> 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/swe/produktvandring-webbapp/satellite-monitoring/indices-for-crops-and-soils.md).

# Index för grödor och jordar

GeoPard kan beräkna vegetation, fukt, klorofyll, jordljushet och andra index.

<figure><img src="https://1016759462-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>Varje jord- och vegetationsindex beskrivs i GeoPard-applikationen</p></figcaption></figure>

### Lista över index baserade på satellitbilder <a href="#vegetation-indices" id="vegetation-indices"></a>

Alla satellitbilder korrigeras och optimeras för visning och analys.

### Artiklar på GeoPards blogg

* [Vegetationsindex och klorofyllhalt](https://geopard.tech/blog/vegetation-indices-and-chlorophyll-content/)
* [Vilket vegetationsindex passar bäst att använda inom precisionsjordbruk?](https://geopard.tech/blog/use-of-ndvi-normalized-difference-vegetation-index-in-precision-agriculture/)
* [Hur möjliggör Soil Brightness Index ett hållbart jordbruk?](https://geopard.tech/blog/how-the-soil-brightness-index-enables-sustainable-agriculture/)
* [Fukt – NDMI-index](https://geopard.tech/blog/normalized-difference-moisture-index-ndmi/)
* [Vegetationsindex: hur används de inom precisionsjordbruk?](https://geopard.tech/blog/vegetation-index-how-are-they-used-in-precision-agriculture/)

Genom att välja olika bildvisningar kan du förstå dina fält bättre, eftersom de framhäver välutvecklade områden och avvikelser i grödans uppkomst. Visningarna omfattar:

