植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识：

1．健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的

2．建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息

3．植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响

设计植被指数的目的是要建立一种经验的或半经验的、强有力的、对地球上所有生物群体都适用的植被观测量。植被指数是无量纲的,是利用叶冠的光学参数提取的独特的光谱信号。1969年Jordan提出最早的一种植被指数———比值植被指数(RVI)

RVI=ρn/ρr

ρn和ρr分别是近红外波段和红光波段的反射率。但对于浓密植物反射的红光辐射很小,RVI将无限增长。

在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。该指数随生物量的增加而迅速增大。比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。归一化植被指数为两个通道反射率之差除以它们的和。在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。蓝光、红光和近红外通道的组合可大大消除大气中气溶胶对植被指数的干扰，所组成的抗大气植被指数可大大提高植被长势监测和作物估产精度。

RVI比值植被指数

RVI=NIR/R，或两个波段反射率的比值。

1．绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2；

2．RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量

3．植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；

4．RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。

NDVI

归一化植被指数

NDVI=(NIR-R)/(NIR R)，或两个波段反射率的计算。

1．NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；

2．-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大

3．NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；

4．NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关

GVI

绿度植被指数

k-t变换后表示绿度的分量。

1．通过k-t变换使植被与土壤的光谱特性分离。植被生长过程的光谱图形呈所谓的"穗帽"状，而土壤光谱构成一条土壤亮度线，土壤的含水量、有机质含量、粒度大小、矿物成分、表面粗糙度等特征的光谱变化沿土壤亮度线方向产生。

2．kt变换后得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感器不同而表达不同的含义。如，MSS的第三个分量表示黄度，没有确定的意义；TM的第三个分量表示湿度。

3．第一二分量集中了>95%的信息，这两个分量构成的二位图可以很好地反映出植被和土壤光谱特征的差异。

4．GVI是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，所以GVI受外界条件影响大。

PVI

垂直植被指数

在R-NIR的二维坐标系内，植被像元到土壤亮度线的垂直距离。PVI=((S R-VR)2(SNIR-VNIR)2)1/2，S是土壤反射率，V是植被反射率。

1．较好地消除了土壤背景的影响，对大气的敏感度小于其他VI

2．PVI是在R-NIR二维数据中对GVI的模拟，两者物理意义相同

3．PVI=(DNnir-b)cosq-DNr´sinq，b是土壤基线与NIR截距，q是土壤基线与R的夹角。

SAVI

土壤调节植被指数

Huete（1988）基于NDVI和大量观测数据提出土壤调节植被指数用以减小土壤背景影响。

SAVI=(NIR-R)*(1 L)/(NIR R L)

其中，L是随着植被密度变化的参数，取值范围从0-1，当植被覆盖度很高时为0，很低时为1。很明显，如果L=0,SAVI=NDVI。在Huete的文章中指出，对于其研究的草地和棉花田，L取0.5时SAVI消除土壤反射率的效果较好。因为很少能够知道植被密度，因此难以优化此指数。

SAVITSAVIMSAVI——调整土壤亮度的植被指数：SAVI=((NIR-R)/(NIR R L))(1 L)，或两个波段反射率的计算。

1．目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。L=0时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。

2．SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI3、SAVI4等改进模型。

DVIEVI

差值环境植被指数

DVI=NIR-R，或两个波段反射率的计算。

1．对土壤背景的变化极为敏感

小结：上述几种VI均受土壤背景的影响大。植被非完全覆盖时，土壤背景影响较大

遥感数据反演植被指数

植被指数(DVI)是检测植被生长状态、植被覆盖度和消除部分辐射误差等。NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。多种卫星遥感数据反演植被指数(NDVI)产品 是地理国情监测云平台推出的生态环境类系列数据产品之一。

模型算法

NDVI的估算上采用通用的估算方法，并已通过中国科学院地理科学与资源所相关专家的判读与野外实测数据验证，空间一致性良好。

◆TM/ETM算法如公式(1):NDVI=(Band4-Band3)/(Band4 Band3)

◆Modis算法如公式(2):NDVI=(Band2-Band1)/(Band2 Band1)

◆AVHRR算法如公式(3):NDVI=(CH2-CH1)/(CH2 CH1)

