> 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/lva/produkta-apskats-timekla-lietotne/satellite-monitoring/indices-for-crops-and-soils.md).

# Indeksi kultūrām un augsnēm

GeoPard var aprēķināt veģetācijas, mitruma, hlorofila, augsnes gaišuma un citus indeksus.

<figure><img src="https://1923267647-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>Katrs augsnes un veģetācijas indekss ir aprakstīts GeoPard lietotnē</p></figcaption></figure>

### Satelītattēlu indeksu saraksts <a href="#vegetation-indices" id="vegetation-indices"></a>

Visi satelītattēli ir koriģēti un optimizēti apskatei un analīzei.

### Raksti GeoPard emuārā

* [Veģetācijas indeksi un hlorofila saturs](https://geopard.tech/blog/vegetation-indices-and-chlorophyll-content/)
* [Kuru veģetācijas indeksu vislabāk izmantot precīzajā lauksaimniecībā?](https://geopard.tech/blog/use-of-ndvi-normalized-difference-vegetation-index-in-precision-agriculture/)
* [Kā augsnes spilgtuma indekss veicina ilgtspējīgu lauksaimniecību?](https://geopard.tech/blog/how-the-soil-brightness-index-enables-sustainable-agriculture/)
* [Mitrums — NDMI indekss](https://geopard.tech/blog/normalized-difference-moisture-index-ndmi/)
* [Veģetācijas indeksi: kā tos izmanto precīzajā lauksaimniecībā?](https://geopard.tech/blog/vegetation-index-how-are-they-used-in-precision-agriculture/)

Izvēloties dažādus attēla attēlošanas veidus, var labāk izprast savu lauku, izceļot labi attīstītās platības un kultūraugu sadīgšanas anomālijas. Pieejami šādi attēlošanas veidi:

