> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/satellite-monitoring/indices-for-crops-and-soils.md).

# Indeks for afgrøder og jord

GeoPard kan beregne vegetation, fugtighed, klorofyl, jordlyshed og andre indeks.

<figure><img src="https://1581835146-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FLYsFwlSMWLFKPlm1Mt6z%2Fimage.png?alt=media&amp;token=953379ed-8f3c-4968-a857-34b88f220638" alt=""><figcaption><p>Hvert jord- og vegetationsindeks er beskrevet i GeoPard-applikationen</p></figcaption></figure>

### Liste over indekser baseret på satellitbilleder <a href="#vegetation-indices" id="vegetation-indices"></a>

Alle satellitbilleder korrigeres og optimeres til visning og analyse.

### Artikler på GeoPards blog

* [Vegetationsindekser og klorofylindhold](https://geopard.tech/blog/vegetation-indices-and-chlorophyll-content/)
* [Hvilket vegetationsindeks er bedst at bruge i præcisionslandbrug?](https://geopard.tech/blog/use-of-ndvi-normalized-difference-vegetation-index-in-precision-agriculture/)
* [Hvordan fremmer Soil Brightness Index et bæredygtigt landbrug?](https://geopard.tech/blog/how-the-soil-brightness-index-enables-sustainable-agriculture/)
* [Fugtighed – NDMI-indeks](https://geopard.tech/blog/normalized-difference-moisture-index-ndmi/)
* [Vegetationsindekser: Hvordan bruges de i præcisionslandbrug?](https://geopard.tech/blog/vegetation-index-how-are-they-used-in-precision-agriculture/)

Når du vælger forskellige billedvisninger, bliver det lettere at forstå din mark, fordi områder med god udvikling og uregelmæssigheder i afgrødernes fremspiring fremhæves. Visningerne omfatter:

