常用的植被指数

植被指数是农作物生长分析的重要参数。在遥感领域中，由于植被指数有利于观测农作物的涨势和发展状况，从而被广泛应用于农业领域。

随着传感器的进步，地球观测卫星为遥感专家提供了新的数据，以推动他们的研究并改进现有的分析。其中，在遥感农业应用中，需要使用各种植被指数。为此，在这里整理一份一些常见植被指数，分别对其特点及适用范围进行 了描述。如需了解更多指数，请查看常见光谱指数列表 (opens new window)，里面包含了123种指数，包括公式及原论文地址。

归一化差异植被指数 (NDVI)

由于植被在近红外波段处有较强的反射，其反射率值较高，而在红波段处有较强的吸收，反射 率值较低，因此归一化差值植被指数（NDVI）通过计算近红外波段和红波段之间的差异来定量化植被的生长状况。该指数可反映植被的健康情况及植被的长势，由于计算简单，指示性好，被广泛应 用于农业、林业、生态环境等领域，同时也是生态物理参数反演的重要输入参数，是目前应用最为 广泛的植被指数之一。在典型的光谱植被指数中，NDVI (opens new window)是最适合监测作物生长动态的指数之一，因为它测量植物中的光合作用的活性生物量。然而，该植被指数对土壤亮度和大气影响非常敏感，在 EVI、SAVI、ARVI、GCL 或 SIPI 等其他指数中有所缓解。

公式：
NDVI = (NIR – RED) / (NIR + RED) 特点：NDVI 是遥感中最常见的植被指数。它可以在整个作物生产季节使用，除非植被覆盖太稀少，因此它的光谱反射率太低。

何时使用：NDVI 值在作物最活跃生长阶段的季节中期最准确。

红边叶绿素植被指数 (RECl)

ReCI 植被指数对受氮滋养的叶子中的叶绿素含量有反应。ReCI 显示了冠层的光合活性。

公式：

ReCI = (NIR / RED) - 1

特点：由于叶绿素含量直接取决于植物中的氮含量，这是植物“绿色”的原因，因此遥感中的这种植被指数有助于检测黄色或落叶区域。

何时使用：ReCI 值在植被活跃发育阶段最有用，但不适用于收获季节。

归一化差异红边植被指数 (NDRE)

NDRE指数 (opens new window)结合了近红外 (NIR) 光谱波段和特定波段，用于可见红色和Red-NIR 过渡区（所谓的红边区域）之间的窄范围。为获得最佳数据精度，建议将 NDRE 与 NDVI 结合使用。

公式：

NDRE = (NIR – RED EDGE) / (NIR + RED EDGE)

特点：给定的植被指数适用于高密度树冠覆盖。

何时使用：NDRE 通常用于监测已达到成熟阶段的作物。

改良土壤调整植被指数 (MSAVI)

MSAVI (opens new window)植被指数旨在减轻土壤对作物监测结果的影响。因此，它适用于 NDVI 无法提供准确值的情况，特别是裸土比例高、植被稀少或植物中叶绿素含量低的情况。

公式：

MSAVI = (2 *NIR + 1 – sqrt ((2 * NIR + 1)2 – 8 * (NIR– RED))) / 2

特点：由于 MSAVI 针对土壤效应进行了调整，并且对田间的早期植被敏感，因此即使地球上几乎没有作物覆盖，它也能正常工作。

何时使用：MSAVI 在作物生产季节刚开始时很有用 - 当幼苗开始生长时。

绿色归一化差异植被指数 (GNDVI)

GNDVI 指数是对 NDVI 的修改，它也使用近红外波段，但用 绿波段代替红波段（540 至 570 nm）。

公式：

GNDVI = (NIR – GREEN) / (NIR + GREEN)

特点：GNDVI 比 NDVI 更准确地测量叶绿素含量。

何时使用：在没有红波段时，检测枯萎或老化的作物并测量叶子中的氮含量，监测茂密树冠或成熟阶段的植被。

归一化差值水体指数(NDWI)