1．根据具体情况改进型：如MSS的DVI = B4-aB2，PVI=(B4-aB2-b)/(1 a2)1/2，SARVI = B4/(B2 b/a)；RDVI=(NDVI´DVI)1/2等

2．应用于高光谱数据的VI，如CARI(叶绿素吸收比值指数）和CACI（叶绿素吸收连续区指数）等

VI划分

类型 典型代表 特点

线性DVI 低LAI时，效果较好；LAI增加爱时对土壤背景敏感

比值型 NDVI、RVI增强了土壤与植被的反射对比

垂直型 PVI 低LAI时，效果较好；LAI增加爱时对土壤背景敏感2100433B

以干旱监测为核心，以NOAA-AVHRR和Terra-MODIS卫星遥感数据为主要信息源，将陕西省关中平原和渭北旱塬作为典型样区，利用遥感可以周期性获取大面积地面目标信息的特点以及地理信息系统技术对空间数据的强大管理与分析功能，并结合模型分析，研究植被指数和土地表面温度的时空变异规律以及植被指数和土地表面温度特征空间的热边界和冷边界的确定方法，开发基于植被指数和土地表面温度的实时或近实时的 2100433B

遥感技术能够有效、大面积、实时动态地获取干旱地区旱情资料，随着遥感传感器的发展，利用不同传感器获取的数据，计算各种能直接或间接反映干旱情况的参数或指标，已形成了很多种方法，归纳如下：

（1） 利用可见光和近红外遥感数据提取地面覆盖物植被指数进行旱情监测

归一化植被指数（NDVI）是应用较广的典型植被指数之一，能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶等，且与植被覆盖有关，因此，NDVI广泛应用在检测植被生长状态、植被覆盖度等方面。

（2） 利用热红外波段建立地表温度模型估测土壤湿度

土壤中水分含量直接影响到植被生长发育，同时也是土壤干旱情况的重要表征指标，利用热红外遥感温度和气象资料来间接地监测植被条件下的土壤水分是遥感监测土壤水分的一个重要方法。利用AVHRR资料计算土壤有效水分和热惯量，认为土壤水分受到干旱区情况以及干旱区地形等的影响。

（3） 综合利用可见光、近红外和热红外数据进行干旱监测

利用可见光、近红外和热红外数据进行干旱监测和土壤水分信息提取也是当前广泛应用方法之一。Gillies等[13]利用遥感反演地表真实温度和NDVI，在反演过程中将NDVI与地表辐照温度预测的边界进行了拉伸处理，并与实验数据进行了比较分析。湿边是基于温度植被指数（TVI）和归一化植被指数（NDVI）派生出来的描述植被覆盖的指数，Kmiura通过修正温度植被指数，提出改进后的温度植被干旱指数（MTVDI）并用于实际研究中，结果表明，湿边指数显示不同地表的MTVDI和土壤水分含量的关系，能用于估算大范围的植被覆盖和水分含量，可以用作干旱指数。齐述华等利用水分亏缺指数(WDI)，提出基于遥感的WDI判断农田受旱成灾的标准，并利用1982-2001 年 NOAA资料提取了全国1982-2001年间各年份受旱成灾耕地面积。研究结果显示：基于遥感的WDI指数获取的农田受旱成灾面积与统计结果基本一致，在提取农田受旱面积方面具有一定参考价值。

（4） 微波遥感

物体的微波发射率主要取决于其介电特性，土壤水分微波遥感的理论基于液态水和干土之间介电常数的强烈反差，由此建立土壤湿度与后向反射系数的统计经验函数，通过遥感数据获取的后向反射系数反演土壤湿度。 A.Gupta等[16]人选取热带降雨测量卫星（TRMM）4年中6至8月的观测数据，分析干旱区土壤的干湿状况和时空变化特征，并提出了一种利用微波亮度温度监测干旱的方法。Khil-Ha Lee 等[17]针对主被动微波遥感数据分别建立了亮度温度、后向散射系数与地表土壤水分、植被参数(LAI) 的关系，建立了表征前向模型模拟结果与卫星观测数值的差异函数，利用不同通道对前向模型中各参数进行确定。

综合应用遥感技术获取及时的图像信息，并结合地面降水等数据，在分析地区干旱或监测中也广泛应用。标准化降水指数（SPI）是先求出降水量分布概率，然后进行正态标准化而得到，综合应用SPI和遥感影像数据也是分析和监测干旱的方法之一。