1. **RGB** – Naturlige farver eller ægte farver (rød, grøn og blå).
2. **NIR** – (standard) en kombination af usynlige (nærinfrarøde) og synlige (røde, grønne) dele af spektret. Det gør dataene lettere at fortolke: Vegetation vises i røde nuancer, hvor områder med meget vegetation er klart røde, mens jorden varierer fra mørkegrøn til lysegrøn eller grå.
3. **EVI2** – Enhanced Vegetation Index (fra 0 til 2,4) foretrækkes frem for NDVI på marker med tæt afgrødedække, hvor NDVI kan mættes. Denne visning kan bruges til at analysere afgrøder i alle vækststadier.
4. **LAI** – Leaf Area Index (fra 0 til 5,86) er en dimensionsløs størrelse, der beskriver plantebestanden. Den viser fordelingen fra bar jord til tæt plantedække. Værdien går fra bar jord (indeksværdi 0) til tæt plantedække (indeksværdi 3,5 og derover ved vækstsæsonens højdepunkt) og vises med farver fra rød til grøn.
5. **NDVI** – Normalized Difference Vegetation Index (fra 0 til 1) er en god indikator for afgrødernes sundhed og viser fordelingen af grøn vegetation. Visningen har dog begrænsninger i begyndelsen af vækstsæsonen (hvor jordens påvirkning spiller ind) og ved vegetationens højdepunkt (hvor indekset mættes). På kortet vises det med farver fra rød til grøn.
6. **GNDVI** – Green Normalized Difference Vegetation Index (fra 0 til 1). Det er mere følsomt over for forskelle i klorofylindhold end NDVI og anbefales til afgrøder i de tidlige til mellemliggende vækststadier. Fordelingen vises med farver fra rød til grøn på kortet.
7. **IPVI** – Infrared Percentage Vegetation Index (fra 0 til 1). Dette indeks fungerer på samme måde som NDVI, men beregnes hurtigere.
8. **GCI** – Green Chlorophyll Index (fra 0 til 7). Dette indeks bruges til at vurdere klorofylindholdet i blade og kan anvendes på mange forskellige plantearter. Det hjælper med at måle planternes sundhed, da klorofylindholdet falder, når planterne er stressede. Fordelingen vises med farver fra lysegrøn til mørkegrøn på kortet.
9. **SAVI** – Soil Adjusted Vegetation Index (fra 0 til 1,5) mindsker jordens lysstyrkes indflydelse. Det er særligt nyttigt i begyndelsen af sæsonen, når planterne står enkeltvis eller i rækker, så jorden er tydeligt synlig, og frem til det mellemliggende vækststadie, hvor planterne endnu ikke rører hinanden.
10. **OSAVI** – Optimized Soil Adjusted Vegetation Index (fra 0 til 1). Det er bedst at bruge i områder med relativt sparsom vegetation og til afgrøder i de tidlige til mellemliggende vækststadier. Det vises med en farveskala fra rød til grøn.
11. **NDWI** – Normalized Difference Water Index. Det bruges til at skelne vand fra tørt land og til kortlægning af vandområder. På kortet vises det i blå nuancer.
12. **WDRVI** – Wide Dynamic Range Vegetation Index (fra -0,6 til 0,4). Dette indeks bruges til en mere avanceret analyse af afgrødens fysiologiske og fænologiske egenskaber. Det bruger de samme bånd som NDVI, men med et udvidet dynamisk område.
13. **SBI** – Soil Brightness Index. Det bruges som indikator for jordens organiske materiale, sandede områder og saltholdige områder og er vigtigt ved undersøgelser af ændringer i jordbundsforholdene over tid.\
    Sandjord er lysere og grovere i strukturen og reflekterer derfor mere lys, hvilket giver en højere Soil Brightness Index-værdi. Lerjord indeholder derimod mere organisk materiale og fugt, ser mørkere ud og får en lavere værdi.
14. **NDMI** – Normalized Difference Moisture Index. Indekset bruges til at bestemme vandindholdet i vegetationen. Det er velegnet til at finde vandstress i planter. Veludviklet vegetation har højere værdier. Lavere værdier tyder på, at planterne er stressede på grund af utilstrækkelig fugt.\
    Fortolkning:
    * (-1; -0.8) Bar jord;
    * (-0.8; -0.2) Intet eller meget sparsomt plantedække;
    * (-0.2; 0) Sparsomt plantedække med høj vandstress ELLER meget sparsomt plantedække med lav vandstress;
    * (0; 0.2) Gennemsnitligt plantedække med høj vandstress ELLER sparsomt plantedække med lav vandstress;
    * (0.2; 0.4) Tæt plantedække med høj vandstress ELLER gennemsnitligt plantedække med lav vandstress;
    * (0.4; 1) Tæt eller meget tæt plantedække uden vandstress.
15. **MSI** – Moisture Stress Index. Indekset bruges til at analysere stress i plantedækket, forudsige produktivitet og udføre biofysisk modellering. Højere indeksværdier angiver større vandstress i planterne og mindre fugt og vandindhold i jorden. Indeksværdierne går fra 0 til over 3, og det typiske interval for grøn vegetation er 0,2 til 2.
16. **CCCI** – Canopy Chlorophyll Content Index. Canopy Chlorophyll Content Index (CCCI) er et todimensionalt fjernmålingsindeks, der er udviklet til at vurdere afgrøders kvælstofstatus. CCCI bruger reflektans i det nærinfrarøde (NIR) og røde spektralområde til at tage højde for sæsonmæssige ændringer i plantedækkets tæthed. Reflektans i det nærinfrarøde og farrøde område bruges til at registrere relative ændringer i klorofylindholdet i plantedækket, som fungerer som en indikator for kvælstofindholdet.
17. **MCARI** – Modified Chlorophyll Absorption Ratio Index reagerer på klorofylkoncentrationen i blade og jordens reflektans. Generelt angiver høje MCARI-værdier et lavt klorofylindhold i bladene. MCARI har begrænsninger ved forudsigelse af lave klorofylkoncentrationer, især fordi signalet fra jorden begrænser dets anvendelighed.
18. **TCARI** – Transformed Chlorophyll Absorption Reflectance Index er et af flere CARI-indeks, der angiver den relative mængde klorofyl. Indekset påvirkes af jordens underliggende reflektans, især i vegetation med et lavt LAI.
19. **MCARI/OSAVI** og **TCARI/OSAVI** er integrerede former af CARI, som har en bedre linearitet med klorofylindholdet og er mindre følsomme over for bladarealindekset (LAI). Forbedringen skyldes, at reflektansen i det røde og nærinfrarøde område er erstattet af reflektansen i det grønne, røde og rød-kant-området. Kombinationerne af indeks kan bruges til at estimere klorofylindholdet i plantebestanden.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/dnk/produktguide-webapp/satellite-monitoring/indices-for-crops-and-soils.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
