在遙感中，植被指數的應用綜述
植被指數是農作物生長分析的重要引數。在遙感領域中，由於植被指數有利於觀測農作物的漲勢和發展狀況，從而被廣泛應用於農業領域。
隨著感測器的進步，地球觀測衛星為遙感專家提供了新的資料，以推動他們的研究並改進現有的分析。其中，在遙感農業應用中，需要使用各種植被指數。為此，在這裡整理一份一些常見植被指數，分別對其特點及適用範圍進行 了描述。如需瞭解更多指數，請檢視常見光譜指數列表，裡面包含了123種指數，包括公式及原論文地址。
歸一化差異植被指數 （NDVI）
由於植被在近紅外波段處有較強的反射，其反射率值較高，而在紅波段處有較強的吸收，反射率值較低，因此歸一化差值植被指數（NDVI）透過計算近紅外波段和紅波段之間的差異來定量化植被的生長狀況。該指數可反映植被的健康情況及植被的長勢，由於計算簡單，指示性好，被廣泛應 用於農業、林業、生態環境等領域，同時也是生態物理引數反演的重要輸入引數，是目前應用最為 廣泛的植被指數之一。在典型的光譜植被指數中，NDVI是最適合監測作物生長動態的指數之一，因為它測量植物中的光合作用的活性生物量。然而，該植被指數對土壤亮度和大氣影響非常敏感，在 EVI、SAVI、ARVI、GCL 或 SIPI 等其他指數中有所緩解。
公式
：NDVI = （NIR – RED） / （NIR + RED）
特點
：NDVI 是遙感中最常見的植被指數。它可以在整個作物生產季節使用，除非植被覆蓋太稀少，因此它的光譜反射率太低。
何時使用
：NDVI 值在作物最活躍生長階段的季節中期最準確。
紅邊葉綠素植被指數 （RECl）
ReCI 植被指數對受氮滋養的葉子中的葉綠素含量有反應。ReCI 顯示了冠層的光合活性。
公式
：ReCI = （NIR / RED） - 1
特點
：由於葉綠素含量直接取決於植物中的氮含量，這是植物“綠色”的原因，因此遙感中的這種植被指數有助於檢測黃色或落葉區域。
何時使用
：ReCI 值在植被活躍發育階段最有用，但不適用於收穫季節。
歸一化差異紅邊植被指數 （NDRE）
NDRE指數結合了近紅外 （NIR） 光譜波段和特定波段，用於可見紅色和Red-NIR 過渡區（所謂的紅邊區域）之間的窄範圍。為獲得最佳資料精度，建議將 NDRE 與 NDVI 結合使用。
公式
：NDRE = （NIR – RED EDGE） / （NIR + RED EDGE）
特點
：給定的植被指數適用於高密度樹冠覆蓋。
何時使用
：NDRE 通常用於監測已達到成熟階段的作物。
改良土壤調整植被指數 （MSAVI）
MSAVI植被指數旨在減輕土壤對作物監測結果的影響。因此，它適用於 NDVI 無法提供準確值的情況，特別是
裸土比例高、植被稀少或植物中葉綠素含量低
的情況。
公式
：MSAVI = （2 *NIR + 1 – sqrt （（2 * NIR + 1）2 – 8 * （NIR– RED））） / 2
特點
：由於 MSAVI 針對土壤效應進行了調整，並且對田間的早期植被敏感，因此即使地球上幾乎沒有作物覆蓋，它也能正常工作。
何時使用
：MSAVI 在作物生產季節剛開始時很有用 - 當幼苗開始生長時。
綠色歸一化差異植被指數 （GNDVI）
GNDVI 指數是對 NDVI 的修改，它也使用近紅外波段，但用 綠波段代替紅波段（540 至 570 nm）。
公式
：GNDVI = （NIR – GREEN） / （NIR + GREEN）
特點
：GNDVI 比 NDVI 更準確地測量葉綠素含量。
何時使用
：在沒有紅波段時，檢測枯萎或老化的作物並測量葉子中的氮含量，監測茂密樹冠或成熟階段的植被。