McFeeterst 根据水体与其他地物的光谱响应的差异提出了归一化差值水体指数（NDWI），即利用绿光波段和近红外波段的差异比值来增强水体信息，并减弱植被、土壤、建筑物等地物的信息。

公式：

NDWI = (GREEN - NIR) / (GREEN + NIR)

特点：NDWI 指数经常与 NDMI（归一化差值水分指数）混淆。该指数在纯水体提取方面具有很大的优势，然而该指数不能很好地抑制山体阴影以及高建筑物阴影。

何时使用：检测被淹的农田；现场分配洪水；检测灌溉农田；湿地分配。

改进的归一化差值水体指数(MNDWI)

针对 NDWI 不能很好地抑制高建筑物阴影的问题，徐涵秋在 NDVI 的基础上提出了改进的归 一化差值水体指数（MNDWI），将中红外波段替代近红外波段。

公式：

MNDWI = (GREEN - S1) / (GREEN + S1)

特点：S1为中红外 1 波段地表反射率。利用该公式计算出来的建筑物的 MNDWI 值会明显减小，因此能在一定程度上抑制高建筑物的阴影，但是不能较好地去除冰雪或者山体阴影的影响。

何时使用：适用于存在高建筑物的阴影的水体。

归一化差值水分指数（NDMI）

归一化差值水分指数（NDMI）是 Hardisky 等人通过计算近红外与短波红外之间的差异来定量化反映植被冠层的水分含量情况。

公式：

NDMI = (NIR - S1) / (NIR + S1)

特点：在卫星遥感数据中，由于植被在短波红外波段对水分的强吸收， 导致植被在短波红外波段的反射率相对于近红外波段的反射率要小，因此 NDMI 与冠层水分含量高度相关，可以用来估计植被水分含量，而且 NDMI 与地表温度之间存在较强的相关性，因此也常用于分析地表温度的变化情况。

何时使用：作物水分含量与地表温度的变化情况。

土壤调节植被指数 (SAVI)

植被稀疏区域，土壤暴露，会影响红波段和近红外波段的反射率值，从而影响 NDVI 的估算结 果。为了消除土壤背景的影响，Huete 提出了土壤调节植被指数（SAVI），在 NDVI 的基础上加入 土壤调节因子 L：

公式：

SAVI = ((NIR - RED) / (NIR + RED + L)) * (1 + L)

特点：L 从 –1 到 +1 不等，具体取决于问题区域的绿色植被密度。在绿色植被高的地区 L=0，在这种情况下，SAVI 与 NDVI 相同。相反，对于低绿色植被区，L = 1。最典型的是，L 设置为 0.5 以适应大多数土地覆盖 (opens new window)。

何时使用：用于分析青苗；适用于植被稀疏（不到总面积的 15%）和裸露土壤表面的干旱地区。

优化的土壤调节植被指数 (OSAVI)

OSAVI 植被指数是修改后的 SAVI，也使用 NIR 和红光谱中的反射率。两个指标的区别在于 OSAVI 考虑了冠层背景调整因子的标准值（0.16）。

公式：

OSAVI = (NIR – RED) / (NIR + RED + 0.16)

特点：当冠层覆盖率较低时，与 SAVI 相比，该调整允许 OSAVI 的土壤变化更大。OSAVI 对超过 50% 的冠层覆盖率具有更好的敏感性。

使用地点：通过树冠监测裸露土壤区域的低密度植被区域。

耐大气植被指数 (ARVI)

这是第一个植被指数，对大气因素（例如气溶胶）相对不敏感。如公式所示，Kaufman 与Tanré通过将红波段测量值加倍并增加蓝波段来校正 NDVI，以减轻大气散射效应。

公式：

ARVI = (NIR – (2 * RED) + BLUE) / (NIR + (2 * RED) + BLUE)

