一、NDVI是什么

NDVI（Normalized Difference Vegetation Index），中文全称"归一化植被指数"，是遥感领域应用最广、最经典的一种植被指数。简单来说，它就是利用植物叶片在红光波段和近红外波段的反射特性差异，把"这片地有没有植物、植物长得好不好"转化成一个范围在-1到1之间的数值，从而实现对植被长势的量化描述。

为什么红光和近红外这两个波段这么关键？因为健康植物的叶绿素会强烈吸收红光（波长约0.6~0.7微米），同时叶片内部结构会对近红外光（波长约0.7~1.1微米）产生强烈的散射反射。因此，凡是覆盖着茂盛植被的像元，红光反射率低、近红外反射率高，两者差异很大；而裸土、水体、建筑等非植被地物，这两个波段反射率的差异就小得多。NDVI正是抓住这一核心特征，把两波段的差值"归一化"处理，让植被信号被显著放大。

在实际农业生产中，NDVI有着非常广泛的应用：监测作物长势与物候期、评估植被覆盖度、估算叶面积指数与生物量、识别干旱和病虫害胁迫、辅助产量预测等。在时维遥感的服务实践中，NDVI是小麦、水稻、玉米等大田作物长势监测和农业保险定损中最常用的核心指标之一，通常与高分辨率遥感影像、气象数据结合使用。

二、计算公式

NDVI的计算公式非常简洁，只有一行：

NDVI = (NIR - RED) / (NIR + RED)

其中，NIR代表地表在近红外波段的反射率，RED代表地表在红光波段的反射率。公式的逻辑并不难理解：分子用"近红外减红光"的差值来放大植被信号，分母用"近红外加红光"的和来归一化，从而把结果稳定地控制在一定范围内。

由于分子、分母来自同一像元的同一观测条件，做除法之后，太阳高度角、大气散射、传感器增益等系统性的影响在很大程度上被相互抵消，这使得不同时间、不同卫星平台获取的NDVI数据具备较好的可比性——这也是它比直接用单一波段反射率更实用的根本原因。

NDVI的取值范围在-1到1之间，其物理含义如下：当NIR远大于RED时，NDVI趋近于1，表示植被非常茂密；当NIR与RED接近时，NDVI接近0，通常对应裸土或稀疏植被；当RED大于NIR时，NDVI为负值，常见于水体、云、雪等。需要注意的是，NDVI是一个相对比值而非绝对值，同一地块在不同生育期、不同影像上得到的数值会有差异，解读时应更多关注其相对变化和变化趋势。

三、波段取值怎么来

要动手计算NDVI，第一步是获取红光和近红外两个波段的反射率数据。数据来源主要有以下几类：

• 卫星遥感影像：如Landsat系列（红光为第4波段、近红外为第5波段，分辨率30米）、Sentinel-2（红光为第4波段、近红外为第8波段，分辨率10米）、MODIS（分辨率250米），以及我国的高分一号、高分六号、资源三号等国产卫星，都能提供完整的红光和近红外波段数据。
• 无人机遥感：搭载多光谱相机的无人机可以获取厘米级分辨率的多光谱影像，适合对小范围农田进行高精度长势监测。
• 地面实测数据：用手持光谱仪或田间多光谱仪测得的冠层光谱，可以作为验证遥感反演结果的"真值"。

拿到原始影像后，并不能直接用其像素值计算NDVI，必须先完成几步预处理：

• 辐射定标：把影像的灰度值转换为表观反射率；
• 大气校正：把表观反射率进一步校正为地表反射率，消除大气散射和吸收的影响；
• 几何校正：保证影像各像元与地面位置精确对应，便于多期影像对比。

完成预处理后，从影像中分别提取红光波段和近红外波段两个图层，逐像元套用公式，就能生成覆盖整个研究区的NDVI栅格图。目前，无论是ENVI、ERDAS等专业遥感软件，还是基于Python的GDAL、Rasterio等开源工具，都可以快速批量完成这一过程。

四、计算实例演示

光讲公式还不够直观，下面用一个完整实例演示NDVI的计算过程。假设对某块小麦田，经过大气校正后的遥感影像显示，某一像元的红光波段反射率RED=0.10，近红外波段反射率NIR=0.50。

计算分三步：

• 第一步，求分子：NIR - RED = 0.50 - 0.10 = 0.40；
• 第二步，求分母：NIR + RED = 0.50 + 0.10 = 0.60；
• 第三步，做除法：NDVI = 0.40 ÷ 0.60 ≈ 0.67。

这个0.67说明该像元植被覆盖度高、长势旺盛，与小麦拔节至抽穗期的生长状态吻合。再举一个对比例子：同一地块在整地播种前测得RED=0.20、NIR=0.24，那么NDVI=(0.24-0.20)÷(0.24+0.20)≈0.09，接近裸土水平；出苗后长势渐旺，NDVI逐步攀升到0.3以上；到抽穗期可达到0.6~0.7；进入成熟期叶片枯黄，NDVI又会明显回落。