歸一化差值水體指數（NDWI）
McFeeterst 根據水體與其他地物的光譜響應的差異提出了歸一化差值水體指數（NDWI），即利用綠光波段和近紅外波段的差異比值來增強水體資訊，並減弱植被、土壤、建築物等地物的資訊。
公式
：NDWI = （GREEN - NIR） / （GREEN + NIR）
特點
：NDWI 指數經常與 NDMI（歸一化差值水分指數）混淆。該指數在純水體提取方面具有很大的優勢，然而該指數不能很好地抑制山體陰影以及高建築物陰影。
何時使用
：檢測被淹的農田；現場分配洪水；檢測灌溉農田；溼地分配。
改進的歸一化差值水體指數（MNDWI）
針對 NDWI 不能很好地抑制高建築物陰影的問題，徐涵秋在 NDVI 的基礎上提出了改進的歸 一化差值水體指數（MNDWI），將中紅外波段替代近紅外波段。
公式
：MNDWI = （GREEN - S1） / （GREEN + S1）
特點
：S1為中紅外 1 波段地表反射率。利用該公式計算出來的建築物的 MNDWI 值會明顯減小，因此能在一定程度上抑制高建築物的陰影，但是不能較好地去除冰雪或者山體陰影的影響。
何時使用
：適用於存在高建築物的陰影的水體。
歸一化差值水分指數（NDMI）
歸一化差值水分指數（NDMI）是 Hardisky 等人透過計算近紅外與短波紅外之間的差異來定量化反映植被冠層的水分含量情況。
公式
：NDMI = （NIR - S1） / （NIR + S1）
特點
：在衛星遙感資料中，由於植被在短波紅外波段對水分的強吸收， 導致植被在短波紅外波段的反射率相對於近紅外波段的反射率要小，因此 NDMI 與冠層水分含量高度相關，可以用來估計植被水分含量，而且 NDMI 與地表溫度之間存在較強的相關性，因此也常用於分析地表溫度的變化情況。
何時使用
：作物水分含量與地表溫度的變化情況。
土壤調節植被指數 （SAVI）
植被稀疏區域，土壤暴露，會影響紅波段和近紅外波段的反射率值，從而影響 NDVI 的估算結 果。為了消除土壤背景的影響，Huete 提出了土壤調節植被指數（SAVI），在 NDVI 的基礎上加入 土壤調節因子 L：
公式
：SAVI = （（NIR - RED） / （NIR + RED + L）） * （1 + L）
特點
：L 從 –1 到 +1 不等，具體取決於問題區域的綠色植被密度。在綠色植被高的地區 L=0，在這種情況下，SAVI 與 NDVI 相同。相反，對於低綠色植被區，L = 1。最典型的是，L 設定為 0。5 以適應大多數土地覆蓋。
何時使用
：用於分析青苗；適用於植被稀疏（不到總面積的 15%）和裸露土壤表面的乾旱地區。
最佳化的土壤調節植被指數 （OSAVI）
OSAVI 植被指數是修改後的 SAVI，也使用 NIR 和紅光譜中的反射率。兩個指標的區別在於 OSAVI 考慮了冠層背景調整因子的標準值（0。16）。
公式
：OSAVI = （NIR – RED） / （NIR + RED + 0。16）
特點
：當冠層覆蓋率較低時，與 SAVI 相比，該調整允許 OSAVI 的土壤變化更大。OSAVI 對超過 50% 的冠層覆蓋率具有更好的敏感性。
使用地點
：透過樹冠監測裸露土壤區域的低密度植被區域。
耐大氣植被指數 （ARVI）
這是第一個植被指數，對大氣因素（例如氣溶膠）相對不敏感。如公式所示，Kaufman 與Tanré透過將紅波段測量值加倍並增加藍波段來校正 NDVI，以減輕大氣散射效應。
公式
：ARVI = （NIR – （2 * RED） + BLUE） / （NIR + （2 * RED） + BLUE）
