentos de observación de la Tierra, como el ERTS de la NASA y el AVHRR de la NOAA , adquirían datos en el espectro visible e infrarrojo cercano, era lógico aprovechar las marcadas diferencias en la reflectancia de las plantas para determinar su distribución espacial en estas imágenes satelitales.

El NDVI se calcula a partir de estas mediciones individuales de la siguiente manera:

${\displaystyle {\mbox{NDVI}}={\frac {({\mbox{NIR}}-{\mbox{Rojo}})}{({\mbox{NIR}}+{\mbox{Rojo}})}}}$

donde Rojo y NIR representan las mediciones de reflectancia espectral adquiridas en las regiones roja (visible) e infrarroja cercana, respectivamente. ^{[ 5 ]} Estas reflectancias espectrales son en sí mismas razones de la radiación reflejada a la radiación incidente en cada banda espectral individualmente, por lo que toman valores entre 0 y 1. Por diseño, el NDVI en sí mismo varía entre -1 y +1. El NDVI es funcionalmente, pero no linealmente, equivalente a la simple razón infrarrojo/rojo (NIR/VIS). La ventaja del NDVI sobre una simple razón infrarrojo/rojo se limita, por lo tanto, generalmente a cualquier posible linealidad de su relación funcional con las propiedades de la vegetación (por ejemplo, biomasa). La razón simple (a diferencia del NDVI) siempre es positiva, lo que puede tener ventajas prácticas, pero también tiene un rango matemáticamente infinito (de 0 a infinito), lo que puede ser una desventaja práctica en comparación con el NDVI. También en este sentido, tenga en cuenta que el término VIS en el numerador del NDVI solo escala el resultado, creando así valores negativos. El NDVI es funcional y linealmente equivalente a la relación NIR / (NIR+VIS), que varía de 0 a 1 y, por lo tanto, nunca es negativo ni tiene un rango ilimitado. ^{[ 6 ]} Pero el concepto más importante para comprender la fórmula algebraica del NDVI es que, a pesar de su nombre, es una transformación de una relación espectral (NIR/VIS) y no tiene ninguna relación funcional con una diferencia espectral (NIR-VIS).

En general, si hay mucha más radiación reflejada en longitudes de onda del infrarrojo cercano que en longitudes de onda visibles, entonces es probable que la vegetación en ese píxel sea densa y pueda contener algún tipo de bosque. Trabajos posteriores han demostrado que el NDVI está directamente relacionado con la capacidad fotosintética y, por lo tanto, con la absorción de energía de las copas de los árboles. ^{[ 7 ] [ 8 ]} Aunque el índice puede tomar valores negativos, incluso en áreas urbanas densamente pobladas el NDVI suele tener un valor positivo (pequeño). Es más probable observar valores negativos en la atmósfera y en algunos materiales específicos . ^{[ 9 ]}

En la agricultura de precisión , los datos NDVI se utilizan para evaluar la salud de los cultivos. Actualmente, esto suele implicar el uso de drones agrícolas , que se combinan con datos NDVI para comparar información y detectar problemas en la salud de los cultivos. Un ejemplo de esto son los drones agrícolas de PrecisionHawk y Sentera, que permiten a los agricultores capturar y procesar datos NDVI en un día, lo que supone un cambio respecto a los usos tradicionales de NDVI y sus largos tiempos de espera. ^{[ 10 ]} Gran parte de la investigación actual ha demostrado que las imágenes NDVI pueden obtenerse incluso utilizando cámaras digitales RGB convencionales con algunas modificaciones para obtener resultados similares a los de las cámaras multiespectrales y pueden implementarse eficazmente en los sistemas de monitorización de la salud de los cultivos.

Además de los drones, el NDVI se utiliza para monitorear el crecimiento de los cultivos en etapas a lo largo del tiempo, desde el crecimiento inicial hasta la madurez, lo que ayuda a rastrear cómo brota la vegetación durante su temporada de crecimiento. Esta recopilación de datos ayuda a detectar la variabilidad espacial dentro del campo para verificar si algunas áreas están creciendo más sanas que otras y si su cronología es precisa para la etapa en la que deberían estar. Más específicamente, los agricultores usan el NDVI para monitorear aspectos como los niveles de riego, la aplicación de fertilizantes y ayudar a reducir sus desperdicios y costos. Puede estimar el índice de área foliar (LAI), la biomasa y la cobertura vegetal, que los agricultores también necesitan para determinar el rendimiento del cultivo. ^{[ 11 ]} Esto incluye poder identificar el estrés de las plantas mucho antes de que sea visible. Esto podría incluir estrés hídrico, deficiencias de nutrientes o enfermedades. ^{[ 12 ]} Dado que el NDVI tiene un aspecto predictivo, se ha podido utilizar en modelos de predicción de rendimiento, ya que un NDVI más alto se relaciona con mayor productividad/biomasa. Utilizando una serie temporal, los datos NDVI brindan a los agricultores la oportunidad de monitorear las tendencias estacionales, compararlas con las de años anteriores y prepararse para los cambios en la variabilidad climática futura que incluyen más sequías u olas de calor. ^{[ 11 ]}