特点：与其他指标相比，ARVI对气溶胶不敏感，特别适用于监测因燃烧秸秆的农田和经常被烟尘覆盖的热带山区。

何时使用：用于大气气溶胶含量高的地区（如雨、雾、灰尘、烟雾、空气污染）。

增强植被指数 (EVI)

由于 NDVI 指数容易受土壤背景和大气的干扰，因此为了减少这些干扰，Liu 等人提出了增强植被指数（EVI）来调整 NDVI 结果，以适应大气和土壤噪声，特别是在茂密的植被区域，以及在大多数情况下减轻饱和度。 (opens new window)EVI 的取值范围是 –1 到 +1，对于健康的植被，它在 0.2 到 0.8 之间变化。

公式：

EVI = 2.5 * ((NIR – RED) / ((NIR) + (C1 * RED) – (C2 * BLUE) + L))

特点：EVI 包含系数 C1 和 C2，用于校正大气中存在的气溶胶散射，L 用于调整土壤和树冠背景。初学者 GIS 分析人员可能会对应该使用哪些值以及如何计算不同卫星数据的 EVI 感到困惑。传统上，对于 NASA 的MODIS (opens new window)传感器（EVI 植被指数是为其开发的）C1=6、C2=7.5 和 L=1。如果您想知道如何使用Sentinel 2 (opens new window)或Landsat 8 (opens new window)数据查看增强的植被指数，请使用相同的值或简单地使用作物监测，这也允许下载结果。在 NDVI 的基础上引入了背景调节参数 C1、C2和大气修正参数 L ，因此 EVI 相比于NDVI 具有较强的抗大气干扰能力以及抗噪音能力，更适用于气溶胶含量较高的天气状况下，以及植被茂盛区。

何时使用：用于分析具有大量叶绿素的地球区域（如热带雨林），最好是地形影响最小的区域（非山区）。

可见大气阻力指数 (VARI)

VARI 指数非常适合 RGB 或彩色图像，因为它适用于电磁光谱的整个可见部分（包括红色、绿色和蓝色波段）。它的具体任务是在强烈的大气影响下增强植被，同时平滑光照变化。VARI 可用于以下卫星传感器：Sentinel-2、Landsat-8、GeoEye-1、Pleiades-1 (opens new window)、Quickbird 和 IKONOS。

公式：

VARI = (GREEN – RED) / (GREEN + RED – BLUE

特点：由于对大气影响的敏感性较低，VARI 在不同大气厚度条件下对植被监测的误差小于 10%。

何时使用：当需要对大气影响的敏感性最低时，进行作物状态评估。

叶面积植被指数（LAI）

LAI 指数旨在分析地球的树叶表面，并估计特定区域的树叶数量。LAI 是一种无单位量度，计算为一侧（照明）树叶面积与其可以覆盖的土壤表面的比率。该植被指数对于监测作物和森林健康、环境和气候条件非常重要。LAI 可扩展到单个植物、田间作物或整个地区。

公式：

LAI = leaf area (m2) / ground area (m2)

特点： 为 MODIS 传感器引入了遥感中的 LAI 叶植被指数，以改进 NDVI 数据。与后者不同，它考虑了地形特征，并且用于计算的光谱带经过大气校正。

如果 LAI = 3，则叶子可以覆盖表面三倍。LAI 在 0-3.5 之间被认为很高。但是，它的值会因云和明亮的物体而饱和，为了数据的准确性，应该掩膜掉这些物体。

何时使用：在植被健康评估中，作为生产力预测模型中的输入数据。

标准化燃烧率 (NBR)

归一化燃烧指数（NBR）是 Lopez 等人提出来的，通过计算近红外波段和短波红外波段的比值来增强火烧迹地的特征信息。根据定义，标准化燃烧率用于突出火灾后的燃烧区域。NBR 植被指数方程包括 NIR 和 SWIR 波长的测量值：健康植被在 NIR 光谱中显示出高反射率，而最近烧毁的植被区域在 SWIR 光谱中具有高反射率。

