一、植被指数是什么

在遥感应用中，"植被指数"是一个绕不开的概念。简单说，植被指数就是把遥感影像不同波段的反射率按照一定数学规则进行组合，生成一个能定量描述植被长势、覆盖度、生物量等特征的新数值。它就像给植物做了一次"光谱体检"——不需要走进田间，只看卫星或无人机拍到的光谱数据，就能知道这片地"绿不绿、长得好不好"。

为什么不能直接看单波段反射率？因为植被的光谱信号会受到大气、土壤、太阳角度、传感器状态等多种因素干扰。比如同一片健康的麦田，雨后与晴天测得的红光反射率差别很大，直接对比无法反映真实长势。植被指数通过波段间的组合运算，把共性干扰抵消掉，把植被本身的特征信号放大，从而实现对植被状态的稳定刻画。

从1973年Rouse提出NDVI以来，学术界先后发展出上百种植被指数。它们有的侧重反映"绿度"，有的侧重反映"水分"，有的侧重反映"叶面积"，各有各的适用场景。对遥感从业者和农业技术人员来说，掌握几个最常用的指数及其计算公式，就足以覆盖绝大多数业务需求。时维遥感在多年的农业遥感服务中，总结出一套"按场景选指数"的方法论：不同的监测目标，匹配不同的指数，才能算得准、用得对。下面我们就从最经典的NDVI开始，逐一详解各类植被指数的计算公式与应用要点。

二、NDVI公式与使用

NDVI（归一化植被指数）是应用最广泛、文献引用最多的植被指数，其计算公式为：

NDVI =（NIR - Red）/（NIR + Red）

其中，NIR为近红外波段反射率，Red为红光波段反射率。NDVI的取值在-1到1之间：浓密健康植被通常为0.5-0.9，稀疏植被约0.2-0.4，裸土与岩石接近0，水体与积雪则为负值。

NDVI的设计逻辑非常清晰：健康植被"红光低、近红外高"，相减放大差异，相加归一化抵消光照和大气共模干扰。它特别适合用于大范围、多时相的作物长势监测与对比。例如，时维遥感在小麦主产区逐旬生成NDVI长势图，通过与常年同期均值比较，能快速发现长势偏弱区域。

使用NDVI时要注意两个"坑"。一是高植被饱和：当植被覆盖度超过60%-70%、叶面积指数升高后，红光反射率几乎被吸收殆尽，NDVI增速趋缓，影像上茂密森林之间难以区分，这时就要考虑EVI或RVI。二是土壤背景影响：低覆盖期的农田，裸土颜色会"污染"NDVI，此时可选用SAVI。此外，跨传感器比较NDVI时，由于波段范围不同，数值会存在系统性偏差，业务中建议统一数据源或做校正。总体而言，NDVI胜在简单、稳健、可比性强，是所有植被指数计算的"入门第一课"。

三、EVI公式与优势

EVI（增强型植被指数）由MODIS产品开发团队提出，是为了弥补NDVI在高植被覆盖区饱和、对大气气溶胶敏感两大缺陷而设计的改进型指数。其计算公式为：

EVI = 2.5 ×（NIR - Red）/（NIR + 6×Red - 7.5×Blue + 1）

与NDVI相比，EVI在公式中引入了蓝光波段（Blue），通过蓝光与红光的联合校正来削弱大气气溶胶的影响；同时设置了系数6、7.5和增益系数2.5，其中增益系数用于拉伸动态范围，缓解高生物量区域的饱和现象。

EVI的典型应用场景包括：高覆盖森林监测（如亚马逊雨林、南方常绿阔叶林）、作物旺长期监测（如玉米抽雄期、水稻孕穗期）以及气溶胶较多的多云多雾地区。在这些场景下，EVI比NDVI更能反映植被的细微差异。以MODIS产品为例，EVI产品（MOD13Q1）与NDVI产品一同发布，用户可按需选用。