Por ejemplo, el NDVI se puede utilizar para monitorear la sequía al rastrear los cambios en la vegetación verde a lo largo del tiempo, donde los valores más bajos pueden indicar estrés en las plantas debido a la menor disponibilidad de agua. Esto ayuda a analizar cambios en los ecosistemas a gran escala, que incluyen ciclos de vegetación estacionales y cambios a largo plazo causados ​​por el cambio climático y el cambio de uso del suelo. También tiene aplicaciones en la detección de la deforestación y el daño a la cobertura del suelo , ya que las disminuciones en los valores a menudo indican pérdida o degradación de la vegetación. ^{[ 11 ]} Estos datos se aplican en estudios urbanos para examinar la relación entre la temperatura superficial y la cobertura vegetal, siendo más útiles en la investigación sobre islas de calor urbanas. ^{[ 13 ]}

Como se puede observar en su definición matemática, el NDVI de un área con una densa cubierta vegetal tenderá a valores positivos (por ejemplo, de 0,3 a 0,8), mientras que las nubes y los campos de nieve se caracterizarán por valores negativos de este índice. Otros objetivos en la Tierra visibles desde el espacio incluyen:

• aguas estancadas libres (por ejemplo, océanos, mares, lagos y ríos) que tienen una reflectancia bastante baja en ambas bandas espectrales (al menos lejos de las costas) y, por lo tanto, dan como resultado valores NDVI positivos muy bajos o incluso ligeramente negativos,
• suelos que generalmente exhiben una reflectancia espectral en el infrarrojo cercano algo mayor que la del rojo, y por lo tanto tienden a generar también valores NDVI positivos bastante pequeños (por ejemplo, de 0,1 a 0,2) .

Además de la simplicidad del algoritmo y su capacidad para distinguir ampliamente las áreas vegetadas de otros tipos de superficie, el NDVI también tiene la ventaja de comprimir el tamaño de los datos a manipular en un factor de 2 (o más), ya que reemplaza las dos bandas espectrales por un único campo nuevo (que eventualmente se codifica en 8 bits en lugar de los 10 o más bits de los datos originales).

El NDVI se ha utilizado ampliamente en aplicaciones para las que no fue diseñado originalmente. El uso del NDVI para evaluaciones cuantitativas (a diferencia de los estudios cualitativos indicados anteriormente) plantea una serie de problemas que pueden limitar seriamente la utilidad real de este índice si no se abordan adecuadamente. ^{[ 14 ]} Las siguientes subsecciones analizan algunos de estos problemas.

• Matemáticamente, la suma y la diferencia de los dos canales espectrales contienen la misma información que los datos originales, pero la diferencia por sí sola (o la diferencia normalizada) solo contiene una parte de la información inicial. El usuario debe juzgar si la información faltante es relevante o valiosa, pero es importante comprender que un producto NDVI solo contiene una fracción de la información disponible en los datos de reflectancia espectral originales.

• 

  Los usuarios del NDVI suelen estimar numerosas propiedades de la vegetación a partir del valor de este índice. Algunos ejemplos típicos incluyen el índice de área foliar , la biomasa , la concentración de clorofila en las hojas, la productividad vegetal, la cobertura vegetal fraccionada, la precipitación acumulada, etc. Estas relaciones se suelen derivar correlacionando los valores de NDVI obtenidos desde el espacio con los valores de estas variables medidos en tierra. Este enfoque plantea problemas adicionales relacionados con la escala espacial de las mediciones, ya que los sensores satelitales siempre miden cantidades de radiación en áreas considerablemente mayores que las muestreadas por los instrumentos de campo. Además, resulta ilógico afirmar que todas estas relaciones se cumplen simultáneamente, pues ello implicaría que todas estas propiedades ambientales estarían directa e inequívocamente relacionadas entre sí.
• Las mediciones de reflectancia deben realizarse en la misma área y simultáneamente. Esto puede resultar difícil con instrumentos que adquieren diferentes canales espectrales mediante distintas cámaras o planos focales. Un registro incorrecto de las imágenes espectrales puede generar errores sustanciales y resultados inservibles.