1. **RGB** – Naturliga färger eller äkta färger (rött, grönt och blått).
2. **NIR** – (standard) en kombination av icke-synliga (nära infraröda) och synliga (röda, gröna) delar av spektrumet. Det gör data lättare att tolka: vegetationen visas i röda nyanser, där områden med tät vegetation är klarröda, medan jorden visas i nyanser från mörkgrönt till ljusgrönt eller grått.
3. **EVI2** – Enhanced Vegetation Index (från 0 till 2,4) är att föredra framför NDVI i fält med tät gröda, där NDVI kan nå mättnad. Den här visningen kan användas för att analysera grödor i alla tillväxtstadier.
4. **LAI** – Leaf Area Index (från 0 till 5,86) är ett dimensionslöst mått som beskriver växtbeståndets täthet. Värdena sträcker sig från bar jord (indexvärde 0) till ett tätt växtbestånd (indexvärde 3,5 eller högre under växtsäsongens höjdpunkt) och visas i färger från rött till grönt.
5. **NDVI** – Normalized Difference Vegetation Index (från 0 till 1) är en bra indikator på grödans hälsa och visar hur den gröna vegetationen är fördelad. Visningen har dock begränsningar i början av växtsäsongen, då marken påverkar resultatet, och när vegetationen är som tätast, då indexet kan nå mättnad. Kartan visas i färger från rött till grönt.
6. **GNDVI** – Green Normalized Difference Vegetation Index (från 0 till 1). Det är känsligare för skillnader i klorofyllhalt än NDVI och rekommenderas för grödor i tidiga till mellersta tillväxtstadier. Kartan visas i färger från rött till grönt.
7. **IPVI** – Infrared Percentage Vegetation Index (från 0 till 1). Funktionellt motsvarar indexet NDVI, men beräkningarna går snabbare.
8. **GCI** – Green Chlorophyll Index (från 0 till 7). Indexet används för att uppskatta klorofyllhalten i blad och kan tillämpas på många olika växtarter. Det hjälper till att bedöma växternas hälsa, eftersom klorofyllhalten minskar hos stressade växter. Kartan visas i färger från ljusgrönt till mörkgrönt.
9. **SAVI** – Soil Adjusted Vegetation Index (från 0 till 1,5) minskar påverkan från markens ljushet. Det är särskilt användbart i början av säsongen, när plantorna står glest eller i rader och marken syns tydligt, samt under det mellersta tillväxtstadiet, när plantorna ännu inte har vuxit ihop.
10. **OSAVI** – Optimized Soil Adjusted Vegetation Index (från 0 till 1). Det lämpar sig bäst för områden med relativt gles vegetation och grödor i tidiga till mellersta tillväxtstadier. Kartan visas med en färgskala från rött till grönt.
11. **NDWI** – Normalized Difference Water Index. Det används för att skilja vatten från torr mark och för att kartlägga vattenområden. Kartan visas i blå nyanser.
12. **WDRVI** – Wide Dynamic Range Vegetation Index (från -0,6 till 0,4). Indexet används för en mer avancerad analys av grödans fysiologiska och fenologiska egenskaper. Det använder samma band som NDVI, men med ett utökat dynamiskt omfång.
13. **SBI** – Soil Brightness Index. Det är en indikator på organiskt material i jorden, sandjordar och områden med salthaltig jord, och är viktigt för att studera förändringar i markförhållanden över tid.\
    Sandjordar har ljusare färg och grövre textur och reflekterar därför mer ljus, vilket ger högre värden för Soil Brightness Index. Lerjordar är däremot rikare på organiskt material och fukt, ser mörkare ut och ger lägre värden.
14. **NDMI** – Normalized Difference Moisture Index. Indexet används för att uppskatta vattenhalten i vegetationen. Det är särskilt användbart för att upptäcka vattenstress hos växter. Välmående vegetation har högre värden. Lägre värden tyder på att växterna är stressade på grund av otillräcklig fukt.\
    Tolkning:
    * (-1; -0.8) Bar jord;
    * (-0.8; -0.2) Nästan inget eller mycket glest växtbestånd;
    * (-0.2; 0) Glest växtbestånd med hög vattenstress ELLER mycket glest växtbestånd med låg vattenstress;
    * (0; 0.2) Medeltätt växtbestånd med hög vattenstress ELLER glest växtbestånd med låg vattenstress;
    * (0.2; 0.4) Tätt växtbestånd med hög vattenstress ELLER medeltätt växtbestånd med låg vattenstress;
    * (0.4; 1) Tätt eller mycket tätt växtbestånd utan vattenstress.
15. **MSI** – Moisture Stress Index. Indexet används för att analysera stress i växtbestånd, förutsäga produktivitet och skapa biofysiska modeller. Högre värden innebär större vattenstress hos växterna och mindre markfukt och vatteninnehåll. Indexet kan ha värden från 0 till över 3; för grön vegetation ligger värdena vanligtvis mellan 0,2 och 2.
16. **CCCI** – Canopy Chlorophyll Content Index. Canopy Chlorophyll Content Index (CCCI) är ett tvådimensionellt fjärranalysindex som används för att uppskatta grödans kvävestatus. CCCI använder reflektans i de nära infraröda (NIR) och röda delarna av spektrumet för att ta hänsyn till säsongsvariationer i växtbeståndets täthet. Reflektans i de nära infraröda och fjärröda delarna används för att upptäcka relativa förändringar i klorofyllhalten i växtbeståndet, som fungerar som en indikator på kväveinnehållet.
17. **MCARI** – Modified Chlorophyll Absorption Ratio Index reagerar på klorofyllhalten i blad och markreflektans. Höga MCARI-värden tyder i allmänhet på låg klorofyllhalt i bladen. MCARI har begränsningar när det gäller att förutsäga låga klorofyllhalter, särskilt eftersom markens signal påverkar hur väl indexet fungerar.
18. **TCARI** – Transformed Chlorophyll Absorption Reflectance Index är ett av flera CARI-index som anger den relativa mängden klorofyll. Indexet påverkas av den underliggande jordens reflektans, särskilt i vegetation med lågt LAI.
19. **MCARI/OSAVI** och **TCARI/OSAVI** är integrerade former av CARI som ger ett mer linjärt samband med klorofyllhalten och är mindre känsliga för bladarealindex (LAI). Förbättringen beror på att reflektanserna i rött och nära infrarött har ersatts med reflektanserna i grönt, rött och röd kant. Kombinationerna av index kan användas för att uppskatta klorofyllhalten i grödan.


---

# 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/swe/produktvandring-webbapp/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.