需要提醒的是，EVI公式中的系数（2.5、6、7.5、1）是针对MODIS的波段特性标定的，直接套用到Landsat、Sentinel-2等其他传感器上虽然常用，但严格来说最好结合传感器响应函数重新标定。时维遥感的做法是：在统一处理流程下，对不同传感器分别建立EVI计算与校正参数，保证跨平台数据可对比。EVI并非取代NDVI，而是与NDVI互补——一个偏稳健，一个偏灵敏，组合使用往往效果最佳。

四、其它常用指数

除NDVI、EVI外，遥感业务中还有多类指数需要掌握，这里按功能分类介绍。

反映绿度与覆盖度：

• RVI（比值植被指数）：RVI = NIR / Red。结构最简单，对高覆盖植被敏感，但对土壤背景和大气影响敏感，低覆盖区稳定性差。
• SAVI（土壤调节植被指数）：SAVI =（NIR - Red）×（1 + L）/（NIR + Red + L），其中L为土壤调节因子（常取0.5）。它通过引入L项削弱土壤背景影响，适合低植被覆盖的半干旱区、荒漠边缘农田。
• MSAVI（改进型土壤调节植被指数）：自动调整L值，进一步降低土壤噪声，在稀疏植被区比SAVI更稳健。

反映叶面积与生物量：

• LAI（叶面积指数）：指单位地表面积上叶片总面积的比例，是作物模型和产量估算的关键输入。LAI通常不直接用简单公式计算，而是通过植被指数反演（如利用NDVI、EVI与LAI建立经验关系）或辐射传输模型（PROSAIL）反演得到。时维遥感对LAI的反演精度一般可控制在相对误差10%-15%，支撑高精度产量预测。
• NDRE（红边归一化差异植被指数）：NDRE =（NIR - RedEdge）/（NIR + RedEdge），利用红边波段对叶绿素变化敏感的特性，在作物旺长期比NDVI更灵敏，常用于变量施肥。

反映水分与胁迫：

• NDWI（归一化差异水体指数）：NDWI =（Green - NIR）/（Green + NIR），用于水体提取与灌溉监测。
• NDMI（归一化差异水分指数）：NDMI =（NIR - SWIR）/（NIR + SWIR），利用短波红外对水分敏感，可监测作物水分胁迫与森林干旱。
• NDII（归一化差异红外指数）：与NDMI类似，同样是干旱评估的常用指标。

此外还有PRI（光化学反射指数）反映光合效率、CI（叶绿素指数）反映叶绿素含量等。掌握这些指数的公式与适用条件，就相当于手握一套"遥感工具箱"，针对不同问题取出对应工具，才能事半功倍。

五、指数怎么选

面对这么多植被指数，如何为具体任务选择最合适的一个？时维遥感的经验可以总结为四句话：看对象、看阶段、看数据、看目的。

看对象：监测森林、果园等高覆盖对象，优先选EVI、RVI，避免NDVI饱和；监测半干旱区、苗期农田等低覆盖对象，优先选SAVI、MSAVI，减少土壤背景干扰；水体识别选NDWI，作物水分胁迫选NDMI。

看阶段：同一块玉米田，苗期覆盖度低，SAVI比NDVI更可靠；拔节期后覆盖度上升，NDVI表现良好；抽雄灌浆期覆盖度接近饱和，又该切回EVI。因此专业监测服务常采用"分段指数策略"，不同物候期采用不同指数。

看数据：数据源决定了可选指数。只有红、近红外两个波段的传感器（如某些国产小型卫星），只能算NDVI、RVI；拥有蓝光波段的传感器（Landsat、Sentinel-2、MODIS）才能算EVI；拥有短波红外波段才能算NDMI、NDII。选指数前先盘点手头影像的光谱能力。