Además, el cálculo del valor NDVI es sensible a una serie de factores como los efectos atmosféricos , las diferencias entre sensores , las condiciones del suelo, el hielo o la nieve, y la inconsistencia espacial en los datos ^{[ 15 ].}

• Efectos atmosféricos: La composición real de la atmósfera (en particular, en lo que respecta al vapor de agua y los aerosoles ) puede afectar significativamente las mediciones realizadas en el espacio. Por lo tanto, estas últimas pueden interpretarse erróneamente si no se tienen en cuenta adecuadamente dichos efectos (como ocurre cuando el NDVI se calcula directamente a partir de mediciones sin procesar).
• Nubes: Las nubes densas (ópticamente espesas) pueden ser bastante visibles en las imágenes satelitales y producir valores NDVI característicos que facilitan su análisis. Sin embargo, las nubes delgadas (como los omnipresentes cirros ), o las nubes pequeñas con dimensiones lineales típicas menores que el diámetro del área realmente muestreada por los sensores, pueden contaminar significativamente las mediciones. De manera similar, las sombras de las nubes en áreas que parecen despejadas pueden afectar los valores NDVI y llevar a interpretaciones erróneas. Estas consideraciones se minimizan mediante la formación de imágenes compuestas a partir de imágenes diarias o casi diarias. ^{[ 16 ]} Las imágenes NDVI compuestas han dado lugar a un gran número de nuevas aplicaciones de vegetación donde el NDVI o la capacidad fotosintética varían con el tiempo.
• Efectos del suelo: Los suelos tienden a oscurecerse al humedecerse, por lo que su reflectancia depende directamente del contenido de agua. Si la respuesta espectral a la humedad no es exactamente la misma en las dos bandas espectrales, el NDVI de una zona puede parecer que cambia debido a variaciones en la humedad del suelo (precipitación o evaporación) y no a cambios en la vegetación.
• Efectos anisotrópicos: Todas las superficies (naturales o artificiales) reflejan la luz de forma diferente en distintas direcciones, y esta anisotropía suele depender del espectro, aunque la tendencia general sea similar en estas dos bandas espectrales. Por consiguiente, el valor del NDVI puede depender de la anisotropía particular del objetivo y de la geometría angular de la iluminación y la observación en el momento de las mediciones, y, por lo tanto, de la posición del objetivo de interés dentro del área de cobertura del instrumento o del tiempo de paso del satélite sobre el lugar. Esto es especialmente crucial al analizar datos AVHRR, dado que la órbita de las plataformas de la NOAA tendía a variar con el tiempo. Al mismo tiempo, el uso de imágenes compuestas de NDVI minimiza estas consideraciones y ha dado lugar a conjuntos de datos globales de series temporales de NDVI que abarcan más de 25 años.
• Efectos espectrales: Dado que cada sensor tiene sus propias características y rendimiento, en particular con respecto a la posición, el ancho y la forma de las bandas espectrales, una sola fórmula como el NDVI produce resultados diferentes cuando se aplica a las mediciones adquiridas por diferentes instrumentos.
• Problema de la unidad areal modificable (MAUP): El NDVI es omnipresente como índice de vegetación. Dado que el mapeo y monitoreo de la vegetación se realiza a través de sistemas de procesamiento de imágenes de " big data ", estos sistemas pueden usar algoritmos basados ​​en píxeles u objetos para evaluar la salud de la vegetación, la evapotranspiración y otras funciones del ecosistema. Cuando una categoría de vegetación consta de múltiples píxeles, el cálculo de una "media" puede ser una media de los valores NDVI para cada píxel (basado en píxeles), o una media de los valores rojos y una media de los valores NIR para todos los píxeles en los que la media NDVI es la razón de estos (basado en objetos). El NDVI puede sufrir los problemas intratables que están asociados con el MAUP. En particular, un estudio reciente demostró que cuando los valores medios de NDVI se estiman para ciertas distancias de amortiguación, la escala del análisis puede influir en las medidas de NDVI debido a la presencia de efectos de escala asociados con el MAUP. ^{[ 17 ]} Otro estudio demostró que el MAUP no impacta significativamente en el caso de píxeles de vegetación pura en un entorno urbano. ^{[ 13 ]} Una modificación conocida como MAUI-NDVI aborda específicamente el problema. ^{[ 18 ]}

