降雨在多大程度上影响萨克森-安哈尔特的卫星 NDVI？

在 Xsupra，我们使用 NDVI 量化作物状况。NDVI 是一种植被指数，由卫星影像计算而来，比较近红外反射率与红光反射率。指数范围为 0 到 1，数值越高表示植被越活跃。为了公平比较不同年份，我们聚焦萨克森-安哈尔特的耕地，并分析多个年份中的同一个月份：2018 至 2024 年的 7 月。

对于每个 7 月，我们生成经过云筛选的卫星合成影像，计算 NDVI，对耕地进行掩膜，然后计算该州按面积加权的平均 NDVI。同时，我们汇总同一地区和同一月份的总降雨量。这样就把物理植被信号与盛夏常常限制生长的水分输入配对起来。

关键发现，方法跨年份保持一致

• 最干旱的 7 月：2018 年，降雨 16.5 毫米，平均 NDVI 0.31
• 最湿润的 7 月：2021 年，降雨 92.2 毫米，平均 NDVI 0.42
• 从最干到最湿，降雨约增加 457%，NDVI 约增加 42%

Korrelation zwischen Juli-Niederschlag und NDVI in Sachsen-Anhalt (2018-2024)

整个多年序列中的关系

我们评估了 7 月降雨量与 7 月 NDVI 在七年中如何共同变化。二者呈强正相关，相关性约为 94%。从方差角度看，在州级耕地尺度上，降雨解释了 7 月 NDVI 年际差异的约 88%。实践中，更多降雨通常会带来更高的 7 月 NDVI；更少降雨会导致更快干燥、更高水分胁迫和更低 NDVI。尽管存在作物组合、播种日期、温度波动和管理选择等正常变化来源，该信号仍然稳健。

为什么 NDVI 适合这项任务

NDVI 对红光中的叶绿素吸收和近红外中的细胞结构反射作出响应，因此与叶面积和光合活性密切相关。月度合成可以抑制日常噪声、云干扰和单次过境异常值，为管理者和农户提供稳定的植被活动指标。掩膜到耕地可提高特异性，因为非农业、城市或森林像元会稀释作物响应。

Xsupra 流程在这张图之外还能实现什么

• 田块尺度 NDVI 和其他植被指数处理，每月使用同一方法，适合监测和比较
• 快速交付，自动获取卫星影像、质量筛选、合成和统计
• 面向实际工作的交付格式，GeoTIFF 栅格
• 按需扩展：历史基准、土壤湿度和田间持水量背景、通行性准备度

这对农户意味着什么