这种"随时间变化"的NDVI曲线，正是长势监测最核心的分析对象。把同一地块多期影像计算出的NDVI连成时序曲线，就能清晰看到作物从出苗、返青、拔节、抽穗到成熟的完整生长过程。时维遥感在小麦、水稻等大田作物的长势监测中，正是利用NDVI时序曲线来识别旺长、脱肥、早衰等异常状态，并结合遥感+AI算法给出针对性管理建议。

五、NDVI值怎么解读

计算出的NDVI值如何判断植被状态？实际工作中通常按以下区间进行初步解读：

• NDVI小于0：一般是水体、云、雪或阴影，也可能是大气校正不彻底产生的异常值；
• NDVI在0~0.1之间：对应裸土、沙地、城市硬化地表或刚刚播种尚未出苗的地块；
• NDVI在0.1~0.3之间：植被稀疏或处于苗期，覆盖度较低；
• NDVI在0.3~0.6之间：中等覆盖，作物处于旺盛生长阶段；
• NDVI大于0.6：浓密植被，如生长旺季的林地和拔节后的高产田块。

不过要特别提醒，上述分级只是经验参考，不同作物、不同区域的阈值会略有差异。比如水稻田因背景存在水层，拔节期的NDVI往往低于同期旱地作物；果树等经济林木的NDVI动态规律也与大田作物不同。

因此解读NDVI要遵循两个原则：一是"看趋势而非看绝对值"，单期影像的NDVI意义有限，多期对比中的上升、下降趋势才是判断长势变化的关键；二是"多指标结合"，把NDVI与植被覆盖度、叶面积指数、气象数据、田间调查结合起来综合研判。持续走高说明长势向好，连续走低则要警惕干旱、病虫害或肥力不足，再结合实地调查找准成因，才能指导灌溉、施肥和防治决策。

六、计算注意事项

NDVI公式虽然简单，但要想得到可靠、可比较的结果，以下几方面必须留意：

• 大气校正不能省略：不做大气校正时，气溶胶散射会使红光波段偏高、近红外波段偏低，导致NDVI系统性偏小，尤其在空气质量较差的影像上误差明显；
• 影像质量检查：云、雾、积雪和地形阴影区域的像元会严重污染计算结果，计算前应做云掩膜和质量筛选，把无效像元剔除；
• 混合像元问题：分辨率较低的影像中，一个像元可能同时包含植被和土壤，NDVI会被"稀释"，解读时要结合空间分辨率综合考虑；
• 饱和问题：当植被非常茂密时，NDVI容易饱和（接近0.8~0.9），此时对覆盖度的进一步变化不敏感，可改用增强型植被指数EVI等替代指标；
• 地表背景影响：土壤颜色、湿度会影响低覆盖度阶段的NDVI，必要时可结合土壤调节植被指数进行修正；
• 数据一致性：多期影像做对比时，尽量选用相同传感器、相近时相的影像，并保持预处理流程一致，才能保证时序数据的可比性。

把以上环节做到位，NDVI才能真正反映植被的生理状态，而不是被各类误差带偏。

七、常见错误

在实际使用中，新手常犯以下几类错误，这里逐一提醒，帮您少走弯路：

• 直接用DN值相除：未经辐射定标和大气校正的原始灰度值（DN值）包含传感器增益和大气影响，直接代入公式算出的NDVI没有物理意义；
• 波段对应搞错：不同卫星的近红外波段编号不同，例如Landsat 8的近红外是第5波段、红光第4波段，而Sentinel-2的近红外是第8波段，波段取错会得到完全错误的结果；
• 忽略云的影响：含云的影像直接参与计算，云区NDVI常出现负值或异常高值，应优先剔除；
• 把负值一律当成水体：部分阴影、云边缘也会产生负值，需要结合真彩色影像综合判断；
• 只看单期影像下结论：NDVI绝对值受大气、观测角度、背景地物影响，脱离时间序列的趋势分析容易误判，比如把雨后土壤变暗误读为植被减少；
• 忽视尺度效应：在小范围精准农业场景中直接用30米分辨率的Landsat数据，混合像元严重，建议改用10米级影像或无人机多光谱数据。

避开这些坑，NDVI计算才能又快又准，为您后续的作物长势分析和决策提供可靠依据。

结语

NDVI是遥感植被监测中最基础也最实用的指标，公式简单、含义清晰，从波段取值、公式计算到数值解读，每一步都有章可循。掌握归一化植被指数的计算方法，是迈向农业遥感应用的第一步。时维遥感技术服务（武汉）有限公司依托"遥感+AI"技术，在小麦、水稻、玉米、棉花等30余种作物的长势监测、产量预测（准确率可达85%~90%）和农业保险定损服务中积累了丰富经验。无论您想自己搭建NDVI计算流程，还是需要专业的遥感监测服务，都欢迎与我们深入交流。

时维遥感——遥感+AI，让农业更智慧