别再只盯着 NDVI！一次搞懂 4 大常见植被指数，精准遥感从选对开始！

最新推荐文章于 2025-05-31 17:03:55 发布

地数空间

最新推荐文章于 2025-05-31 17:03:55 发布

阅读量922

点赞数 11

CC 4.0 BY-SA版权

文章标签： javascript 人工智能开发语言

本文链接：https://blog.csdn.net/z2646742453/article/details/148266282

遥感植被指数（Vegetation Index） 是地理信息分析中最常用、也最基础的指标工具。它就像一副专门“看绿意”的眼镜，通过不同波段的组合，让我们“看见”肉眼难以识别的地表植被状况。

而你或许早就听说过 NDVI，但真正了解它的优势和局限吗？你知道还有 EVI、SAVI、GNDVI 这些在不同场景下表现更好的“专业选手”吗？

今天，我们就用通俗易懂的语言，带你一次掌握这 4 大主流植被指数的计算原理、优缺点、适用场景，并附上 Google Earth Engine 的实操代码和导出方法！🌱

🌱1. NDVI：最经典的“绿意参考线”

NDVI（Normalized Difference Vegetation Index），是我们最常用的植被指数，被广泛用于全球绿化监测、生态评估、干旱研究等。

📌 波段组合：近红外（NIR）与红光（RED）
📌 原理：
绿色植被对红光强烈吸收，对近红外强烈反射，所以用 (NIR - RED) / (NIR + RED) 就可以很好地衡量绿意强弱。

✅ 优点：

简单、直观
应用广泛，研究文献丰富

⚠️ 缺点：

植被密度过高时容易“饱和”，无法分辨更绿的区域
易受土壤、水体、云等干扰

🎯 适用场景：
城市绿化评估、大范围生态监测、基础遥感分析

🌳2. EVI：高密度森林的增强型专家

EVI（Enhanced Vegetation Index） 是 NDVI 的“升级版”，专为密集森林和高绿植覆盖区域设计。

📌 波段组合：近红外（NIR）、红光（RED）、蓝光（BLUE）
📌 原理：
引入蓝光波段，用于校正大气散射，同时调整了红光的权重，让 NIR 与 RED 的差异更加突出。

✅ 优点：

更灵敏地区分高密度植被
大气抗扰能力更强，不易饱和

⚠️ 缺点：

计算复杂度稍高
对蓝光波段质量依赖较大

🎯 适用场景：
热带雨林、北方林区、森林生物量研究

🏜️3. SAVI：干旱半干旱地区的“稳压器”

SAVI（Soil-Adjusted Vegetation Index） 是为干旱区而生的“土壤干扰抑制器”。

📌 波段组合：NIR、RED + 一个土壤调节系数 L
📌 原理：
通过引入 L（一般取值 0.5），对 NDVI 进行修正，有效抑制土壤背景亮度的干扰。

✅ 优点：

在土壤裸露区效果更稳健
抵消“伪绿”信号

⚠️ 缺点：

L 值需要经验设置
不适用于高植被密度区域

🎯 适用场景：
干旱区、荒漠边缘、草地、沙地、退化生态研究

🌾4. GNDVI：精准农业里的“氮感专家”

GNDVI（Green NDVI） 是 NDVI 的“绿光变体”，特别关注植物叶绿素和养分状况。

📌 波段组合：近红外（NIR）和绿光（GREEN）
📌 原理：
植物对绿光的吸收与其叶绿素和氮素浓度关系密切，因此 GNDVI 更能反映作物健康。

✅ 优点：

对作物氮含量、叶绿素变化非常敏感
更适合作物生长状态监控

⚠️ 缺点：

对阴影和水体敏感
非农业地区优势不明显

🎯 适用场景：
小麦、玉米、水稻等农作物健康监测、精准农业决策

🌍📊实战：一行代码同时生成 NDVI、EVI、SAVI、GNDVI！

使用 Google Earth Engine（GEE），我们可以一次性计算并可视化所有这些指数，还可以导出到 Google Drive：

#部分代码需源码。后台私信“3”var s2 = ee.ImageCollection("COPERNICUS/S2_SR")  .filterBounds(ee.Geometry.Rectangle([102.5, 24.8, 103.2, 25.2]))  .filterDate('2021-05-01', '2021-08-31')  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10))  .median();
var nir = s2.select('B8');var red = s2.select('B4');var green = s2.select('B3');var blue = s2.select('B2');
var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');var evi = s2.expression('2.5 * ((NIR - RED)/(NIR + 6 * RED - 7.5 * BLUE + 1))',  {'NIR': nir, 'RED': red, 'BLUE': blue}).rename('EVI');var savi = nir.subtract(red).divide(nir.add(red).add(0.5)).multiply(1.5).rename('SAVI');var gndvi = nir.subtract(green).divide(nir.add(green)).rename('GNDVI');
Export.image.toDrive({  image: allIndices,  description: 'Vegetation_Indices_S2_2021',  folder: 'GEE_exports',  fileNamePrefix: 'Indices_S2_Kunming',  region: ee.Geometry.Rectangle([102.5, 24.8, 103.2, 25.2]),  scale: 10,  crs: 'EPSG:4326',  maxPixels: 1e13});