特點
：與其他指標相比，ARVI對氣溶膠不敏感，特別適用於監測因燃燒秸稈的農田和經常被煙塵覆蓋的熱帶山區。
何時使用
：用於大氣氣溶膠含量高的地區（如雨、霧、灰塵、煙霧、空氣汙染）。
增強植被指數 （EVI）
由於 NDVI 指數容易受土壤背景和大氣的干擾，因此為了減少這些干擾，Liu 等人提出了增強植被指數（EVI）來調整 NDVI 結果，以適應大氣和土壤噪聲，特別是在茂密的植被區域，以及在大多數情況下減輕飽和度。EVI 的取值範圍是 –1 到 +1，對於健康的植被，它在 0。2 到 0。8 之間變化。
公式
：EVI = 2。5 * （（NIR – RED） / （（NIR） + （C1 * RED） – （C2 * BLUE） + L））
特點
：EVI 包含係數 C1 和 C2，用於校正大氣中存在的氣溶膠散射，L 用於調整土壤和樹冠背景。初學者 GIS 分析人員可能會對應該使用哪些值以及如何計算不同衛星資料的 EVI 感到困惑。傳統上，對於 NASA 的MODIS感測器（EVI 植被指數是為其開發的）C1=6、C2=7。5 和 L=1。如果您想知道如何使用Sentinel 2或Landsat 8資料檢視增強的植被指數，請使用相同的值或簡單地使用作物監測，這也允許下載結果。在 NDVI 的基礎上引入了背景調節引數 C1、C2和大氣修正引數 L ，因此 EVI 相比於NDVI 具有較強的抗大氣干擾能力以及抗噪音能力，更適用於氣溶膠含量較高的天氣狀況下，以及植被茂盛區。
何時使用
：用於分析具有大量葉綠素的地球區域（如熱帶雨林），最好是地形影響最小的區域（非山區）。
可見大氣阻力指數 （VARI）
VARI 指數非常適合 RGB 或彩色影象，因為它適用於電磁光譜的整個可見部分（包括紅色、綠色和藍色波段）。它的具體任務是在強烈的大氣影響下增強植被，同時平滑光照變化。VARI 可用於以下衛星感測器：Sentinel-2、Landsat-8、GeoEye-1、Pleiades-1、Quickbird 和 IKONOS。
公式
：VARI = （GREEN – RED） / （GREEN + RED – BLUE）
特點
：由於對大氣影響的敏感性較低，VARI 在不同大氣厚度條件下對植被監測的誤差小於 10%。
何時使用
：當需要對大氣影響的敏感性最低時，進行作物狀態評估。
葉面積植被指數（LAI）
LAI 指數旨在分析地球的樹葉表面，並估計特定區域的樹葉數量。LAI 是一種無單位量度，計算為一側（照明）樹葉面積與其可以覆蓋的土壤表面的比率。該植被指數對於監測作物和森林健康、環境和氣候條件非常重要。LAI 可擴充套件到單個植物、田間作物或整個地區。
公式
：LAI = leaf area （m2） / ground area （m2）
特點
： 為 MODIS 感測器引入了遙感中的 LAI 葉植被指數，以改進 NDVI 資料。與後者不同，它考慮了地形特徵，並且用於計算的光譜帶經過大氣校正。
如果 LAI = 3，則葉子可以覆蓋表面三倍。LAI 在 0-3。5 之間被認為很高。但是，它的值會因雲和明亮的物體而飽和，為了資料的準確性，應該掩膜掉這些物體。
何時使用
：在植被健康評估中，作為生產力預測模型中的輸入資料。
標準化燃燒率 （NBR）
歸一化燃燒指數（NBR）是 Lopez 等人提出來的，透過計算近紅外波段和短波紅外波段的比值來增強火燒跡地的特徵資訊。根據定義，標準化燃燒率用於突出火災後的燃燒區域。NBR 植被指數方程包括 NIR 和 SWIR 波長的測量值：健康植被在 NIR 光譜中顯示出高反射率，而最近燒燬的植被區域在 SWIR 光譜中具有高反射率。