El NDVI es un sistema muy utilizado; sin embargo, su interpretación puede resultar difícil debido a la simplificación excesiva de señales superficiales más complejas. Los datos satelitales empleados incluyen una mezcla de vegetación, suelo, sombras y la atmósfera, por lo que no representan únicamente la vegetación. Esta simplificación puede provocar la pérdida de información e incluso interpretaciones erróneas de las condiciones reales de la vegetación. Además, aunque el NDVI puede cubrir áreas extensas, le resulta difícil capturar plantas individuales, lo que genera discrepancias entre los datos de campo y los satelitales. Esto dificulta enormemente la vinculación de la productividad con un área determinada, especialmente para los agricultores. Las diferencias entre sensores y métodos de procesamiento de datos pueden producir valores de NDVI ligeramente distintos, lo que dificulta la comparación de conjuntos de datos de diferentes escalas temporales o plataformas. Esto también puede deberse a la configuración de la calibración del sensor o al procesamiento de la resolución de la imagen, factores que pueden generar estas variaciones. Por lo tanto, debido a estas limitaciones, el NDVI solo puede utilizarse de forma fiable para describir patrones generales de vegetación junto con otros índices, a fin de proporcionar un análisis e interpretación más precisos. ^{[ 19 ]}

En la literatura científica se han propuesto varios derivados y alternativas al NDVI para abordar estas limitaciones, incluyendo el Índice de Vegetación Perpendicular, ^{[ 20 ]} el índice de vegetación ajustado al suelo , ^{[ 21 ]} el índice de vegetación resistente a la atmósfera ^{[ 22 ]} y el índice de monitoreo ambiental global. ^{[ 23 ]} Cada uno de ellos intentó incluir correcciones intrínsecas para uno o más factores perturbadores. Una alternativa actual adoptada por el USGS es el índice de vegetación mejorado (EVI), que corrige los efectos del suelo, el fondo del dosel y las influencias de los aerosoles. ^{[ 24 ]}

Sin embargo, no fue hasta mediados de la década de 1990 que se propuso una nueva generación de algoritmos para estimar directamente las variables biogeofísicas de interés (por ejemplo, la fracción de radiación fotosintéticamente activa absorbida , FAPAR), aprovechando el rendimiento y las características mejoradas de los sensores modernos (en particular, sus capacidades multiespectrales y multiangulares) para tener en cuenta todos los factores perturbadores. A pesar de los numerosos factores que pueden perturbar el NDVI, este sigue siendo una valiosa herramienta cuantitativa para el monitoreo de la vegetación cuando se necesita estudiar la capacidad fotosintética de la superficie terrestre a la escala espacial adecuada para diversos fenómenos.

• Deering, DW 1978. Características de reflectancia de pastizales medidas por sensores de aeronaves y naves espaciales. Tesis doctoral. Universidad de Texas A&M, College Station, 338 págs.
• Deering DW, JW Rouse, Jr., RH Haas y JA Schell. 1975. Medición de la "producción de forraje" de unidades de pastoreo a partir de datos Landsat MSS, págs.  1169–1178. En Actas del Décimo Simposio Internacional sobre Teledetección del Medio Ambiente. Universidad de Michigan, Ann Arbor.
• Rouse, JW, Jr., RH Haas, JA Schell y DW Deering. 1973. Monitoreo del avance y retroceso primaveral (efecto de onda verde) de la vegetación natural. Prog. Rep. RSC 1978-1, Centro de Teledetección, Universidad de Texas A&M, College Station, 93 págs. (NTIS n.° E73-106393)
• Rouse, JW, RH Haas, JA Schell y DW Deering (1973) 'Monitoreo de sistemas de vegetación en las Grandes Llanuras con ERTS', Tercer Simposio ERTS , NASA SP-351 I, 309-317.
• Tucker, CJ (1979) 'Combinaciones lineales de infrarrojo rojo y fotográfico para el monitoreo de la vegetación', Remote Sensing of Environment , 8(2) , 127-150.

• Información general sobre NOAA AVHRR
• Información general sobre el NDVI
• Programa de VEGETACIÓN