该植被指数计算基于具有 NIR 和 SWIR 波段的栅格图像，例如来自 Landsat-7、Landsat-8 或 MODIS。值的范围在 +1 和 –1 之间。

公式：

NBR = (NIR – SWIR) / (NIR + SWIR)

特点：NBR 指数在过去几年中变得尤为重要，因为极端天气条件导致近期破坏森林生物量的野火 (opens new window)显着增加。

何时使用：用于火烧迹地信息提取以及监测火烧区域植被的恢复状况

结构不敏感色素植被指数 (SIPI)

SIPI植被指数有利于分析具有可变冠层结构的植被。它估计了类胡萝卜素与叶绿素的比率：增加的值表明植被压力。

公式:
SIPI = (NIR – BLUE) / (NIR – RED)

特点：增加的 SIPI 值（高类胡萝卜素和低叶绿素）可能意味着作物病害 (opens new window)，通常会导致植被中的叶绿素损失。

何时使用：用于在冠层结构或 LAI 高度可变的地区监测植物健康，以识别作物病害或其他压力原因的早期迹象。

绿色叶绿素植被指数 (GCI)

在遥感 (opens new window)中，GCI植被指数用于估计各种植物中叶绿素的含量。叶绿素含量反映植被的生理状态；它在受胁迫的植物中降低，因此可以用作植被健康的衡量标准。

公式：

GCI = NIR / GREEN – 1

特点：通过使用具有宽 NIR 和绿色波长的卫星传感器，可以通过 GCI 植被指数更好地预测叶绿素量。

何时使用：监测季节性、环境压力或使用的杀虫剂对植被健康的影响。

归一化差值雪指数 (NDSI)

NDSI 植被指数 (opens new window)适用于检测具有可见 (VIS) 绿波段和 SWIR 或 NIR 波段组合的积雪。波段选择解释为 SWIR 中的高雪反射率和 VIS 中的低反射率，而这些光谱区域中的云反射率很高。此属性允许区分云和雪。通过 VIS 和 SWIR 反射率差异的比率来了解雪的存在。

公式：

NDSI = (GREEN – SWIR1) / (GREEN + SWIR1)

特点：NDSI 在雪检测中类似于分数积雪 (FSC)，但它提供的数据比后者更准确。

何时使用：在雪地映射中，区分雪和云。

索引栈 ISTACK

这是三个索引 (opens new window)（NDVI、NDWI 和 NDSI）的组合，用于生成影像堆栈。在这个合并的图像堆栈中，为特定的地物分配了其特定的常规颜色：

• 植被是绿色的；
• 泥土、岩石、裸露的土壤以蓝色显示；
• 雪、云、冰和水都属于紫色。

公式：它是 NDSI、NDVI 和 NDWI 的组合，因此公式取决于数据来源的卫星。

特点：索引栈自动区分各种景观特征，并使用索引值进行图像分类和定量分析。通过结合各种植被指数，可以将这种分析类型的潜力增加到几乎无限。然而，ISTACK 有一个缺点：雪、云、冰和水的相似色调使它们的分离变得复杂。

何时使用：使用 NDVI、NDWI 和 NDSI 自动区分不同的景观特征，为 Landsat-4、5、7 生成影像集；哨兵2；MODIS 图像。

参考资料：

[1]田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998(04):10-16.

[2]郭铌.植被指数及其研究进展[J].干旱气象,2003(04):71-75.

[3]彭燕,何国金,张兆明,尹然宇.中国区域Landsat遥感指数产品[J].中国科学数据(中英文网络版),2020,5(04):83-90.

[4] Vegetation Indices As A Satellite-Based Add-On For Agri Solutions (eos.com) (opens new window)

作者