看目的：产量预测通常需要LAI或NDVI结合生长模型；长势分级用NDVI最稳妥；氮肥管理用NDRE或CI更直接；灾害评估则需要多指数叠加。时维遥感在承接客户项目时，会先在需求阶段与客户确认"最终要做什么决策"，再据此倒推指数选择与算法设计，避免"为了算指数而算指数"。

六、计算注意事项

公式记熟了，结果却算不准，是遥感新手最常见的困扰。以下几点务必注意。

第一，反射率要用大气校正后的地表反射率。 直接拿原始DN值或未校正的表观反射率（TOA）算NDVI，数值会明显偏低，且不同日期、不同区域的影像无法比较。Landsat数据建议使用SR（地表反射率）产品，Sentinel-2数据可使用大气校正模块（如Sen2Cor）处理。

第二，波段编号与波长范围要对号入座。 不同卫星的"第4波段"波长不同：Landsat 8第4波段是红光（0.64-0.67微米），Sentinel-2的B4才是红光。搞错波段，公式再对也白搭。

第三，处理好云、雪、水体等掩膜。 云和雪会使NDVI变负，造成"长势崩坏"的假象。计算前应生成云掩膜、水体掩膜，只对有效像元计算指数。这也是为什么时维遥感坚持"先掩膜、后计算"的流水线设计。

第四，警惕饱和与边界异常。 高覆盖区NDVI饱和、低覆盖区土壤污染，属于指数固有局限，可结合分段策略或多指数交叉验证来缓解。

第五，重视精度验证。 计算出的指数必须用地面实测数据（如实测叶面积、覆盖度、长势等级）验证相关性，相关系数R²低于0.7时，应检查输入影像质量或改选指数。时维遥感在每个项目交付时都会附上验证报告，确保"算出来的数字"经得起田间检验。

七、实战示例

下面以一个典型业务场景演示植被指数计算的完整流程。假设要为某粮食主产区县级区域做水稻长势与产量监测。

数据准备：选用Sentinel-2多光谱影像，获取移栽后至灌浆期的多期影像，经大气校正、云掩膜处理后，得到各期地表反射率。水稻生育期覆盖度变化剧烈，选择"NDVI+SAVI+EVI"三指数组合。

指数计算：

• 按公式逐像元计算NDVI =（B8 - B4）/（B8 + B4）；
• 计算SAVI =（B8 - B4）×（1+0.5）/（B8 + B4 + 0.5），用于移栽返青期低覆盖监测；
• 计算EVI = 2.5 ×（B8 - B4）/（B8 + 6×B4 - 7.5×B2 + 1），用于分蘖盛期至孕穗期的高覆盖监测。

长势分级：将各期指数按阈值划分等级，如NDVI<0.2为长势差、0.2-0.4为中等、0.4-0.6为良好、>0.6为优，生成逐期长势分级图，并与常年同期对比，圈定长势偏弱地块。

产量建模：把关键生育期（抽穗扬花期）的NDVI峰值、EVI积分值与历史实测单产建立回归模型，预测当年单产；再利用LAI反演结果修正，最终该区域水稻产量预测准确率达到87%，与统计部门数据吻合。

应用交付：将长势图、产量预测、灾害预警信息通过平台推送至农技站、种植大户与保险公司，指导田管与定损。整个流程中，指数计算只是第一步，模型标定、验证与业务解读才是决定价值的关键，这正是专业遥感服务与简单"算个NDVI"的本质区别。

结语

从NDVI到EVI，从SAVI到LAI，每一种植被指数都有清晰的物理内涵与适用范围。没有"最好的指数"，只有"最合适的指数"。理解公式、吃透原理、选对场景、严格计算、科学验证，这五步合在一起，才能让遥感指数真正成为可靠的农业决策依据。时维遥感深耕"遥感+AI"农业应用多年，愿与各位同仁一起，把每一道公式都落到田头，让科技的力量看得见、算得准、用得上。

时维遥感——遥感+AI，让农业更智慧