NDVI, WDVI en LAI?

Wat betekenen de afkortingen NDVI, WDVI en LAI, en wat kun je met deze indicatoren?

De NDVI

Verreweg het simpelst te berekenen – en daarom ook de goedkoopste gewasindex – is de Normalized Differential Vegetation Index. De NDVI is een maat voor de “groendichtheid” van een gewas en bestaat uit een getal tussen -1 en 1. Een NDVI van 1 betekent een gewas dat zo dicht en groen (en dus gezond) is als het maar kan, terwijl een waarde van 0 betekent dat er helemaal geen sprake is van een gewas. Waardes kleiner dan 0 kunnen wijzen op wolken, water of sneeuw.

Als de NDVI van een gewas achterblijft bij waardes in voorgaande jaren kan er  sprake zijn van droogte: het gewas is dan immers minder groen. Het kan ook wijzen op achterblijvende groei of een lager stikstofgehalte.

In de interactieve kaart hieronder is de NDVI te zien voor 6 ha zetmeelaardappelen, op 3 april 2017. Door vinkjes te zetten bij de andere data in de figuur wordt de NDVI op die data ook zichtbaar.

(Gemodificeerde Copernicus © data, 2017. Afbeelding mogelijk onscherp in Microsoft Internet Explorer en Edge)

Aan de lage NDVI op 3 april en 6 mei 2017 is allereerst te zien dat er toen nog niet of nauwelijks sprake was van een gewas. Gezien de pootdatum van half april is dat natuurlijk niet zo verrassend, maar er had ook nog ook een bodembedekker kunnen staan. Verder zijn de begroeide (sloot)randen van het perceel duidelijk te zien. Op 6 mei lijkt zich wat voorzichtige groei, al dan niet van aardappel, aan te dienen op de oostpunt van het perceel, terwijl daar op de westpunt nog geen sprake van. Interessant gegeven hierbij is dat de oostpunt omringd wordt door een stukje bos of natuur, dus mogelijk is dat gedeelte wat natter.

De hele maand juni was er geen goed beeld vanwege bewolking – soms de realiteit van het werken met optische beelden – en op 5 juli zien we ineens een al bijna volgroeid gewas staan. De lichtgroene plekken hier en daar zouden kunnen wijzen op een wat lage stikstofstatus van het gewas. Die patronen lijken zich vervolgens nog sterker af te tekenen op de beelden van 3 en 23 september, wanneer het gewas al aan het verouderen is en bladoppervlak en/of groenheid afnemen.

De WDVI

De NDVI geeft dus een goede indruk van de ontwikkeling van het gewas over de tijd en ook van de variatie binnen een perceel. Wat kan de Weighted (near-infrared-red) Difference Vegetation Index, die immers wat prijziger en bewerkelijker is dan de NDVI nog aan bovenstaande toevoegen?

 

(Gemodificeerde Copernicus © data, 2017. Afbeelding mogelijk onscherp in Microsoft Internet Explorer en Edge)

Op WDVI-beelden van 3 april en 6 mei 2017, voor hetzelfde perceel aardappels, zijn dezelfde patronen te zien als op de NDVI-beelden, maar dan duidelijker: het contrast is groter. Vervolgens, op 5 juli, is te zien dat de lichtgroene vlekken van de NDVI-beelden op de WDVI-beelden nette groene banen blijken te zijn, die heel goed iets met gewasmanagement of bemesting van doen zouden kunnen hebben. Doordat dit op de WDVI beelden  erg duidelijk is, zou het op basis van deze beelden nog mogelijk geweest zijn om bij te sturen. Hier zouden een paar Euro’s extra voor een WDVI-beeld zichzelf terug kunnen betalen.

In september zijn vervolgens vergelijkbare patronen te zien als bij de NDVI, met als markant verschil de dip in WDVI op de noordpunt van het veld op 3 april. Aangezien deze dip niet optreedt bij de NDVI, kunnen we concluderen dat deze veroorzaakt wordt door een wolkenschaduw; de WDVI is hiervoor veel gevoeliger dan de NDVI, hetgeen het voordeel illustreert van het gelijktijdig beschikbaar hebben van zowel NDVI als WDVI.

De LAI

Aangezien de Leaf Area Index een lineaire transformatie is van de WDVI, is het enige verschil feitelijk de schaal; bovenstaande LAI-legenda is daardoor ook van toepassing zijn op het WDVI-beeld erboven. Waarom dan toch een LAI?

De LAI is een intuïtievere grootheid dan de WDVI omdat hij simpelweg staat voor het aantal vierkante meters bladoppervlak per vierkante meter grond. Verder rekenen de meeste gewasgroeimodellen met de LAI, waardoor het mogelijk wordt veldgegevens naast modelvoorspellingen te leggen of bijvoorbeeld gewasmodellen te kalibreren met behulp van satellietgegevens.