1. **RGB** – Dabiskās jeb īstās krāsas (sarkana, zaļa un zila).
2. **NIR** – (noklusējums) apvieno neredzamo (tuvā infrasarkanā) un redzamo (sarkanā, zaļā) spektra daļu. Tas atvieglo datu interpretāciju: veģetācija attēlota sarkanā toņos, bet blīvi apaugušas platības — spilgti sarkanā krāsā; augsne attēlota tumši līdz gaiši zaļā vai pelēkā krāsā.
3. **EVI2** – Uzlabotais veģetācijas indekss (no 0 līdz 2,4) ir piemērotāks par NDVI laukiem ar blīvu augu segu, kur NDVI var sasniegt piesātinājumu. Šo attēlošanas veidu var izmantot kultūraugu analīzei visās augšanas stadijās.
4. **LAI** – Lapu laukuma indekss (no 0 līdz 5,86) ir bezdimensiju lielums, kas raksturo augu segu. Tas atspoguļo pāreju no kailas augsnes līdz blīvai augu segai. Indeksa vērtība ir no 0 kailai augsnei līdz 3,5 un vairāk blīvai augu segai augšanas sezonas kulminācijā; kartē tas attēlots no sarkanas līdz zaļai krāsai.
5. **NDVI** – Normalizētais veģetācijas atšķirību indekss (no 0 līdz 1) ir labs kultūraugu veselības rādītājs, kas atspoguļo zaļās veģetācijas izplatību. Tomēr šim attēlošanas veidam ir ierobežojumi augšanas sezonas sākumā (augsnes ietekmes dēļ) un veģetācijas kulminācijā (piesātinājuma dēļ). Kartē tas attēlots no sarkanas līdz zaļai krāsai.
6. **GNDVI** – Zaļās krāsas normalizētais veģetācijas atšķirību indekss (no 0 līdz 1). Tas ir jutīgāks pret hlorofila atšķirībām nekā NDVI, un to ieteicams izmantot kultūraugiem agrīnās līdz vidējās augšanas stadijās. Kartē tas attēlots no sarkanas līdz zaļai krāsai.
7. **IPVI** – Infrasarkanais veģetācijas procentuālais indekss (no 0 līdz 1). Funkcionāli tas ir tāds pats kā NDVI, taču tā aprēķināšana ir ātrāka.
8. **GCI** – Zaļās krāsas hlorofila indekss (no 0 līdz 7). To izmanto, lai novērtētu hlorofila saturu lapās, un tas ir piemērojams plašam augu sugu klāstam. Tas palīdz novērtēt augu veselību, jo stresa apstākļos hlorofila saturs samazinās. Kartē tas attēlots no gaiši zaļas līdz tumši zaļai krāsai.
9. **SAVI** – Augsnes ietekmei pielāgotais veģetācijas indekss (no 0 līdz 1,5) mazina augsnes spilgtuma ietekmi. Tas ir īpaši noderīgs sezonas sākumā, kad augi ir atsevišķi vai aug rindās un augsne ir skaidri saskatāma, kā arī vidējā augšanas posmā, kad augi vēl nesaskaras.
10. **OSAVI** – Optimizētais augsnes ietekmei pielāgotais veģetācijas indekss (no 0 līdz 1). To vislabāk izmantot platībās ar samērā retu veģetāciju un kultūraugiem agrīnās līdz vidējās augšanas stadijās. Kartē tas attēlots, izmantojot krāsu skalu no sarkanas līdz zaļai.
11. **NDWI** – Normalizētais ūdens atšķirību indekss. To izmanto, lai atšķirtu ūdeni no sauszemes un kartētu ūdenstilpes. Kartē tas attēlots zilos toņos.
12. **WDRVI** – Plašā dinamiskā diapazona veģetācijas indekss (no -0,6 līdz 0,4). To izmanto kultūraugu fizioloģisko un fenoloģisko īpašību padziļinātai analīzei. Tas izmanto tās pašas spektra joslas, ko NDVI, bet ar uzlabotu dinamisko diapazonu.
13. **SBI** – Augsnes spilgtuma indekss. Tas ļauj netieši novērtēt augsnes organisko vielu saturu, smilšainumu un sāļainību, un ir noderīgs augsnes apstākļu izmaiņu pētīšanai laika gaitā.\
    Smilšainas augsnes to gaišākās krāsas un rupjākās struktūras dēļ atstaro vairāk gaismas, tāpēc to augsnes spilgtuma indeksa vērtības ir augstākas. Turpretī mālainas augsnes, kurās ir vairāk organisko vielu un mitruma, ir tumšākas, un to indeksa vērtības ir zemākas.
14. **NDMI** – Normalizētais mitruma atšķirību indekss. To izmanto, lai noteiktu ūdens saturu veģetācijā. Tas ir īpaši piemērots, lai konstatētu augu ūdens stresu. Lielākas vērtības norāda uz labāku veģetācijas stāvokli. Zemākas mitruma indeksa vērtības liecina, ka augi cieš no nepietiekama mitruma.\
    Interpretācija:
    * (-1; -0,8) kaila augsne;
    * (-0,8; -0,2) gandrīz nav augu segas vai tā ir ļoti reta;
    * (-0,2; 0) reta augu sega ar izteiktu ūdens stresu VAI ļoti reta augu sega ar nelielu ūdens stresu;
    * (0; 0,2) vidēji blīva augu sega ar izteiktu ūdens stresu VAI reta augu sega ar nelielu ūdens stresu;
    * (0,2; 0,4) blīva augu sega ar izteiktu ūdens stresu VAI vidēji blīva augu sega ar nelielu ūdens stresu;
    * (0,4; 1) blīva vai ļoti blīva augu sega bez ūdens stresa.
15. **MSI** – Mitruma stresa indekss. To izmanto augu segas stresa analīzei, ražības prognozēšanai un biofizikālajai modelēšanai. Lielākas indeksa vērtības liecina par izteiktāku augu ūdens stresu un mazāku mitruma un ūdens saturu augsnē. Indeksa vērtības svārstās no 0 līdz vairāk nekā 3; zaļai veģetācijai parastais diapazons ir no 0,2 līdz 2.
16. **CCCI** – Augu segas hlorofila satura indekss. Tas ir divdimensiju attālās izpētes indekss, kas izstrādāts kultūraugu slāpekļa nodrošinājuma novērtēšanai. CCCI izmanto atstarošanas datus tuvajā infrasarkanajā (NIR) un sarkanajā spektra apgabalā, lai ņemtu vērā sezonālās augu segas blīvuma izmaiņas; savukārt atstarošanas datus NIR un tālajā sarkanajā spektra apgabalā izmanto, lai noteiktu relatīvās hlorofila satura izmaiņas augu segā, kas kalpo par slāpekļa satura aizstājējrādītāju.
17. **MCARI** – Modificētais hlorofila absorbcijas koeficienta indekss ir jutīgs pret hlorofila koncentrāciju lapās un augsnes atstarošanas spēju. Parasti augstas MCARI vērtības norāda uz zemu hlorofila saturu lapās. MCARI nav pietiekami efektīvs zemas hlorofila koncentrācijas prognozēšanā, jo īpaši tāpēc, ka augsnes signāla ietekme ierobežo tā lietojamību.
18. **TCARI** – Transformētais hlorofila absorbcijas atstarošanas indekss ir viens no vairākiem CARI indeksiem, kas norāda uz hlorofila relatīvo daudzumu. To ietekmē augsnes pamatatstarošana, īpaši veģetācijā ar zemu LAI.
19. **MCARI/OSAVI** un **TCARI/OSAVI** ir CARI integrētās formas, kas nodrošina labāku linearitāti saistībā ar hlorofila saturu un noturību pret lapu laukuma indeksu (LAI). Uzlabojums panākts, sarkanās un tuvu infrasarkanās (NIR) gaismas atstarošanas rādītājus aizstājot ar zaļās, sarkanās un sarkanās malas joslas atstarošanas rādītājiem. Indeksu kombinācijas var izmantot, lai novērtētu hlorofila saturu augu vainagā.


---

# 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/lva/produkta-apskats-timekla-lietotne/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.