該植被指數計算基於具有 NIR 和 SWIR 波段的柵格影象，例如來自 Landsat-7、Landsat-8 或 MODIS。值的範圍在 +1 和 –1 之間。
公式
：NBR = （NIR – SWIR） / （NIR + SWIR）
特點
：NBR 指數在過去幾年中變得尤為重要，因為極端天氣條件導致近期破壞森林生物量的野火顯著增加。
何時使用
：用於火燒跡地資訊提取以及監測火燒區域植被的恢復狀況
結構不敏感色素植被指數 （SIPI）
SIPI植被指數有利於分析具有可變冠層結構的植被。它估計了類胡蘿蔔素與葉綠素的比率：增加的值表明植被壓力。
公式
： SIPI = （NIR – BLUE） / （NIR – RED）
特點
：增加的 SIPI 值（高類胡蘿蔔素和低葉綠素）可能意味著作物病害，通常會導致植被中的葉綠素損失。
何時使用
：用於在冠層結構或 LAI 高度可變的地區監測植物健康，以識別作物病害或其他壓力原因的早期跡象。
綠色葉綠素植被指數 （GCI）
在遙感中，GCI植被指數用於估計各種植物中葉綠素的含量。葉綠素含量反映植被的生理狀態；它在受脅迫的植物中降低，因此可以用作植被健康的衡量標準。
公式
：GCI = NIR / GREEN – 1
特點
：透過使用具有寬 NIR 和綠色波長的衛星感測器，可以透過 GCI 植被指數更好地預測葉綠素量。
何時使用
：監測季節性、環境壓力或使用的殺蟲劑對植被健康的影響。
歸一化差值雪指數 （NDSI）
NDSI 植被指數適用於檢測具有可見 （VIS） 綠波段和 SWIR 或 NIR 波段組合的積雪。波段選擇解釋為 SWIR 中的高雪反射率和 VIS 中的低反射率，而這些光譜區域中的雲反射率很高。此屬性允許區分雲和雪。透過 VIS 和 SWIR 反射率差異的比率來了解雪的存在。
公式
：NDSI = （GREEN – SWIR1） / （GREEN + SWIR1）
特點
：NDSI 在雪檢測中類似於分數積雪 （FSC），但它提供的資料比後者更準確。
何時使用
：在雪地對映中，區分雪和雲。
指數棧 ISTACK
這是三個指數（NDVI、NDWI 和 NDSI）的組合，用於生成影像堆疊。在這個合併的影象堆疊中，為特定的地物分配了其特定的常規顏色：
植被是綠色的；
泥土、岩石、裸露的土壤以藍色顯示；
雪、雲、冰和水都屬於紫色。
公式
：它是 NDSI、NDVI 和 NDWI 的組合，因此公式取決於資料來源的衛星。
特點
：指數棧自動區分各種景觀特徵，並使用索引值進行影象分類和定量分析。透過結合各種植被指數，可以將這種分析型別的潛力增加到幾乎無限。然而，ISTACK 有一個缺點：雪、雲、冰和水的相似色調使它們的分離變得複雜。
何時使用
：使用 NDVI、NDWI 和 NDSI 自動區分不同的景觀特徵，為 Landsat-4、5、7 生成影像集；哨兵2；MODIS 影象。
參考資料：
［1］田慶久，閔祥軍。植被指數研究進展［J］。地球科學進展，1998（04）：10-16。
［2］郭鈮。植被指數及其研究進展［J］。乾旱氣象，2003（04）：71-75。
［3］彭燕，何國金，張兆明，尹然宇。中國區域Landsat遙感指數產品［J］。中國科學資料（中英文網路版），2020，5（04）：83-90。
［4］ Vegetation Indices As A Satellite-Based Add-On For Agri Solutions （eos。com）
